开发 AI Agent（ReAct / LangGraph / LangChain）必学 Python 知识清单

目标做工具调用、循环智能体、多步骤流程，分基础刚需、AI 框架专用、工程进阶三部分，只讲真正用得上的，剔除无用知识点。

一、Python 核心基础（必须吃透，90% Agent 代码必懂）

1. 基础语法与数据结构

1. 变量、字符串、格式化输出 f-stringAgent 大量拼接提示词、日志、工具入参，f"Thought:{xxx}" 高频使用。

2. 列表 List、字典 Dict

1. List：存储对话历史 messages = [user_msg, llm_msg, tool_msg]

2. Dict：存储工具参数、状态 State、接口返回 JSON

3. 元组 Tuple、集合 Set（次要，简单了解即可）

4. 分支 if /elif/elseLangGraph 条件路由、ReAct 判断是否调用工具全靠分支逻辑

1. if last_msg.tool_calls:    return "tools"else:    return END

5. 循环 for /while多轮工具调用循环、批量处理文档、遍历工具列表

6. 函数 def、参数（位置参数 / 关键字参数）、return 返回值LangGraph 所有节点都是函数，接收 State、返回更新字典，重中之重。

7. 注释、异常捕获 try-except大模型调用、网络搜索极易报错，必须学会捕获超时、接口失败。

1. try:    res = llm.invoke(messages)except Exception as e:    print("调用失败：", e)

2. 高阶函数与类型注解（AI 框架强制依赖）

1. 类型提示 TypedDict / PydanticLangGraph 定义全局 State 标准写法，你之前看到的代码全部基于它：

1. from typing import TypedDict, Listclass ChatState(TypedDict):    messages: List

2. 装饰器 @toolLangChain 定义工具专用语法，写自定义搜索 / 计算工具必备：

1. @tooldef search(query: str) -> str:    """联网搜索"""    return ...

3. \\*args / kwargs 可变参数封装通用 LLM 调用、通用工具函数高频用到

4. lambda 匿名函数（简单了解）

3. 文件、模块、包管理

1. 导入 import /from xxx import xxx导入 langgraph、langchain、openai、工具库是日常操作

2. 模块拆分把工具、节点、图逻辑拆分多个 .py 文件，大型 Agent 必备

3. pip 包管理器（重中之重）

1. pip install xxxpip uninstall xxxpip listpip freeze > requirements.txt # 导出依赖给项目

     AI 开发核心命令，安装 LangGraph、OpenAI、向量库全靠它。

4. 虚拟环境 venv（避坑神器）不同 AI 项目依赖版本冲突，必须学会隔离环境：

1. python3 -m venv agent_envsource agent_env/bin/activate

4. JSON 数据处理（Agent 刚需）

大模型输出、工具返回、接口响应全是 JSON 格式

import json# 字典转字符串、字符串转字典json.dumps()json.loads()

解析工具调用参数、提取 Thought、Action 全部依赖。

二、AI Agent 专属 Python 专项知识（做 ReAct / LangGraph 直接用到）

1. 面向对象基础 Class

• Pydantic BaseModel：结构化校验工具入参、对话数据

• 自定义 LLM 封装、自定义工具类、多智能体封装 只需要基础：class、__init__、实例方法，不用深挖继承多态。

2. 异步编程基础（可选但推荐）

async / await，大量并发问答、批量 Agent 任务会用到，LangChain 支持异步 LLM 调用。

3. 网络请求库

requests：调用联网搜索、本地 API、第三方大模型接口（文心 / 通义 / OpenAI）

import requestsresp = requests.get("xxx")data = resp.json()

4. 基础日志 logging

打印每一步 Thought、工具返回、路由记录，调试 LangGraph 流程必备。

三、工程进阶（复杂 Agent、生产部署）

1. 环境变量 os.environ /python-dotenv 存储 API Key，不要明文写密钥：

1. from dotenv import load_dotenvload_dotenv()import osapi_key = os.getenv("OPENAI_API_KEY")

2. 简易数据库（sqlite3） 存储对话历史、检查点缓存，搭配 LangGraph Checkpointer 持久化流程。

3. 命令行参数 argparse 启动 Agent 脚本自定义参数。

四、不用深入学的内容（新手不用浪费时间）

1. 爬虫高级、GUI 界面、并发多进程、深度学习底层（torch 不用细学，调用封装好的库即可）

2. 算法、数据结构难题（Agent 开发极少用到）

最简入门实战案例（学完基础就能跑）

# 类型注解 + 函数 + 字典 + pip安装langgraphfrom typing import TypedDict, Listfrom langgraph.graph import StateGraph, START, END# 1.类型注解定义状态（TypedDict）class State(TypedDict):    messages: List[str]# 2.节点函数（def+return更新state）def think(state: State):    res = "我需要搜索信息"    return {"messages": state["messages"] + [res]}# 3.初始化图、流转逻辑graph = StateGraph(State)graph.add_node("llm_think", think)graph.set_entry_point("llm_think")graph.add_edge("llm_think", END)app = graph.compile()# 4.调用执行result = app.invoke({"messages": ["2026 AI发展趋势"]})print(result["messages"])

学习路线（适配你的 AI-Agent 目标）

1. 第一阶段（1~3 天）：基础语法 + 字典 / 列表 + 函数 + pip + json

2. 第二阶段（3~5 天）：类型注解 TypedDict / Pydantic + 装饰器 @tool + 虚拟环境

3. 第三阶段：学会 requests、dotenv，直接上手写简单 ReAct 工具 Agent

4. 第四阶段：深入 LangGraph 节点、状态、条件边，搭建循环多工具智能体