|
**Agent 就是智能体。何为"智"？——君子生非异也，善假于物也。**
- "物"即工具箱：定义一系列工具（函数/API）让大模型调用
- 大模型负责**调度**（理解、规划、选择工具），具体细节由工具实现（确定性执行）
- LLM 单次调用 = 一问一答；Agent = 多次调用 + 状态 + 工具 + 自主决策的循环
```text
感知(输入) → 规划(拆步骤) → 行动(调工具) → 观察(读结果) → 反思/继续 → ... → 输出
```
|
|
Agent 依赖模型的三能力：
1. **问题理解与行动规划**（思维链）：先想清楚分几步
2. **结构化输出**：工具调用参数是合法 JSON
3. **上下文理解**：读懂工具返回并整合
Function Calling 是 Agent 的手；Skill 是 Agent 的作业指导书（见 Skills 页）；工作流是多个 Agent/节点的编排（本页下半）。
|
|
影响 LLM 效果的三要素：
1. **模型能力**：通识理解 / 推理规划执行 / 知识学习 / 文风
2. **相关信息**：任务背景 + 互动上下文
3. **模型输出控制**：这才是工程可着力的部分——
- 单次请求：Prompt 优化、CoT、输出格式控制
- 多次请求：ReAct 反思、任务编排管理（工作流）
|
|
单次请求的局限（为什么需要工作流）：
- 上下文/输出长度限制
- CoT 思考过程不想暴露给用户
- 时序依赖的信息无法一次输入（后一步依赖前一步结果）
工作流的优势：**任务拆分成节点**，单次模型调用就是一个节点；节点间可混入普通代码逻辑（确定性）；可编排、可传数据、可观测。
|
|
**三阶段迭代法**（让差异收敛的通用范式）：
```text
① 原始任务初次执行
② 反思：哪些地方待提高（对照预期找差异）
③ 执行建议（改进后重跑）
↺ 反复"发现问题/差异 → 给建议 → 执行 → 确认效果"直到收敛
```
从 ChatGLM 构建 Agent 集合（Agent Bank）的六步：模型选择加载 → 工具封装 → Prompt 设计 → langchain 组装 Agent → 测试优化 → 部署。
|
|
Agently Workflow 最小示例：
```python
import Agently
wf = Agently.Workflow()
@wf.chunk()
def add1(inputs, storage):
a = inputs["default"]
return a + 1
@wf.chunk()
def add10(inputs, storage):
return inputs["default"] + 10
wf.connect_to("add1").connect_to("add10").connect_to("END")
print(wf.start(1)) # -> {'default': 12}
```
两条铁律（实测总结）：
1. **每个方法必须有 return**——workflow 把上一个方法 return 的值传给下一个方法的 `inputs['default']`
2. **storage 是流程中固定的字典**——`storage.set("step1", data)` / `storage.get("step1")` 跨节点共享状态
|
|
Agently 直接创建 agent（OpenAI 兼容端点三连配置）：
```python
import Agently
agent = (
Agently.create_agent()
.set_settings("current_model", "OAIClient")
.set_settings("model.OAIClient.url", deepseek_url)
.set_settings("model.OAIClient.auth", {"api_key": deepseek_api_key})
.set_settings("model.OAIClient.options", {"model": "deepseek-chat"})
)
result = agent.input("我想成为音频算法工程师，给我一个学习计划").start()
print(result)
```
tpf 里的封装：`tpf.llm.agent.Agent().openai(query)`（内部 `nest_asyncio.apply()` 保证 notebook 异步稳定）。
|
|
LangGraph（官方文档 langchain-ai.github.io/langgraph/）：把工作流建模为**状态图**——
- Node：一个函数/一次模型调用（读写共享 State）
- Edge / 条件边：决定下一步走哪（可循环，支持 ReAct/自纠错）
- 内置 checkpoint 持久化、human-in-the-loop
```bash
pip install langgraph openai
```
与 Agently 的取舍：Agently 轻量上手快（chunk+connect）；LangGraph 状态与分支表达力强、生态大，适合复杂多 Agent（多 Agent 平台化实战见 Ignis 页）。
|
LangGraph
Agently