智能体架构

许多大型语言模型（LLM）应用在调用 LLM 之前或之后，都会遵循特定的控制流程。例如，检索增强生成（RAG）会检索与用户问题相关的文档，并将这些文档传递给 LLM，以便模型根据提供的文档上下文生成响应。

然而，有时我们不仅仅是硬编码一个固定的控制流程，而是希望 LLM 系统能够自主选择控制流程，以解决更复杂的问题。这便是“智能体”的定义之一：智能体是利用 LLM 来决定应用程序控制流程的系统。 LLM 可以通过多种方式控制应用程序的流程：

• LLM 可以在两条潜在路径之间进行路由。
• LLM 可以决定调用哪些工具。
• LLM可以判断生成的答案是否足够，或者是否需要进一步工作。

因此，有许多不同类型的智能体架构，它们赋予 LLM 不同程度的控制能力。

智能体类型

路由器（Router）

路由器允许 LLM 从一组给定的选项中选择单个步骤。这种智能体架构的控制级别相对有限，因为LLM 通常专注于做出一个单一决策，并从有限的预定义选项中选择一个特定输出。路由器通常采用以下几种概念来实现这一功能：

结构化输出（Structured Output）

通过为 LLM 提供特定的格式或模式，要求其在响应中遵循，从而实现结构化输出。这类似于工具调用，但更具通用性。工具调用通常涉及选择和使用预定义函数，而结构化输出可用于任何类型的格式化响应。实现结构化输出的常见方法包括：

1. 提示工程（Prompt Engineering）： 通过系统提示（system prompt）指令 LLM 以特定格式响应。
2. 输出解析器（Output Parsers）： 使用后处理技术从 LLM 响应中提取结构化数据。
3. 工具调用（Tool Calling）： 利用某些 LLM 内置的工具调用能力来生成结构化输出。

结构化输出对于路由至关重要，因为它们确保 LLM 的决策可以被系统可靠地解释和执行。

工具调用智能体（Tool-calling Agent）

路由器允许 LLM 做出单一决策，而更复杂的智能体架构则通过两种关键方式扩展了 LLM 的控制能力：

1. 多步骤决策（Multi-step decision making）： LLM 可以连续做出系列决策，而不仅仅是一个。
2. 工具访问（Tool access）： LLM 可以选择并使用各种工具来完成任务。

ReAct 是一种流行的通用智能体架构，它结合了这些扩展，并整合了三个核心概念：

1. 工具调用（Tool calling）： 允许 LLM 根据需要选择和使用各种工具。
2. 记忆（Memory）： 使智能体能够保留并利用前一步骤的信息。
3. **规划（Planning）：**赋予 LLM 制定并遵循多步骤计划以实现目标的能力。

这种架构允许更复杂和灵活的智能体行为，超越了简单的路由，实现了多步骤的动态问题解决。与最初的 ReAct 论文不同，如今的智能体依赖于 LLM 的工具调用能力，并基于一系列消息进行操作。

在 LangGraph 中，你可以使用预构建的智能体来快速启动工具调用智能体。

工具调用（Tool Calling）

当您希望智能体与外部系统（例如 API）交互时，工具非常有用。外部系统通常需要特定的输入模式或载荷，而非自然语言。当我们将 API 绑定为工具时，模型就能了解所需的输入模式。模型会根据用户的自然语言输入选择调用工具，并返回符合工具所需模式的输出。

许多 LLM 提供商都支持工具调用。在 LangChain 中，工具调用接口很简单：您可以直接将任何 Python 函数 传递给 ChatModel.bind_tools(function)。

工具

记忆（Memory）

记忆对于智能体至关重要，它使智能体能够在解决问题的多个步骤中保留和利用信息。记忆的作用范围不同：

1. 短期记忆（Short-term memory）： 允许智能体访问在序列早期步骤中获取的信息。
2. 长期记忆（Long-term memory）： 使智能体能够回忆起之前交互的信息，例如对话中的历史消息。

LangGraph 提供了对记忆实现方式的完全控制：

• State： 用户定义的模式，指定要保留的记忆的确切结构。
• Checkpointer： 一种机制，用于在会话中每一步存储状态，跨越不同的交互。
• Store： 一种机制，用于在不同会话中存储用户特定或应用程序级别的数据。

这种灵活的方法允许您根据特定的智能体架构需求定制记忆系统。有效的记忆管理增强了智能体保持上下文、从过去经验中学习以及随着时间做出更明智决策的能力。

规划（Planning）

在工具调用智能体中，LLM 会在一个循环中被反复调用。在每一步，智能体都会决定要调用哪些工具以及这些工具的输入应该是什么。然后执行这些工具，并将输出作为观察结果反馈给 LLM。当智能体判断它有足够的信息来解决用户请求，并且无需再调用任何工具时，循环终止。

自定义智能体架构

虽然路由器和工具调用智能体（如 ReAct）很常见，但定制智能体架构通常能针对特定任务带来更好的性能。LangGraph提供了几个强大的功能来构建定制的智能体系统：

人机协作（Human-in-the-loop）

人的参与可以显著提高智能体的可靠性，尤其是在处理敏感任务时。这可能包括：* 批准特定操作。

• 提供反馈以更新智能体的状态。
• 在复杂的决策过程中提供指导。

当完全自动化不可行或不可取时，人机协作模式至关重要。

###并行化（Parallelization）

并行处理对于高效的多智能体系统和复杂任务至关重要。LangGraph 通过其 Send API 支持并行化，从而实现：

• 多个状态的并发处理。 *Map-Reduce 类似操作的实现。
• 高效处理独立的子任务。

子图（Subgraphs）

子图对于管理复杂的智能体架构至关重要，特别是在多智能体系统中。它们允许：* 为单个智能体进行独立的状体管理。

• 智能体团队的层次化组织。
• 智能体与主系统之间受控的通信。

子图通过状态模式中重叠的键与父图进行通信。这使得灵活的模块化智能体设计成为可能。

反思（Reflection）

反思机制可以通过以下方式显著提高智能体的可靠性：

1. 评估任务完成度和正确性。2. 提供反馈以进行迭代改进。
2. 实现自我纠正和学习。

虽然反思通常基于 LLM，但也可以使用确定性方法。例如，在编程任务中，编译错误可以作为反馈。

通过利用这些功能，LangGraph 能够创建复杂的、针对特定任务的智能体架构，这些架构能够处理复杂的工作流程、有效地协作并持续提升

最后

为什么要学AI大模型

当下，⼈⼯智能市场迎来了爆发期，并逐渐进⼊以⼈⼯通⽤智能（AGI）为主导的新时代。企业纷纷官宣“ AI+ ”战略，为新兴技术⼈才创造丰富的就业机会，⼈才缺⼝将达 400 万！

DeepSeek问世以来，生成式AI和大模型技术爆发式增长，让很多岗位重新成了炙手可热的新星，岗位薪资远超很多后端岗位，在程序员中稳居前列。

与此同时AI与各行各业深度融合，飞速发展，成为炙手可热的新风口，企业非常需要了解AI、懂AI、会用AI的员工，纷纷开出高薪招聘AI大模型相关岗位。

最近很多程序员朋友都已经学习或者准备学习 AI 大模型，后台也经常会有小伙伴咨询学习路线和学习资料，我特别拜托北京清华大学学士和美国加州理工学院博士学位的鲁为民老师给大家这里给大家准备了一份涵盖了AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频 全系列的学习资料，这些学习资料不仅深入浅出，而且非常实用，让大家系统而高效地掌握AI大模型的各个知识点。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

AI大模型系统学习路线

在面对AI大模型开发领域的复杂与深入，精准学习显得尤为重要。一份系统的技术路线图，不仅能够帮助开发者清晰地了解从入门到精通所需掌握的知识点，还能提供一条高效、有序的学习路径。

但知道是一回事，做又是另一回事，初学者最常遇到的问题主要是理论知识缺乏、资源和工具的限制、模型理解和调试的复杂性，在这基础上，找到高质量的学习资源，不浪费时间、不走弯路，又是重中之重。

AI大模型入门到实战的视频教程+项目包

看视频学习是一种高效、直观、灵活且富有吸引力的学习方式，可以更直观地展示过程，能有效提升学习兴趣和理解力，是现在获取知识的重要途径

光学理论是没用的，要学会跟着一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

海量AI大模型必读的经典书籍（PDF）

阅读AI大模型经典书籍可以帮助读者提高技术水平，开拓视野，掌握核心技术，提高解决问题的能力，同时也可以借鉴他人的经验。对于想要深入学习AI大模型开发的读者来说，阅读经典书籍是非常有必要的。

600+AI大模型报告（实时更新）

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。

AI大模型面试真题+答案解析

我们学习AI大模型必然是想找到高薪的工作，下面这些面试题都是总结当前最新、最热、最高频的面试题，并且每道题都有详细的答案，面试前刷完这套面试题资料，小小offer，不在话下

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】