在生成式 AI 和大型语言模型（LLMs）的背景下，agents 和LangGraph 是增强 LLM 功能的工具和框架，使它们能够以更灵活和结构化的方式执行任务、做出决策或与复杂工作流程进行交互。以下是每个概念的详细说明及其应用示例。

什么是 LLM 中的代理？

代理是与 LLM 一起工作的自主程序或组件，能够根据提示和用户输入执行任务、做出决策或与环境互动。在 LLM 的上下文中，代理通常被设计为通过与工具、API 或其他模型交互来完成任务。它们可以执行多种操作，例如收集数据、分析输入或执行复杂的工作流程。

LLMs中代理的关键特性

1. 自主性

• •描述：代理的自主性使它们在接收到初始指令后能够独立操作。代理不再需要持续的用户输入，而是根据预定义的规则或过去的互动来做出决策、确定行动并朝着目标推进。自主性可以从简单的基于规则的操作（例如，在特定命令后执行任务）到更高级的基于机器学习的决策制定（例如，根据上下文动态选择最佳响应）不等。

示例：

• • 在客户支持环境中的帮助台代理可以自主地回答常见问题，在问题复杂时将问题升级到人工处理，或者根据主题（例如，账单、技术支持）将咨询路由到专门的代理。
• • 在会议的调度代理中，自主性使代理能够找到合适的时间，发送邀请，处理调度冲突，并在不需要人工干预的情况下提出重新调度的建议。

2. 以目标为导向

• •描述：代理程序被编程为具有特定、明确的目标，使它们能够做出与其目标一致的有目的决策。这种以目标为导向的特性使它们在执行需要集中行动以满足用户需求的任务时非常有效。例如，预订代理的目标可能是确认预订，而研究助理的目标可能是汇编和总结相关信息。

示例：

• • 电子商务中的产品推荐代理是以目标为导向的，因为它旨在建议最大化用户满意度和参与度的商品。这个目标可能涉及分析购买历史、浏览模式和偏好数据，以提供量身定制的建议。
• • 在客户服务中，故障排除代理旨在通过引导用户完成诊断步骤并提供解决方案来解决用户问题，直到问题得到解决或需要人工干预。

3. 交互性

• •描述：交互性是代理能够主动与用户、系统或其他代理进行互动的能力，实时响应输入并根据这些输入进行调整。通过交互性，代理可以提出后续问题，从数据库中检索数据，查询 APIs，并根据外部响应执行各种操作。此功能使代理能够充当用户与复杂系统之间的中介。

示例：

• • 虚拟助手可能与用户和多个 API 互动，以通过从不同供应商检索航班可用性、预订选项和价格来满足旅行请求。
• • 在技术支持场景中，代理可能使用交互性来收集用户关于问题的更多信息（例如，询问设备规格、问题持续时间），然后使用数据库或知识库搜索相关的故障排除解决方案。

4. 多步骤能力

• •描述：多步骤能力是指代理处理需要一系列动作的任务的能力。复杂任务通常被分解为较小的、可管理的步骤，代理依次完成这些步骤，并在每一步根据需要进行调整。多步骤流程在每个阶段的输入都会影响后续步骤的工作流中尤其有益。

示例：

• • 在新员工入职过程中，代理可以负责指导他们完成文书工作、设置账户、与人力资源协调培训时间表，以及介绍团队成员——所有这些都是一个顺序的多步骤过程。
• • 电子商务结账助手可以首先验证用户的购物车内容，然后进行支付处理，再到地址确认，最后到订单确认和收据生成。

代理的示例用例

1. 客户支持

• •描述：在客户支持中，代理可以自主或半自主地处理用户咨询。他们可以被配置为回答常见问题、解决基本问题或提供产品信息。更高级的代理还可能处理退款、帮助管理账户或在问题超出其能力范围时将问题升级到人工代理。

主要优点：

• •全天候可用性：代理提供24小时不间断的帮助，确保客户随时都能获得支持。
• •可扩展性：它们使企业能够处理大量咨询，而无需成比例地增加人力支持人员。
• •一致性：自动回复是标准化的，确保客户体验的一致性。

示例：

• • 代理回答有关商店政策（退货、运输）或跟踪订单的问题。
• • 提供常见技术问题逐步故障排除的技术支持代理，仅将更复杂的案例升级到人工支持。

2. 自动化研究助手

• •描述：自动化研究助手代理收集、组织和总结特定主题的信息。它可以用于学术研究、市场研究或商业智能，以节省时间并简化大量信息的收集。这些代理可能与数据库、API或在线来源互动，以提取数据并编制发现。

主要好处：

• •节省时间：自动化数据收集和初步分析的耗时过程。
• •准确性和深度：确保全面的数据收集，通常超出手动研究的范围。
• •灵活性：可以根据特定研究需求进行定制，例如行业特定分析或技术信息收集。

示例：

• • 一位商业研究助手编制有关行业趋势的报告，分析竞争对手数据，并总结关键发现。
• • 一位科学研究代理扫描近期论文，提取摘要，并组织与特定假设或主题相关的发现。

3. 销售助手

• •描述：销售助手在电子商务平台中很常见，他们帮助客户选择产品，回答有关产品的问题，甚至在结账时提供帮助。这些助手可能利用历史购买数据、浏览历史和产品元数据来个性化推荐，提高用户的购物体验。

主要好处：

• •个性化：助手根据用户数据和偏好提供量身定制的推荐，增强客户满意度。
• •转化优化：通过引导客户、回答问题和提供相关建议，助手提高了完成销售的可能性。
• •成本效率：减少了对现场销售代表的需求，使企业能够在不成比例增加人员成本的情况下扩展客户服务。

示例：

• • 一名助手根据客户的先前购买记录、当前浏览会话和整体购物习惯推荐产品。
• • 一名结账助手回答有关交付选项、付款方式的问题，并应用折扣，使结账过程更加顺畅和个性化。

这些示例说明了助手如何通过处理复杂的互动、多步骤任务和自主决策为各行各业增值。通过利用自主性、目标导向设计、互动性和多步骤能力等特性，助手帮助企业和个人简化操作，提升客户体验，并在资源密集型任务中推动效率。

什么是 LangGraph？

LangGraph 是一个专门设计用于处理涉及语言模型和代理的复杂工作流程和任务结构的框架。它是一个开源库，旨在通过允许用户创建语言任务的有向图来支持高级交互模式。这在需要以结构化、顺序或并行的方式完成多个相互依赖任务的场景中特别有用。

LangGraph 使用户能够将这些工作流程定义为图，其中每个节点代表工作流程中的一个步骤，边表示依赖关系或顺序。通过使用 LangGraph，开发人员可以有效地协调多个代理、API 和工具，以完成具有定义依赖关系的复杂任务或工作流程。

LangGraph 的关键特性

1. 工作流程结构

• •描述：LangGraph 将复杂的工作流程组织成有向图，其中每个节点代表一个离散的动作或步骤，边表示这些动作之间的依赖关系 或顺序。通过使用图形结构，LangGraph 以可视化的方式映射和管理任务，确保每个步骤遵循逻辑路径。当工作流程涉及许多相互依赖的任务时，这种结构尤其有用，因为它可以防止瓶颈并确保任务按正确顺序完成。

示例：

• • 在文档审查过程中，LangGraph 可以为初步草拟、编辑、批准和发布结构化节点。此设置确保文章在通过编辑和批准阶段之前不会进入发布阶段。
• • 对于数据管道，LangGraph 可以定义数据提取、转换、分析和报告的节点。节点之间的依赖关系确保只有在数据提取完成后，转换和分析才会开始。

2. 模块化

• •描述：LangGraph中的模块化允许每个节点代表一个独立的、孤立的任务，可以独立开发、测试和执行。这种模块化的方法使开发人员能够在工作流的单个组件上工作，而无需一次性处理整个系统。每个节点作为一个自包含的模块运行，与其他模块互动，但不依赖于它们的内部机制。

示例：

• • 在机器学习管道中，单个节点可能代表数据预处理、模型训练、评估和部署。这些模块可以独立测试和改进，而不会影响其他模块。
• • 在内容创作工作流中，模块化允许为研究、草拟、编辑和发布设置独立节点。团队可以在编辑功能上工作，而不会影响草拟或发布阶段。

3. 与 LLM 的集成

• •描述：LangGraph 无缝集成大型语言模型，允许将 LLM 作为工作流中的节点使用。这种集成使 LangGraph 能够管理涉及多个代理或任务的复杂多步骤工作流，利用 LLM 在内容生成、摘要、翻译等任务中的能力。通过集成，LangGraph 协调 LLM 的响应，以确保工作流的每个部分按正确的顺序执行，使用 LLM 输出作为下游任务的输入。

示例：

• • 一个LLM 辅助的客户支持工作流 可以从一个 LLM 代理处理常见问题开始，如果初始响应不充分，则升级到更专业的支持代理节点。
• • 在一个内容管道 中，一个节点可能使用 LLM 生成文章草稿，接着是一个专门的 LLM 节点进行语气编辑，最后是另一个节点审查文本是否符合公司标准。

## Code block example
def example_function():
    print("This is an example function.")

4. 并行与顺序

• •描述：LangGraph 支持独立任务的并行执行 和依赖任务的顺序执行，优化工作流程效率。通过并行，LangGraph 可以同时执行独立的节点，从而更快地完成多个任务。而顺序执行则确保依赖任务按照特定顺序执行，等待先决任务完成。此功能在复杂工作流程中至关重要，因为多个任务可能需要并行运行或严格按照顺序执行。

示例：

• • 在数据处理管道 中，数据提取、预处理和初步分析可以并行运行，而报告则只有在所有这些初步步骤完成后才会开始。
• • 在内容审核工作流程 中，LangGraph 可以并行运行检查攻击性语言、事实核查和合规检查的任务，最终审核步骤只有在这些任务完成后才会开始。

LangGraph 的示例用例

1. 多步骤数据处理

• •描述：数据处理通常涉及多个阶段，从数据收集到清洗、分析和报告。LangGraph 可以将这些阶段组织成图结构，其中每个步骤是一个节点，依赖关系确保流程的顺畅和有序。通过将每个步骤管理为一个节点，LangGraph 允许每个阶段独立监控和修改，同时保持一致的端到端工作流程。

主要优势：

• •效率：独立步骤的并行处理加快了管道速度。
• •错误处理：每个节点可以单独监控，更容易定位和解决错误。
• •可扩展性：可以根据数据量或任务复杂性按需扩展各个节点。

示例：

• • 在金融数据分析 中，LangGraph 可以管理数据提取、清洗、时间序列分析和可视化的节点。数据提取和清洗可以并行进行，分析仅在两个任务完成后开始。
• • 对于物联网应用中的传感器数据处理，LangGraph 可以分步骤处理数据，从收集、过滤噪声、运行异常检测，到最终生成洞察。

2. 自动化内容生成与审查

• •描述：内容创作工作流程通常包括多个阶段，如草拟、编辑、审查和发布。LangGraph 可以通过为每个动作创建节点来协调这些步骤，使内容能够依次通过每个步骤。通过在每个节点使用专业的 LLM 或代理，LangGraph 可以确保内容通过质量检查，并在到达受众之前针对其预期平台进行优化。

主要好处：

• •质量保证：确保内容系统地进行审查和编辑，减少错误。
• •一致性：每个步骤都是标准化的，从而在所有内容中保持一致的语调和质量。
• •自动化：减少人工工作，加快内容周转速度。

示例：

• • 一个博客文章流程 可以使用 LangGraph 从内容生成开始，接着进行 SEO 优化，然后编辑，最后安排发布时间。
• • 在自动化电子邮件营销 中，LangGraph 可以创建个性化的电子邮件，检查语调和合规性，并安排电子邮件以覆盖不同的受众群体。

3. 医疗患者旅程管理

• •描述：在医疗领域，管理患者的旅程涉及多个步骤，包括初始咨询、诊断、治疗、随访和反馈。LangGraph 可以将这些阶段组织为有向图中的节点，每个节点代表旅程中的一步，边表示依赖关系或过渡。这种方法确保每位患者的护理旅程是结构化的、及时的，并在整个过程中得到监控，从而改善患者护理和运营效率。

主要好处：

• •结构化护理：确保遵循所有必要步骤，提供标准化的护理路径。
• •患者追踪：每个步骤都受到监控，使得跟踪患者进展和遵循治疗计划变得更加容易。
• •高效资源分配：并行任务，如下单测试和安排治疗，可以同时执行，优化资源使用。

示例：

• • 在外科工作流程 中，LangGraph 可以确保术前评估、同意收集、麻醉准备、手术和术后随访按顺序完成。
• • 对于慢性疾病管理，LangGraph 可以管理定期检查、测试安排、药物续配和生活方式建议，根据患者的遵循情况调整顺序。

使用 LangGraph 和代理的示例工作流程

想象一下一个内容营销工作流程，其中一个机构希望生成、审查并在社交媒体上发布博客文章。以下是 LangGraph 如何构建它的：

1. 1.内容生成代理：LangGraph中的第一个节点可以是一个根据主题或提示生成文章草稿的代理。
2. 2.审查代理：第二个节点接收草稿，并通过一个专门进行编辑的 LLM 代理进行处理，确保清晰度、语法和风格的一致性。
3. 3.SEO 优化代理：第三个节点检查文章的 SEO 合规性，调整关键词和元数据以提高搜索引擎性能。
4. 4.社交媒体发布代理：最后一个节点将内容格式化为适用于各种社交媒体平台，并在不同渠道上安排发布。

这些代理中的每一个都代表了 LangGraph 中的一个节点，使它们能够通过特定任务的工作流程和谐地协作。LangGraph 管理节点之间的顺序和依赖关系，确保每个步骤逻辑顺畅，从而使内容生成、审查和发布过程高效、全面且可重复。

LangGraph 提供了一个强大的框架，通过结合工作流程结构化、模块化、LLM 集成和并行性的优势，来构建和管理多步骤、多代理的工作流程。这使得 LangGraph 适用于广泛的应用，从内容管理到复杂的医疗保健和数据处理工作流程。

摘要

Agents 和 LangGraph 提供了框架和协调，使 LLM 能够以更高的灵活性和结构性执行复杂的多步骤工作流程。虽然 agents 是以目标为导向并且可以自主行动，LangGraph 将这些行动结构化为一个图，从而确保工作流程中的顺畅和逻辑流动，使其在内容创作到医疗管理等多个领域的高级应用成为可能。