对agent一些概念的理解

LovroMance
9 阅读7分钟

前言

鄙人只是一个臭臭的想要走前端开发路线的大三在校生，看到agent最近的爆火因而想要进行一些文章的写、经验的总结。

  最近看了一些关于ai agent的文档文章，学习总结了一些概念，特此分享。说实话这是我第一次写文章，我也不知道文章内容对大家帮助有多少，观感如何。所以，在此感谢各位的观看，也欢迎大家提出建议，鄙人会虚心聆听，只为更好的自己！

一些思考

Q：为什么在使用LLM回答时提示词那么重要，为什么总是提到了准确的提示词往往对应准确的回答？

A：在Function calling层面上来讲，例如我定义了一个tool工具：

@tool
def search_weather(city: str) -> str:
    """查询天气"""  # <--- 重点在这里！
    return ...

那么在触发的时候往往需要根据这个查询天气来触发工具，而什么提示词会触发所谓的查询天气，这里基于LLM的数据学习，这是各个厂家在训练自身模型时所做的事情（模型预训练），我们不需要管。

因此如果我向他提问 "北京的天气如何？" 他会因为关键字等精准的触发这个tool，而我向它询问 "我在北京中午可以吃点啥" 时它就无法定位，导致回答混乱。

Q：LangGraph是什么？

A：在LangChain中，主要用LCEL也就是|来做链式处理：

from langchain.prompts import PromptTemplate
from langchain_openai import ChatOpenAI

prompt = PromptTemplate.from_template(    "Describe a perfect day in {city}.")
model = ChatOpenAI(model="gpt-4o-mini")
chain = prompt | model
chain.invoke({"city": "Paris"})

但是这样有一个弊端，也就是AI无法处理复杂情况，链式只适合单一工作流。为了解决这个问题引入了LangGraph概念。

LangGraph核心在于：

  • 图结构，它把工作流看作一张图，由节点（具体的动作，如：调用大模型、执行搜索工具）和边（流程，失败如何、成功如何）组成。
  • 状态管理，整个工作流会共享一个状态，节点执行完毕后会更新状态，然后再根据新状态决定下一步工作。
  • 支持ReAct（思考-行动-观察）循环。
  • 持久化
Q：MiddleWare是什么？

A：这里的MiddleWare为中间件，主要是在Agent生命周期的特定时刻，也就是各个Hook钩子触发的时候做出一些控制。

  • before_model：在模型说话之前。

    • 用途：检查提示词里有没有敏感词（PII 脱敏），或者把太长的历史记录压缩成摘要（上下文工程）。

  • after_model：在模型说话之后。

    • 用途：检查模型输出的内容是否合规，或者记录日志。

  • wrap_tool_call：在工具调用周围。

    • 用途：在执行危险操作（如发邮件、转账）前暂停，请求人工介入 (Human-in-the-loop) 审批。
    • 当你使用 LangChain 1.0 的高级 API create_agent 时，你其实是在使用一个基于 LangGraph 构建的、预装了 Middleware 支持的 Agent。
    • # 这是一个基于 LangGraph 构建的 Agent
  agent = create_agent(
      model="gpt-4o",
      tools=[search],
      # 在这里插入 Middleware，控制 Agent 的行为
      middleware=[
          SummarizationMiddleware(), # 自动压缩历史
          HumanInTheLoopMiddleware() # 关键操作需人工确认
      ]
  )

如果你想构建复杂的、能循环思考的 AI 工作流，你需要 LangGraph；如果你想让这个工作流更安全、更节省 Token、更可控，你需要 Middleware。

举个栗子：记录模型调用日志

from langchain.agents.middleware import before_model
from langchain.agents.middleware import AgentState
from langgraph.runtime import Runtime

@before_model
def log_before_model(state: AgentState, runtime: Runtime) -> dict | None:
    print(f"即将调用模型,当前消息数: {len(state['messages'])}")
    return None  # 返回None表示继续正常流程

agent = create_agent(
    model="openai:gpt-4o",
    tools=[...],
    middleware=[log_before_model],
)

AI Agent 学习路线图

学习 AI Agent 是一个循序渐进的系统工程。你可以按照以下四个阶段，一步一个脚印地前进。

1️⃣ 第一阶段：核心基础与第一个Agent（约1-2周）

学习目标：理解大模型基本原理，搭建开发环境，并创建第一个能调用工具的简单Agent。

  • 内容：

    • 基础理论：了解 LLM、Token、嵌入（Embedding）等概念，并理解 Agent 的核心工作模式——ReAct（Reasoning + Acting） 模式，即“思考-行动-观察”的循环。
    • LangChain入门：这是目前最主流的开发框架。建议直接学习其官方 Quickstart 教程，了解其核心组件：模型（Models）、提示模板（Prompts）、输出解析器（Output Parsers）和 LCEL（LangChain 表达式语言）。
    • 实践：创建一个简单的 Agent，并给它配备一个工具（比如一个查询天气的函数）。

  • 推荐资料：

    • 官方文档：

    • 视频教程：

      • 尚硅谷LangChain教程（B站）：内容从入门到实战，涵盖智能对话助手、知识库问答等，非常适合快速上手。

    • 系统学习：

      • 可以阅读清华大学出版社的《LangChain：大模型应用开发指南》，书中循序渐进地介绍了LangChain的核心概念和使用方法。
2️⃣ 第二阶段：RAG与记忆（约2-3周）

学习目标：让Agent具备“查阅资料”和“记住对话”的能力，使其更智能、更实用。

  • 内容：

    • RAG技术：即检索增强生成。学习如何通过 向量数据库（如 Milvus, Pinecone）从外部知识库中检索相关信息，让 Agent 的回答更准确、更有时效性。
    • 对话记忆：学习如何为 Agent 添加短期或长期记忆，使其能够理解对话上下文，实现更自然的交互。

  • 推荐资料：

    • 实战教程：

      • 百度开发者中心的《LangChain实战：从零搭建智能文档问答系统全指南》，手把手教你实现一个RAG应用。
      • 腾讯云的《大模型开发实战：（二）使用 LangChain 构建本地知识库应用》。

    • 视频教程：

      • freeCodeCamp 关于 n8n 的教程，其中包含使用 Pinecone 构建 RAG 客服 Agent 的实战项目。
3️⃣ 第三阶段：掌握复杂流程与状态（约3-4周）

学习目标：掌握 LangGraph，用于构建更复杂、可控的多步骤和多Agent协作系统。

  • 内容：

    • LangGraph核心：学习其核心概念——节点（Nodes）、边（Edges） 和状态（State）。理解它如何通过图结构优化AI Agent构建流程。
    • 设计模式：深入理解 ReAct、Plan-and-Execute（计划-执行）等经典 Agent 架构模式。
    • 实践：使用 LangGraph 实现一个需要多轮思考、工具调用的复杂 Agent。

  • 推荐资料：

    • 官方与社区教程：

      • Notion 上的《LangGraph终极入门指南》：这是一份非常全面且广受好评的教程，涵盖了从核心概念到多智能体协作的所有内容。
      • 《LangGraph：LangChain进阶指南——构建更智能的AI Agent助手》：深入探讨了LangGraph的核心优势与流程。

    • 视频课程：

      • 《Modern AI Agents》（InformIT）：这是一个付费视频课程，全面介绍如何设计和构建单Agent与多Agent系统。
4️⃣ 第四阶段：迈向生产（约2周）

学习目标：学习如何监控、评估和部署你的Agent，并接触高级的 Deep Agents 实现。

  • 内容：

    • LangSmith：学习使用 LangSmith 这一平台，对 Agent 的调用过程进行 调试、追踪和评估，这对于构建生产级应用至关重要。
    • Deep Agents：了解 LangChain 官方基于 LangGraph 构建的“开箱即用”高级 Agent 实现。它内置了任务规划、文件系统和子Agent生成等强大能力。
    • 实践：将一个调试好的 Agent 部署到云端，并提供服务。

  • 推荐资料：

    • 官方文档：

      • LangSmith 中文文档的 《LangSmith 入门》 章节。
      • LangChain 官方文档的 Deep Agents 概述 页面。

    • 深度解读：

      • 阿里云开发者社区的《LangSmith大模型应用开发从调试到监控的全链路实践指南》。
      • DataCamp 的《LangChain's Deep Agents: A Guide With Demo Project》教程，通过一个求职助手项目进行讲解。

结语

那么分享到此。写文章的其实很大一部分是想让让自己能够对概念有自己的理解。以上就是我在学习 AI Agent 过程中的一些浅见，难免存在理解不到位甚至错误的地方。毕竟我也只是一个还在摸爬滚打的大三学生，代码还没写秃头，头发还很茂密（笑）。

写这篇文章既是分享，更是为了倒逼自己输入。如果文中有任何不准确或过时的观点，恳请各位大佬不吝赐教，在评论区或通过其他方式指出。你的每一次指正，都是我进步的阶梯。让我们一起在 AI 的浪潮中，保持好奇，共同成长！

avatar
文章
阅读
粉丝