Q：老师 langchain-agent 和Qwen-agent，各有什么特性？
LangChain 自带了很多 Agent，比如SQL Agent
也比较适合工作流的编排
Qwen-Agent 更偏向于Agent开发，自主调用 RAG，工具的能力，代码比较简洁

Q：老师，mcp的sse和npx的区别是什么，还有哪些协议？
sse 通过网页进行访问，事件驱动
websocket, stdio, python

Q：在场景下如何选择到底是用Langchain还是用agent的呢
工作流是否是固定的形式？是否有固定的顺序 => Workflow
如果没有固定的顺序，需要Agent自主来进行决定 => Agent

Q：实际工作中会用比较快实现的低代码比如dify，然后再做成高代码吗，这种方式主流吗
Dify 低代码
高代码 Qwen-Agent

在企业中，用哪个的比较多呢？
相对比较多的： Coze，Dify （低代码，门槛低）
LangChain/LangGraph (外企相对用的多一些）
Qwen-Agent
Coze-Studio
https://adp.cloud.tencent.com/adp/#/experience-center/home?origin=all&spaceId=default_space

https://github.com/coze-dev/coze-studio
https://github.com/QwenLM/Qwen-Agent

千问AGENT在哪里下？
pip install qwen-agent

Agent A =》 Agent B =》 Agent C

Agent智能体系统的设计与应用

AI Agent对比
• 智能体架构设计
反应式 (Reactive)
深思熟虑 (Deliberative)
混合式 (Hybrid)
• CASE:私募基金运作指引问答助手(反应式)
• CASE:智能投研助手(深思熟虑)
• CASE:投顾AI助手(混合式)

在实现智能体时，有三个核心原则:

1. 保持智能体设计的简洁性:避免不必要的复杂性，专注于核心功能。
2. 优先考虑透明性:明确展示智能体的规划步骤，让用户清楚了解其决策过程。
3. 打造Function/MCP:打造工具，以及说明文档和测试，确保Agent与外部环境的交互。

如何让你的AI Agent保持简洁性？
1）LLM system prompt
2) Function Call
避免一开始就把Agent设计得过于复杂，而是逐步迭代，逐步完善。

角色转换：
站在工作者的角度，大家已经对我们的工作很了解
站在大模型的角度，核心还是 prompt 提示词

私募基金的合格投资者标准是什么？

RAG VS Tool调用
RAG 是固定的流程，query => query embedding => 在向量数据库中进行相似度的检索 => query +context (RAG chunks) 回答用户的问题

Tool调用 在工具里面，进行了某类知识的检索 => 返回给大模型

Q：如何提升回答的准确率呢？调整提示词吗？如果提示词调了没有用是不是还要调整知识库啊，工作流啊，甚至微调这些的。
1）调整提示词
2）RAG 调整embedding方法，调整召回的策略，重排的策略，chunk切分的方法
3）知识库，整理知识的summary
4) Tool，打造适合的工具，返回对应结果

Disney 智能客服，
帮我规划一日游路线
1）交通
2）天气
3）内部信息的整理 Tool

Q:反应式架构的tools是已经固定的吗？如果tools的范围固定 ，那和不用agent有什么区别
Tools的范围是固定的，但是它是 AGENT模式
Worflow = ToolA => ToolB => ToolC

Q：高代码对比低代码的优势是什么
低代码：可视化比较直观，对于业务同事比较友好
高代码：不是很直观，但是可以通过agent.get_graph().draw_mermaid() 生成工作流的流程图

能用cursor把langgraph转化成qwen-agent：
@deliberative_research_langgraph.py 这个是基于langgraph实现的，帮我使用qwen-agent进行实现，参考 @assistant_ticket_bot-3.py，编写到 新的 .py

工作流 VS Agent
工作流：固定的流程 collect => analyze => report
Agent：先制定整体的流程（相当于 流程的设计）

Q：深思熟虑式，混合式，如何减少幻觉
LLM直接给答案 （容易有幻觉）
LLM + Tool/RAG 给答案 （可以降低幻觉）

    # 构建Agent提示模板
    class SimplePromptTemplate(StringPromptTemplate):
        def format(self, **kwargs):
            return f"用户问题: {kwargs['input']}\n 请根据需要调用工具，直接给出答案。"

这里需要在提示词说明使用 tool_names 中的工具

还是没有调用工具，可以参考 @fund_qa_langgraph.py

Q:这种不确定性怎么解决
尽量用工具来实现，增加确定性
在工具中增加一些调试，观察 Agent都调用了哪些工具

Q：感觉“智能投研助手（深思熟虑）”这跟固定工作流没啥区别呀？还是固定的流程节点？
工作流的模式：固定节点
先规划都有哪些步骤，然后再按照步骤来执行

除了StateGraph外，LangGraph中还有其它可替代Graph组件吗？用于简化代码量

用不同平台搭建的agent，应用程序调用起来的方法是否一样的？
Agent框架只是运行的载体（提供了很多封装的组件）
搭建Agent，主要是
1）是用 工作流 还是 智能体
2）如果是工作流，节点的流程是怎样的
3）如果是智能体，都有哪些工具 可以调用

问题是，LLM自作聪明，给了工具也不用。
如果想要增加稳定性
1）放到节点中，进行执行
2）如果是LLM来决定是否调用工具，主要通过prompt来影响
可以在prompt里说明都有哪些tool_names，以及遇到什么情况，可以使用什么工具

Q：想看下测试用例，如何定义大模型回答是否符合要求，标准是什么？
测试用例.xlsx
问题、标准答案、评测点

可以让LLM进行评估

system_prompt = f"""你是一个专业的QA测试评估专家。
请比较机器人的实际回答与标准答案，判断回答是否方向性一致。

{eval_criteria}

请严格按照以下JSON格式返回评估结果：
{{
“eval”: 1,
“comment”: “方向性没明显冲突，虽然细节说明不同”
}}

其中eval值：1表示正确，0表示错误
comment：如果eval=0，需要说明为什么方向性不一致，提供明确不同的地方，不需要给建议"“”

    user_prompt = f"""

问题：{question}

标准答案：

{standard_answer}

机器人实际回答：

{bot_answer}

请评估机器人回答是否方向性一致，并给出说明。“”"

Q：用Python 自研模式，会不会比用LangGraph或者Qwen Agent要复杂的多，还是也差不了多少
建议还是要用Agent开放框架，比如 Qwen-Agent （灵活）

深思熟虑改成用 Qwen-Agent 后没有 LangGraph 提供的结果丰富，可以在提示词中说明比如每个部分不少于300字或需要列出二级标题等。

excel能用大模型写用例吗？
1）整理测试用例的问题
把你的项目文件，上下文的文件 给到大模型（比如 Kimi）
让它给你不同的测试用例的问题
2）调用 kimi api，针对这些问题，撰写答案
将问题、答案 写入到 .xlsx
3）人工检查

Agent = prompt + tool (工作流）