告别提示词工程：基于 LangChain 与 Node.js 构建 Agentic 智能体实战

如果你还在执着于通过精雕细琢的 Prompt（提示词）来榨取大模型的每一分潜力，那么你可能已经错过了 AI 开发的下一个风口。

回顾过去两年，我们对 AI 的认知经历了一场深刻的革命：

• LLM 时代（过去）：我们将 AI 视为一个全知全能的“超级大脑”，试图通过复杂的指令让它输出完美答案。
• Agent 时代（现在）：我们意识到，真正的智能不仅仅源于思考，更源于行动。AI 应当进化为一个智能体（Agent）。

正如业界共识所言，现代 AI 应用的公式已重构为：

AI Agent = LLM（思考核心） + Memory（记忆上下文） + Tools（执行手脚） + RAG（外部知识）

本文将剥离繁琐的理论，直接切入 Tools（工具调用） 与 Agent Loop（执行循环） 的核心机制。我们将利用 Node.js 和 LangChain，从零构建一个具备文件读取与代码分析能力的微型“Cursor”，带你领略 Agentic Engineering（智能体工程）的魅力。

为了直观展示两者的本质差异，我们通过两段代码对比来揭示“传声筒”与“实干家”的区别。

1. 基础版：被蒙住双眼的“思想家”

这是最传统的 LLM 调用模式。模型虽然博学，但与现实世界完全隔离。

import { ChatOpenAI } from '@langchain/openai';
// ... 初始化配置 ...

const model = new ChatOpenAI({ modelName: 'gpt-4o' });

// 单次交互：模型只能基于训练数据“幻觉”或通用知识回答
const response = await model.invoke("请分析当前目录下 package.json 的结构");
console.log(response.content); 
// ❌ 结果：模型会抱歉地表示它无法访问你的本地文件系统，或者胡乱编造内容。

痛点诊断：
这种模式下，AI 是一个有脑无手的囚徒。它无法感知外部环境，无法读取实时数据，更无法执行任何实际操作。

2. 进阶版：拥有“手脚”的智能体

通过引入 Tool Calling，我们赋予了 AI 操作现实世界的能力。

import { tool } from '@langchain/core/tools';
import { z } from 'zod';
import fs from 'fs/promises';

// ✅ 定义工具：赋予 AI "读取文件" 的能力
const readFileTool = tool(
  async ({ path }) => {
    // 真实的文件系统操作
    return await fs.readFile(path, 'utf-8');
  },
  {
    name: 'read_file',
    description: '当需要获取文件具体内容时调用此工具',
    // 关键：使用 Zod 严格定义参数 Schema，让模型知道如何调用
    schema: z.object({ 
      path: z.string().describe('目标文件的绝对或相对路径') 
    })
  }
);

核心变革：
此时，AI 不再仅仅是生成文本，它学会了规划。当用户提出需求时，它会判断：“我需要先读取文件，才能进行分析”，并主动发起工具调用。

赋予 AI 工具只是第一步，真正的智能诞生于 Agent Loop（智能体循环）。这是一个“思考 - 行动 - 观察”的无限闭环，直到任务完成。

1. 武器库绑定

首先，将定义好的工具“挂载”到模型上，使其知晓自己的能力边界。

const modelWithTools = model.bindTools([readFileTool]);

2. 上下文记忆构建

Agent 需要短期记忆来维持对话连贯性。我们维护一个 messages 数组，记录系统指令、用户输入及历史交互。

const messages = [
  new SystemMessage("你是一个资深代码助手，擅长通过读取文件来分析项目结构。"),
  new HumanMessage("请读取 package.json 并解释其依赖项。")
];

3. 核心循环：思考与行动的舞蹈

这是整个架构的灵魂所在。通过 while 循环，我们模拟了人类解决问题的过程。

let response = await modelWithTools.invoke(messages);

// 【核心逻辑】只要模型决定调用工具，循环就继续
while (response.tool_calls && response.tool_calls.length > 0) {
  console.log(`🤖 [思考] 模型决定调用工具: ${response.tool_calls[0].name}`);

  // Step 1: 并发执行工具调用 (高性能关键)
  // 如果模型同时要求读取多个文件，Promise.all 让它们并行处理，而非串行等待
  const toolResults = await Promise.all(
    response.tool_calls.map(async (toolCall) => {
      const targetTool = [readFileTool].find(t => t.name === toolCall.name);
      if (!targetTool) throw new Error(`未找到工具: ${toolCall.name}`);

      // 执行真实逻辑
      return await targetTool.invoke(toolCall.args); 
    })
  );

  // Step 2: 反馈观察结果 (Observation)
  // 将工具执行的“现实世界反馈”重新注入对话历史
  response.tool_calls.forEach((toolCall, index) => {
    messages.push(
      new ToolMessage({
        content: toolResults[index], // 工具返回的真实数据
        tool_call_id: toolCall.id    // 关联本次调用 ID
      })
    );
  });

  // Step 3: 基于新信息进行下一轮推理
  // 模型现在拥有了文件内容，可以生成最终的分析报告了
  response = await modelWithTools.invoke(messages);
}

// 循环结束，输出最终结论
console.log(`✅ [结论] ${response.content}`);

这种看似简单的 while 循环设计，实则解决了传统 AI 开发的三大核心难题：

1. 突破“单步思维”局限

大模型本质上是自回归的，一次只能生成下一个 token 或做出一个决定。

• 无循环：模型说“我要读文件”，然后停止。任务中断。
• 有循环：模型说“我要读文件” -> 系统执行读取 -> 模型看到内容 -> 模型说“现在我知道了，分析如下”。
  循环赋予了 AI“多步推理”和“自我修正”的能力。

2. 并发执行的性能飞跃

在复杂场景下，Agent 可能需要同时查询数据库、读取多个配置文件、搜索网络。
使用 Promise.all() 进行并发工具调用，能将原本串行的分钟级任务压缩至秒级，这是构建高性能 Agent 的关键细节。

3. 从 Cursor 到 Manus 的演进逻辑

• Cursor 的本质：LLM + FileSystem Tools + Loop。它通过不断读取代码、修改代码、运行测试的循环，实现自动化编程。
• Manus 的本质：LLM + Browser/OS Tools + Planning Loop。它能拆解宏大目标（如“帮我买一张机票”），自主规划步骤，调用浏览器、支付接口等完成复杂任务。

它们的底层逻辑是一致的：感知环境 -> 规划行动 -> 执行工具 -> 观察结果 -> 迭代优化。

2026 年，AI 开发的重心已彻底从 Prompt Engineering（如何问得好） 转向了 Agentic Engineering（如何构建能做事的系统）。

作为新一代的全栈开发者，我们的角色也在发生转变：

• 我们不再是单纯的 API 调用者；
• 我们是 AI 架构师，负责设计大脑（LLM 选型）、构建记忆（Vector DB）、打造手脚（Tools 开发）以及编排流程（Agent Loop）。

工具已备，循环已启。现在，是时候让你的代码真正“活”起来了。