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

选择AI大模型就是选择未来！最近两年，大家都可以看到AI的发展有多快，我国超10亿参数的大模型，在短短一年之内，已经超过了100个，现在还在不断的发掘中，时代在瞬息万变，我们又为何不给自己多一个选择，多一个出路，多一个可能呢？

与其在传统行业里停滞不前，不如尝试一下新兴行业，而AI大模型恰恰是这两年的大风口，整体AI领域2025年预计缺口1000万人，人才需求急为紧迫！

由于文章篇幅有限，在这里我就不一一向大家展示了，学习AI大模型是一项系统工程，需要时间和持续的努力。但随着技术的发展和在线资源的丰富，零基础的小白也有很好的机会逐步学习和掌握。

【2025最新】AI大模型全套学习籽料（可白嫖）：LLM面试题+AI大模型学习路线+大模型PDF书籍+640套AI大模型报告等等，从入门到进阶再到精通，超全面存下吧！

获取方式：有需要的小伙伴，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】
包括：AI大模型学习路线、LLM面试宝典、0基础教学视频、大模型PDF书籍/笔记、大模型实战案例合集、AI产品经理合集等等

大模型学习之路，道阻且长，但只要你坚持下去，一定会有收获。本学习路线图为你提供了学习大模型的全面指南，从入门到进阶，涵盖理论到应用。
L1阶段：启航篇|大语言模型的基础认知与核心原理

L2阶段：攻坚篇|高频场景:RAG认知与项目实践

L3阶段：跃迀篇|Agent智能体架构设计

L4阶段：精进篇|模型微调与私有化部署

L5阶段：专题篇|特训集：A2A与MCP综合应用 追踪行业热点（全新升级板块）

AI大模型全套学习资料【获取方式】