暗无天日
·
读：LLM Agent 入门——经典 Agent 分类与 LangChain/LangGraph 实践
内容提要
本文介绍了LLM Agent的分类与实现，涵盖五种Agent类型及其核心机制。通过LangChain和LangGraph框架，展示了从简单反射Agent到基于目标和效用的Agent的复杂化过程。强调了Agent设计中的感知、决策和行动循环，以及根据问题复杂度选择合适工具和框架的原则。最后总结了Agent分类的连续性和框架与复杂度的匹配。
关键要点
-
LLM Agent 的定义是通过传感器感知环境、通过执行器作用于环境的任何东西，强调感知、决策和行动的循环。
-
根据智能水平，LLM Agent 被分为五类：简单反射 Agent、基于模型的反射 Agent、基于目标的 Agent、基于效用的 Agent 和学习 Agent。
-
简单反射 Agent 只关注当前输入，基于条件-行动规则响应；基于模型的反射 Agent 增加了内部状态，能够追踪环境变化。
-
基于目标的 Agent 能够反向规划达成目标的步骤，而基于效用的 Agent 则在目标基础上加入优化指标。
-
LLM Agent 通常包含四个组件：核心大脑（LLM）、规划模块、记忆和工具，缺一不可。
-
LangChain 和 LangGraph 是两种 LLM 应用框架，前者适合线性流程，后者适合复杂流程，选择应根据问题复杂度匹配。
-
通过 Chef Agent 的示例，展示了从简单反射 Agent 到基于目标和效用的 Agent 的实现过程，逐步增加复杂性。
-
Planner-Verifier 循环是约束满足问题的通用模式，适用于任何需要满足约束条件的场合。
延伸解读
LLM Agent 的分类与应用场景
LLM Agent 根据智能水平分为五类，从简单反射 Agent 到学习 Agent，各自适用于不同的场景。简单反射 Agent 适合单轮问答，而基于目标的 Agent 则能处理更复杂的任务，如自动规划和优化。了解这些分类有助于选择合适的 Agent 类型来满足特定需求。
LangChain 与 LangGraph 的选择
LangChain 和 LangGraph 是两种不同的 LLM 应用框架，前者适合线性流程，后者适合复杂流程。选择合适的框架应根据问题的复杂度来决定，简单任务使用 LangChain 即可，而复杂任务则需利用 LangGraph 的图形结构来处理循环和条件分支。
Planner-Verifier 循环的重要性
Planner-Verifier 循环是处理约束满足问题的有效模式。通过将规划与验证分开，可以确保生成的方案符合特定约束条件，如预算或卡路里限制。这种设计不仅提高了系统的灵活性，也增强了其可靠性，适用于多种需要满足约束的场景。
延伸问答
LLM Agent 的定义是什么？
LLM Agent 是通过传感器感知环境、通过执行器作用于环境的任何东西，强调感知、决策和行动的循环。
LLM Agent 有哪些类型？
LLM Agent 根据智能水平分为五类：简单反射 Agent、基于模型的反射 Agent、基于目标的 Agent、基于效用的 Agent 和学习 Agent。
LangChain 和 LangGraph 有什么区别？
LangChain 适合线性流程，主打链的概念；而 LangGraph 适合复杂流程，主打图的概念，支持循环和条件分支。
如何选择合适的 Agent 框架？
选择框架应根据问题复杂度匹配，简单场景用 LangChain，复杂场景用 LangGraph。
什么是 Planner-Verifier 循环？
Planner-Verifier 循环是约束满足问题的通用模式，适用于需要满足约束条件的场合。
LLM Agent 的四个组件是什么？
LLM Agent 通常包含核心大脑（LLM）、规划模块、记忆和工具四个组件。
