Agent 是怎么知道“要不要调用 Tool”的？它是在什么时候决定用 Tool，什么时候自己回答的？
Agent 的核心机制就是：大模型（LLM）负责“思考”，Tool 负责“执行”。 换句话说： Agent = 一种“思考 → 工具调用 → 再思考”的循环机制。
整个流程拆成 6 步如下：假设你调用的是：agent.run("帮我查一下苹果手机的库存，还有写一个促销文案")
LangChain Agent 背后的运行机制是这样的：
第 1 步：把你的问题打包成一段 Prompt这段 Prompt 里面包括： - 当前支持的工具列表（包含 name 和 description）
- 工具调用的格式约定（像 ReAct 的思考链格式）
这一大段 Prompt 会告诉 LLM：“你有以下这些能力，要根据用户的需求决定是否使用。”
第 2 步：把这个 Prompt 发给 LLM（比如 qwen-turbo）然后 LLM 会“模拟 Agent 的思考”，像人一样写出类似这样的回复： Thought: 用户要查库存，应该使用查库存工具
Action: 查库存
Action Input: "苹果手机"
LangChain 就从这段话里解析出： → OK，大模型的意思是要调用 Tool 叫 “查库存”，传参 “苹果手机”。
第 3 步：LangChain 调用对应 Tool 的 func也就是你之前注册的： Tool(name="查库存", func=check_stock, description="输入商品名称返回库存")
于是调用check_stock("苹果手机")，拿到返回值，比如： Observation: 当前库存还有 32 件
第 4 步：把 Observation 加进对话历史，继续 Prompt 给 LLM现在 LangChain 重新构造 Prompt，告诉模型： Thought: 用户要查库存...
Action: 查库存
Action Input: "苹果手机"
Observation: 当前库存还有 32 件
然后让 LLM 再接着想下一步怎么做。
第 5 步：LLM 可能再调用 Tool，或者直接输出回答比如它下一步可能会输出： Thought: 好的，现在我已经知道库存情况，可以生成促销文案了
Action: 写文案
Action Input: "苹果手机 + 库存还有 32 件"
或者： Final Answer: 苹果手机目前还有 32 件库存，推荐文案：买它！买它！库存紧张，限时抢购！
第 6 步：LangChain 检测到 Final Answer，返回给你！这个循环过程就结束了。 大模型每一次的“回复”，不是答案，而是一个行动计划。Agent 就是把这个“计划”翻译成实际工具调用，然后把结果返回给模型，继续思考。
再补一张流程图助你秒记：用户提问 →
LangChain 构建 Prompt（含工具列表） →
↓
模型“思考”（生成 Thought + Action） →
↓
LangChain 执行 Action 对应的 Tool →
↓
拿到 Observation →
↓
再喂回模型继续思考 →
↓
直到输出 Final Answer → 返回用户
总结一下- Tool 不是“立刻”被调用的，而是“模型先思考一下”要不要用它
- 模型每次只做一小步：思考 → 执行动作 → 观察 → 再思考
- Agent 的本质是：提示词驱动的微循环执行器，不是魔法，是 prompt 技巧 + tool 调度
| 
