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。

Agentic RAG通过引入决策循环，解决了标准RAG在处理复杂查询时的不足。它在生成答案前评估检索结果的质量，进行查询优化和多源检索，从而提高准确性，但可能导致延迟和成本增加，需谨慎选择使用。