在构建和应用大型语言模型（LLM）的过程中，智能体（agent）这一概念变得愈发重要。智能体系统不仅限于简单的自动化任务，而是能动态决定应用程序行为的复杂系统。那么，什么是智能体呢？
智能体的技术定义
智能体的定义在不同的人眼中可能有所不同。在LangChain，我们认为智能体是一个使用LLM来决定应用程序控制流的系统。这一定义虽然技术性较强，但能够很好地捕捉智能体的核心功能：决定应用程序的行为路径。
智能体能力的光谱
Andrew Ng提出了一个有趣的观点：与其争论什么样的系统才能算作真正的智能体，不如承认系统的智能体能力是有不同层次的。这就像自动驾驶汽车有不同级别的自主性一样，智能体的能力也可以视作一个光谱。系统越依赖LLM来决定行为，其“agentic”（智能体化）程度就越高。
智能体化的实例
使用LLM来路由输入数据到特定的下游工作流程，体现了一定程度的智能体化。如果在此基础上，系统能够在不同的步骤之间进行决策，比如是否继续或结束某个任务，那么它就更接近于状态机（State Machine）。如果系统还能够构建工具、记住执行步骤并在未来的操作中加以利用，那么它就达到了更高的自主智能体水平，类似于Voyager论文中描述的实现。
智能体化的应用价值
理解你的系统有多“智能体化”，对开发过程中的各个环节都有指导意义，包括构建、运行、互动、评估和监控。系统智能体化程度越高，就越需要复杂的编排框架来支持和管理。这些系统通常需要处理大量背景任务，并且在长时间运行过程中需要非常可靠的执行能力。同时，高智能体化程度的系统在运行时需要更多的互动，包括观察内部状态、修改特定时刻的指令等。
此外，当智能体化程度较高时，还需要建立新的评估和监控框架。这些框架应该能够多次运行评估，测试中间步骤的效率，并深入了解智能体所采取的每一步。
新工具和基础设施的需求
随着智能体应用的复杂性增加，我们需要新的工具和基础设施来支持这些应用。这也是我们开发LangGraph和LangSmith的动力：前者是智能体编排工具，帮助构建、运行和互动智能体；后者是针对LLM应用的测试和可观测性平台。
结论
智能体在LLM应用中的角色正变得越来越重要。通过理解和利用智能体化的光谱，我们可以更好地设计和管理复杂的AI系统，从而提高开发效率和系统的鲁棒性。未来，随着技术的不断进步，智能体的应用和管理也将迎来新的工具和框架，推动这一领域的发展。
