动手学agent应用开发笔记_task01

本文来自于datawhale动手学Agent应用开发学习笔记，大部分内容为课上PPT。感谢datawhale和鲁力老师的讲解

一、什么是agent，agent的定义

什么是agent，这个现在没有一个统一规范的定义。以下给了一些比较权威的公司或者大佬对agent的定义。

OpenAI的AGI五级分类：

Level1:ConversationalAI，仅限于语言对话，能力有限Level2:Reasoners，在专业领域能够独立推理，不需外部工具
Level3:Agents，能长时间自主行动执行任务
Level4:Innovators，产生新思路，推动科技突破
Level5:Organizers，能管理协调整个组织

前OpenAI研究副总裁，经典定义：

LangChain作者Horrison的定义：

Agent是一个使用LLM决定应用程序控制流的系统
“Thisfitsmytechnicaldefinition,butnotthecommonperceptionof whatanagentshouldbecapableof.It’shardtodefineexactly whatanagentis!”（这符合我的技术定义，却不符合大众对Agent能力的普遍认知。准确定义Agent确实困难！）

吴恩达定义agentic

与其讨论agent，不如讨论agentic：渐进的智能属性
吴恩达&Horrison：不必拘泥于“是否属于Agent”，而应关注其具备“agentic”的程度。
形容词“agentic”更能包容这个蓬勃发展的领域中各种形态的系统，更包容地接纳所有希望参与agent研究的人们。

二、Agentic System的架构划分

从架构上看，agentic system可以分为两大类系统：
1.工作流（Workflow）：通过预定义代码路径编排LLM和工具
2.自主智能体（Autonomous Agent）:LLM动态控制决策和工具使用，自主规划任务
这两者特点的对比：
（1）工作流侧重流程固定和可预测性
（2）自主智能体侧重灵活性与自我决策

适用场景

首先，有些场景（比如DeepSeekApp中的聊天对话）可能完全不需要agenticsystem 当确实需要复杂方案时，才会考虑工作流或者自主智能体：
1.工作流适用于任务明确、步骤可预定义的场景
2.自主智能体适用于任务步骤难以预知、需长期自主规划的场景
对很多场景，通过RAG（检索增强生成）和prompt优化可能已足够。
增加系统复杂度往往伴随延迟和成本，需权衡利弊！

三、Agentic System组成模块

3.1基础构建模块：增强型LLM

智能体系统的基础是具备检索、工具使用和记忆能力的增强型LLM
1.复杂应用使用的模型能力都是基于API，建议一定要搞清楚大模型接口逻辑
2.开发时建议优先直接使用API，只在必要时借助高级框架

3.2工作流（Workflow）的常见模式：提示链Prompt Chaining

1.按顺序拆分任务，每一步由LLM生成内容
2.可以在任意中间步骤添加程序检查（见下图中的“gate”）以确保整个过程依然按计划执行场景示例：
3.先生成市场营销文案，再将其翻译成另一种语言。
4.编写文档提纲、检验提纲是否符合某些标准，然后再根据提纲写出完整文档。

3.3工作流（Workflow）的常见模式：路由Routing

1.根据输入分类，分配给专门的后续任务
场景示例：
2.不同类型的客户服务请求（常见问题、退款请求、技术支持）进入不同的后续流程、提示词及工具。
3.将简单/常见问题路由给较小的模型，将困难/罕见问题路由给更强大的模型，以优化成本与速度。

3.4工作流（Workflow）的常见模式：并行parallelization

同时执行多个任务，然后将它们的输出聚合在一起,有两个主要变体：
1.分段（Sectioning）：将任务划分为可以并行运行的独立子任务。
2.投票（Voting）：对同一任务进行多次执行，从而获得多样化的输出，以进行对比或投票。
场景示例
1.（分段）并行内容审核与主任务处理：一个模型实例负责处理用户查询，另一个模型实例同时对查询进行不恰当内容或非法请求筛查。
2.（投票）评估某段内容是否不当：多个提示从不同角度评估，或设定不同的投票阈值以平衡误报与漏报

3.5工作流（Workflow）的常见模式：协调者-工作者Orchestrator-Workers

1.协调者拆解任务
2.工作者专注子任务
拆解的子任务是不可预知的。与并行不一样
场景示例：
1.多文件代码修改：每次都需要对多个文件进行复杂改动的编程产品。(示例vibe coding)
2.多源信息搜索分析：在多源信息中搜索并分析可能相关的信息来完成搜索任务。

3.6工作流（Workflow）的常见模式：评估-优化循环Evaluator-Optimizer

1.一个LLM生成输出
2.另一个LLM进行反馈和优化
3.反复循环
场景示例：
1.文学翻译润色：一些细微的语言差异可能在初稿中并未充分体现，而评估者LLM可以指出这些不足并给出改进意见。
2.复杂搜索任务的多轮优化：需要多轮搜索和分析以收集全面信息，由评估者判断是否需要进一步搜索。

3.7自主智能体（AutonomousAgent）

1.执行过程中获取环境真实反馈（例如工具调用的结果或代码执行情况）2.支持人工检查点干预（可在检查点或遇到阻碍时暂停，等待人类反馈）
3.设置终止条件（任务通常在完成时终止，但也常常设置停止条件（如最大迭代次数）以保证不会无休止运行）
适用场景：适用于开放性问题，即当任务步骤数量难以预知或无法预先固定时。

在基于LLM的自主智能体系统中，LLM充当智能体的大脑，需结合以下关键组件：
1.规划模块
（1）子目标拆解：将复杂任务分解为可管理的子目标
（2）反思优化：通过自我评估改进执行策略
2.记忆系统
（1）短期记忆(上下文)
（2）长期记忆（外部存储）
3工具使用：获取预训练模型外的实时信息与功能扩展

四、国内外有哪些Agent平台、框架、产品

全代码框架
1.LangChain& LangGraph（开源）
2.Llamaindex
低代码
毕昇
Dify
Coze
FastGPT

低代码workflow产品设计的思考
1.独立、完备的流程编排框架
（1）不简单是一个被bot调用的工具
（2）不需要划分出chatflow和workflow
2.Humanintheloop特性：中间过程支持灵活的输入/输出和多样
化的人机交互
（1）复杂业务场景需要人类与AI进行协作：人类也能参与执行过
程的判断和决策
3.节点之间是否支持成环？
（1）核心在于workflow执行引擎抽象出来后，到底是一个DAG（有向无环图）还是状态机？
（2）根据形式语言与自动机理论：支持成环能够更多范围的场景