从聊天走向行动
你可以先把大模型理解成一个能够接收文字、生成回答的程序。当你让它解释一个概念时，一次对话通常就够了，但如果你问“杭州现在多少度”，它需要先取得天气数据，才能给出可靠的回答。
观察函数的输入和输出
def demo(): 定义一个不接收参数的函数，调用 demo() 才开始执行函数体。print(value) 把值显示到运行区，函数执行到末尾且没有 return 时，返回值是 None。这一节通过打印观察流程，后面的任务会用返回值把数据交给其他组件。
def show_result():
print("工具返回：23℃")
value = show_result()
print(value) # None
Agent 就是在模型周围加上能够行动的程序。模型提出“查询杭州天气”，程序执行查询，再把结果交给模型组织成回答。这个过程可以重复多次，直到任务完成。
规划帮助 Agent 拆分目标，记忆保留需要继续使用的信息，工具让程序读取文件、查询数据或执行操作。简单的 Agent 可以先只有一个模型和一个工具，其他能力随后逐步加入。
用户的问题
↓
模型：需要调用工具吗？
↓ 是
程序执行工具 → 把结果交回模型
↓
模型给出回答
LangChain 提供模型、消息、提示模板和工具等组件，LangGraph 帮助我们安排步骤、保存状态并控制循环。ReAct 是让模型根据行动结果决定下一步的思路，RAG 是先查找资料、再根据资料回答的方法，这些概念会分别出现在模型调用、工具执行、流程控制和资料问答的例子中。
右侧是一段不联网的流程演示，天气数字是教学数据。点击运行，先观察“模型选择工具”和“程序执行工具”这两个不同动作。接下来的小任务会把这个演示逐渐换成真正的模型调用，最后再组合成能够读写代码的 mini-pi。