一、前言
2025年3月份初次接触大模型，当时部门基于dify进行了二次开发，打通了dify跟公司内部使用的用户权限体系，领导要推广智能体开发，我便去了客户现场进行智能体的开发。
二、初次开发智能体
当时大模型是基于 DeepSeek-R1-32B 的推理模型，限于当时的模型的智能化程度，智能体开发的过程很痛苦，简单的问题分类器大模型总是出些幺蛾子，探索一段时间后智能体便不“智能”了，开始在流程编排中使用代码进行各种处理，直接回复中使用占位符进行变量替换，当时大家也都在探索阶段，所以最终实现效果也能接受。
三、探索加深
后续经过一系列的关于大模型的工作，出于对大模型的好奇，看了很多关于大模型相关的书籍，如《图解大模型：生成式AI原理与实战》、《从零构建大模型》、《大模型基础》等，对大模型有个了比较清晰的认识，知道了大模型的 transformer 架构、大模型预训练、大模型微调是怎么回事。还学习了 LangChain 和 LangGraph 智能体开发的框架。再回过头来看原来基于 dify 开发的智能体，有了不一样的想法，智能体开发不应该被 dify 类似的工具所限制。
四、再看 Dify
后来越学越觉得，当初在 Dify 里搞的那些“智能体”，其实挺别扭的。表面上看是搭了个流程，点点鼠标就能跑，但实际上，大模型根本没怎么“动脑子”，问题分类靠硬规则，变量替换靠占位符，复杂逻辑全塞进 Python 代码块里，最后大模型只是个“嘴替”，负责把结果念出来。
说白了，我们不是在开发智能体，而是在用大模型包装旧系统。
五、动手写代码，反而更“智能”
接触 LangChain 和 LangGraph 之后，我才真正体会到什么叫“让模型主导流程”。不再被界面框住，而是用代码定义状态、节点和跳转逻辑。虽然写起来比拖拽费劲点，但自由度更高了。
举个例子，现在我可以写一个节点，让大模型先分析用户意图，再自己决定是查知识库、调内部 API，还是继续追问。每一步的输出都能作为下一轮推理的输入，整个过程像人一样“边想边做”，而不是“按剧本演”。
而且，一旦把控制权交还给模型，你会发现它其实能干更多事，前提是，你得给它设计好工具、约束好边界、留好退路。这比在 Dify 里反复调试“提示词+条件分支”要靠谱得多。
六、还在路上
现在随着大模型的智能化程度越来越高，客户的要求也越来越高，道阻且长。
水平有限，写得不够好，大家看着不爽也别喷，权当交流~
