企业官网建设流程全解析

网站运营经验分享ppt模板,长沙征帆网络,手机app开发制作公司,做网站创业需要注册公司吗本文深度拆解Agent框架的核心设计逻辑与落地难点#xff0c;核心结论先行#xff1a;确保大模型每一步都能获取精准上下文#xff0c;是搭建可靠Agent系统的关键前提。文中系统梳理Agent与工作流的核心差异、声明式与非声明式框架的特性对比#xff0c;以及多Agent系统的实…本文深度拆解Agent框架的核心设计逻辑与落地难点核心结论先行确保大模型每一步都能获取精准上下文是搭建可靠Agent系统的关键前提。文中系统梳理Agent与工作流的核心差异、声明式与非声明式框架的特性对比以及多Agent系统的实现路径。结合生产级场景实践总结主流可靠的Agent系统多为工作流与Agent的混合架构并对各类主流框架进行横向对比。最终推荐LangGraph作为核心编排框架——其兼具低门槛入门优势与高上限扩展能力能灵活支撑Agent系统构建尤其适配需要精准控制大模型输入的企业级场景是程序员入门大模型Agent开发的优选工具。一、背景知识1、Agent到底是什么主流定义辨析Agent 并无统一定义不同视角下有不同解读。 OpenAI 采用更高层次、更具思想领导力的方式来定义 AgentAgent 是能独立代表你完成任务的技术系统。我个人并不认同这种定义。这种模糊表述无助于真正理解 Agent 本质只是思想领导力的空谈毫无实践价值。对比 Anthropic 的定义Agent有多种定义方式。有些客户将其视为能长期自主运行、使用多种工具完成复杂任务的完全自治系统另一些则指遵循预定义流程的规范性实现。在 Anthropic我们将这些变体统称为Agent 系统但在架构上区分工作流和Agent工作流是通过预定义代码路径编排大模型和工具的系统。Agent则是大模型动态自主控制流程和工具使用的系统自主决定任务完成方式。我更认同 Anthropic 的定义原因如下他们的定义更精确且技术导向提出了Agent 系统概念并将工作流和 Agent 都归入其中——这一点我非常欣赏实际生产环境中几乎所有的Agent 系统都是工作流和Agent的混合体。在后文中Anthropic 将 Agent 定义为…本质上只是大模型在循环中基于环境反馈使用工具的系统。尽管 OpenAI 最初给出了宏大的定义但实际所指与 Anthropic 基本一致。这类 Agent 的参数包括使用的大模型系统提示词可用工具工作原理是循环调用大模型当它决定调用工具时执行该工具并获取观察结果/反馈再传回大模型。循环持续直到大模型决定不再调用工具或触发了停止条件。OpenAI 和 Anthropic 都将工作流视为与 Agent 不同的设计模式——在前者中大模型的控制权更小流程更确定。这种区分很有价值两家公司都明确指出并非所有场景都需要 Agent。在许多情况下工作流更简单、可靠、经济、快速且高效。Anthropic 文章中有段精彩论述构建大模型应用时我们建议先寻找最简单的解决方案仅在必要时增加复杂度。有时这意味着完全不构建 Agent 系统。Agent 系统通常以延迟和成本为代价换取更好的任务性能需要谨慎权衡。当确实需要更高复杂度时工作流能为明确定义的任务提供可预测性而 Agent 更适合需要灵活性和模型驱动决策的场景。OpenAI 也有类似表述在决定构建 Agent 前请明确验证你的用例是否符合这些标准。否则确定性解决方案可能就已足够。实践中大多数Agent 系统都是工作流和 Agent 的组合。这正是我反感讨论某物是否是 Agent而更倾向于讨论系统的 Agent 化程度的原因。感谢 Andrew Ng 提出的这种思考方式[5]与其二元化地判断某物是否是 Agent不如将系统视为具有不同程度的 Agent 特性。Agent 化这个形容词让我们能够涵盖所有这些系统纳入这场不断发展的运动。2、构建 Agent 的难点何在多数人会认同构建 Agent 具有挑战性。更准确地说——构建一个 Agent 原型很容易但要打造能支撑关键业务应用的可靠系统这非常困难。真正的难点在于可靠性。在 Twitter 上展示一个光鲜的 demo 很容易但要让其支撑关键业务不经过大量工作根本无法实现。几个月前我们对 Agent 构建者进行了调研问题是将更多 Agent 投入生产的最大障碍是什么“压倒性的首要答案是性能质量”——要让这些 Agent 可靠工作仍然非常困难。什么导致 Agent 有时表现不佳 大模型出错。为什么大模型会出错两个原因(a) 模型能力不足(b) 传入模型的上下文错误或不完整。根据我们的经验后者更常见。具体诱因包括不完整或过于简略的系统消息模糊的用户输入缺乏恰当的工具工具描述质量差未传入正确的上下文工具响应格式不当构建可靠 Agent 系统的核心难点在于确保大模型在每一步都能获得适当的上下文。这既包括严格控制输入大模型的内容也包括运行必要的步骤来生成相关内容。在讨论 Agent 框架时请牢记这一点。任何让控制大模型输入内容变得更困难的框架都是在帮倒忙。确保正确上下文传入大模型本就足够困难——何必自找麻烦3、什么是 LangGraphLangGraph 最准确的定位是编排框架同时提供声明式和命令式 API并在其上构建了一系列 Agent 抽象。LangGraph 是用于构建 Agent 系统的事件驱动框架两种最常见的使用方式是声明式的基于图的语法[6]Agent 抽象[7]构建在底层框架之上LangGraph 还支持函数式 API[8]和底层事件驱动 API[9]提供Python[10]和TypeScript[11]版本。Agent 系统可以表示为节点[12]和边[13]。节点代表工作单元边代表转移关系。节点和边本质上就是普通的 Python/TypeScript 代码——虽然图结构是声明式表达的但图内部的逻辑仍是常规的命令式代码。边可以是固定[14]或条件[15]的。因此虽然图结构是声明式的但图的遍历路径可以完全动态。LangGraph 内置持久化层[16]支持容错[17]、短期记忆[18]和长期记忆[19]。该持久化层还支持人在回路[20]和人在环上[21]模式如中断、审批、恢复和时间旅行。LangGraph 内置支持流式传输[22]包括 token 流、节点更新流和任意事件流。LangGraph 与LangSmith[23]无缝集成提供调试、评估和可观测性支持。二、Agent 框架的类型Agent 框架在多个维度上存在差异。理解——而非混淆——这些维度是正确比较框架的关键。工作流 vs Agent大多数框架包含高级 Agent 抽象部分框架还包含常见工作流抽象。LangGraph 则是用于构建 Agent 系统的底层编排框架支持工作流、Agent 及介于两者之间的所有形态[24]。我们认为这至关重要——如前所述生产环境中的 Agent 系统大多是工作流和 Agent 的组合。生产级框架必须同时支持两者。请记住构建可靠 Agent 的难点确保大模型获得正确的上下文。工作流的价值之一就在于它能简化上下文传递过程——你可以精确控制数据流向。在设计系统时需要在工作流到Agent的频谱上定位需考虑两个因素可预测性 vs 自主性低门槛 vs 高上限可预测性 vs 自主性系统越趋向 Agent可预测性就越低。有时出于用户信任、监管要求等原因你需要系统保持可预测性。可靠性虽不完全等同于可预测性但实践中二者密切相关。在频谱上的理想位置取决于具体应用。LangGraph 可用于构建频谱上任意位置的系统让你自由调整。高门槛 vs 低上限评估框架时可参考其门槛和上限低门槛框架易上手适合初学者高门槛需要专业知识才能有效使用低上限能力有限很快会触达天花板高上限支持高级用例扩展性强能伴随需求成长工作流框架提供高上限但门槛也高——需要自行实现大量 Agent 逻辑。Agent 框架门槛低但上限也低——容易入门但难以应对复杂场景。LangGraph 旨在兼具低门槛通过内置 Agent 抽象[25]降低入门难度和高上限通过底层功能[26]支持高级用例。声明式 vs 非声明式声明式框架有其优势也有不足。这是程序员间永无止境的争论各有所好。当人们说非声明式时通常暗指命令式作为替代。多数人会认为 LangGraph 是声明式框架但这只对了一半。首先——虽然节点和边的连接方式是声明式的但节点和边本身只是普通的 Python/TypeScript 函数。因此 LangGraph 实际融合了声明式和命令式。其次——我们实际上支持声明式 API 之外的其他接口特别是函数式[27]和事件驱动 API[28]。虽然我们认为声明式 API 是有用的心智模型但也理解它并非适合所有人。关于 LangGraph 的常见误解是将其比作 Tensorflow声明式深度学习框架而将 Agents SDK 比作 Pytorch命令式框架。这是完全错误的。Agents SDK以及原始 LangChain、CrewAI 等既非声明式也非命令式——它们只是抽象层。它们提供 Agent 抽象Python 类内含运行 Agent 的逻辑。这些并非真正的编排框架仅仅是抽象层。Agent 抽象大多数 Agent 框架都包含 Agent 抽象。通常始于一个包含提示词、模型和工具的类然后不断添加参数…最终你会面对一个控制多种行为的冗长参数列表全部隐藏在类抽象之后。要了解运行机制或修改逻辑必须深入源代码。这些抽象最终会让你难以理解或控制在每一步传入大模型的具体内容。这一点至关重要——正如前文所述保持这种控制力是构建可靠 Agent 的关键。这正是 Agent 抽象的危险之处。我们有过惨痛教训。这正是原始 LangChain 链和 Agent 的问题所在——它们的抽象反而成了障碍。两年前的一个原始抽象就是接收模型、提示词和工具的 Agent 类。这不是新概念当时就无法提供足够控制力现在依然如此。明确地说Agent 抽象确实有其价值——能降低入门门槛。但我认为这些抽象还不足以或许永远不足以构建可靠的 Agent。我们认为最佳方式是将这些抽象视为类似 Keras 的存在——提供高级抽象来简化入门。但关键是确保它们构建在底层框架之上避免过早触及天花板。这正是我们在 LangGraph 之上构建 Agent 抽象的原因。这既提供了简单的 Agent 入门方式又能在需要时轻松切换到底层 LangGraph。多 Agent 系统Agent 系统往往不只有一个 Agent而是包含多个。OpenAI 在报告中指出对于复杂工作流将提示词和工具分配给多个 Agent 可以提高性能和扩展性。当你的 Agent 无法遵循复杂指令或持续选择错误工具时可能需要进一步拆分系统并引入更多独立 Agent。多 Agent 系统的关键在于通信机制。再次强调构建 Agent 的难点在于为大模型提供正确上下文。Agent 间的通信方式至关重要。实现方式多种多样交接(handoffs)是一种方式——这是 Agents SDK 中我相当欣赏的一个 Agent 抽象。但有时最佳通信方式可能是工作流。想象 Anthropic 博文中所有工作流图表将其中的大模型调用替换为 Agent。这种工作流与 Agent 的混合往往能提供最佳可靠性。重申一下Agent 系统不仅是工作流或仅是 Agent它们可以是也经常是两者的组合。正如 Anthropic 在博文中所说组合与定制这些模式这些构建模块并非铁律而是开发者可以根据不同用例调整组合的常见模式。三、常见问题在定义和探讨评估框架的不同维度后现在让我们回答一些常见问题。框架的价值是什么我们经常看到人们质疑是否需要框架来构建 Agent 系统。Agent 框架能提供什么价值Agent 抽象框架的通用价值在于提供有用的抽象既降低入门门槛又为工程师提供统一的构建方式简化项目维护。但如前所述Agent 抽象也有明显缺陷。对大多数 Agent 框架而言这是它们提供的唯一价值。我们努力确保 LangGraph 不限于此。短期记忆当前大多数 Agent 应用都涉及多轮如聊天交互。LangGraph 提供[支持多轮会话(threads)的生产级存储](https://langchain-ai.github.io/langgraph/concepts/memory/?refblog.langchain.dev#short-term-memory “支持多轮会话(threads “支持多轮会话(threads)的生产级存储”)的生产级存储”)。长期记忆虽然尚处早期但我非常看好 Agent 系统从经验中学习的能力如跨对话记忆。LangGraph 提供跨会话长期记忆的生产级存储[29]。人机协作许多 Agent 系统通过引入「人机协作」获得提升例如获取用户反馈、审批工具调用或编辑工具参数。LangGraph 提供在生产系统中实现这些工作流的内置支持[30]。事后回溯除了允许用户实时影响 Agent让用户在事后检查 Agent 运行轨迹甚至回到早期步骤修改后重新执行也非常有用。我们称之为「时间旅行」LangGraph 提供对此的内置支持[31]。流式传输大多数 Agent 应用运行耗时较长因此向终端用户提供实时更新对用户体验至关重要。LangGraph 内置支持token 流、图步骤流和任意事件流[32]。调试/可观测性构建可靠 Agent 的难点在于确保传入大模型的上下文正确。能够检查 Agent 的具体执行步骤及每一步的精确输入/输出至关重要。LangGraph 与LangSmith[33]无缝集成提供顶尖的调试和可观测性支持。注AI 可观测性与传统软件可观测性不同这值得另文探讨容错性容错是构建分布式应用的传统框架如 Temporal的关键特性。LangGraph 通过持久化工作流[34]和可配置重试[35]简化容错实现。优化相比手动调整提示词有时定义评估数据集并自动优化 Agent 更高效。LangGraph 目前未原生支持此功能——我们认为时机尚早。但提及此维度是因为它值得关注我们也在持续观察。dspy是目前这方面最优秀的框架。所有这些价值主张除 Agent 抽象外对 Agent、工作流及其中间形态都有同等价值。那么——你真的需要 Agent 框架吗如果你的应用不需要全部这些功能或者你希望自行实现那么可能不需要。其中部分功能如短期记忆实现并不复杂但其他如人在环上或大模型专属可观测性则复杂得多。关于 Agent 抽象我完全同意 Anthropic 文中的观点如果使用框架请确保理解底层代码。对内部机制的错误假设是客户常见错误来源。随着模型进步所有系统都会变成 Agent 而非工作流吗支持 Agent相对工作流的常见论点是虽然当前效果不佳但未来会改善因此你只需要简单的工具调用型 Agent。我认为以下几点可能同时成立这类工具调用型 Agent 的性能会提升控制大模型输入内容仍然至关重要垃圾进垃圾出对某些应用这种工具调用循环就足够对其他应用工作流仍会更简单、经济、快速和优秀对大多数应用生产级 Agent 系统将是工作流和 Agent 的组合我不认为 OpenAI 或 Anthropic 会反对这些观点。Anthropic 文中说构建大模型应用时我们建议先寻找最简单的解决方案仅在必要时增加复杂度。有时这意味着完全不构建 Agent 系统。OpenAI 文中也说在决定构建 Agent 前请明确验证你的用例是否符合这些标准。否则确定性解决方案可能就已足够。是否存在简单工具调用循环就足够的场景我认为只有当使用针对特定用例进行充分训练/微调/强化学习的大模型时才会成立。这有两种实现路径你的任务具有独特性。你收集大量数据并训练/微调/强化学习自己的模型。你的任务具有普遍性。大型模型实验室正在训练/微调/强化学习与你的任务相似的数据。旁注如果我正在某个垂直领域创业而我的任务并不独特我会非常担忧公司的长期生存能力你的任务具有独特性我打赌大多数用例当然包括大多数企业用例属于此类。AirBnb 的客户支持方式与 Klarna 不同与 Rakuten 也不同。这些任务存在大量细微差别。Sierra——客户支持领域的领先 Agent 公司——并非在构建单一的客户支持 Agent而是客户支持 Agent 平台Sierra Agent SDK 使开发者能使用声明式编程语言通过可组合技能构建强大灵活的 Agent 来表达程序性知识他们需要这样做因为每家公司的客户支持体验都独特到通用 Agent 无法满足性能要求。一个使用针对特定任务训练模型的简单工具调用型 Agent 案例是OpenAI 的 Deep Research[36]。这说明确实可行并能产出卓越的 Agent。如果你能为特定任务训练顶尖模型——那么确实你可能不需要支持任意工作流的框架简单工具调用循环就足够。此时 Agent 会比工作流更受青睐。我心中非常开放的问题是有多少 Agent 公司会拥有为其任务训练顶尖模型所需的数据、工具或知识目前我认为只有大型模型实验室能做到。但这会改变吗小型垂直创业公司能否为其任务训练顶尖模型我对这个问题非常感兴趣。如果你正在做这件事——请联系我你的任务具有普遍性我认为某些任务足够通用大型模型实验室能提供适用于简单工具调用循环的模型。OpenAI 通过 API 发布了他们的计算机使用模型这是针对通用计算机使用数据微调的模型旨在胜任该通用任务。旁注我认为它目前远未达标编程是个有趣的例子。编码相对通用绝对是当前 Agent 的突破性用例。Claude 代码和 OpenAI 的 Codex CLI 就是使用简单工具调用循环的编程 Agent 案例。我敢打赌基础模型训练使用了大量编码数据和任务Anthropic 的这篇文档[37]就是证据。有趣的是——随着通用模型在这些数据上训练数据的具体形态有多重要Ben Hylak 日前发了条引发共鸣的推文[38]模型不再会使用 Cursor 了。它们全被优化为终端使用。这就是为什么 3.7 和 o3 在 Cursor 中表现极差而在外部却惊人的原因。这可能说明两点你的任务必须与通用模型训练的任务高度相似。相似度越低通用模型适合你用例的可能性越小。通用模型在其他特定任务上的训练可能会降低对你任务的性能。我相信用于训练新模型的数据中与 Cursor 用例相似的数据量只多不少。但如果涌入的形态略有不同的新数据占优就会压制其他类型数据。这意味着当前通用模型很难在大量任务上都表现出色。即使对于 Agent 明显优于任何工作流方案的应用你仍会受益于框架提供的与底层工作流控制无关的功能短期记忆存储、长期记忆存储、人在回路、人在环上、流式传输、容错性和调试/可观测性。OpenAI 的观点有哪些谬误重新审视 OpenAI 的立场我们发现其基于错误的二分法混淆了Agent 框架的不同维度从而夸大其单一抽象的价值。具体而言它将声明式 vs 命令式与Agent 抽象以及工作流 vsAgent混为一谈。根本上它误解了构建生产级 Agent 系统的主要挑战以及框架应提供的核心价值可靠的编排层让开发者能精确控制传入大模型的上下文同时无缝处理持久化、容错和人机协作等生产环境问题。让我们分析我反对的具体部分“声明式 vs 非声明式”LangGraph 并非完全声明式——但这并非我的主要异议。关键在于非声明式这个表述含糊且有误导性。通常当人们批评声明式框架时他们会偏好更命令式的框架。但 Agents SDK 并非命令式框架它只是个抽象层。更恰当的标题应是声明式 vs 命令式或你需要编排框架吗或为什么 Agent 抽象就足够或工作流 vsAgent取决于他们想论证什么下文似乎两者都想论证。“随着工作流变得更动态复杂这种方法会迅速变得繁琐困难”这与声明式或非声明式无关完全关乎工作流 vsAgent。你可以轻松将 Agents SDK 的 Agent 逻辑表示为声明式图且该图与 Agents SDK 同样动态灵活。关于工作流 vsAgent 的观点许多工作流并不需要这种程度的动态性和复杂性。OpenAI 和 Anthropic 都承认这点。能用工作流时就该用工作流。大多数 Agent 系统都是两者的组合。是的如果工作流确实非常动态复杂那就用 Agent。但不要在所有场景都用 Agent。OpenAI 在文章前段其实也这么说。“通常需要学习特定的领域专用语言”再次强调——Agents SDK 不是命令式框架而是抽象层。它也有领域专用语言即它的抽象。我认为在当前阶段学习和适应 Agents SDK 的抽象比学习 LangGraph 抽象更糟糕。因为构建可靠 Agent 的难点在于确保 Agent 获得正确上下文而 Agents SDK 在这方面比 LangGraph 模糊得多。“更灵活”这完全不属实。事实恰恰相反。Agents SDK 能做的LangGraph 都能做。而 LangGraph 能做的Agents SDK 只能实现 10%。“代码优先”使用 Agents SDK 你需要编写他们的抽象而使用 LangGraph 你编写的是大量常规代码。我不明白 Agents SDK 如何更代码优先。“使用熟悉的编程结构”使用 Agents SDK 你必须学习整套新抽象而使用 LangGraph 你编写的是大量常规代码。还有什么比这更熟悉“支持更动态适应的 Agent 编排”再次说明——这与声明式或非声明式无关完全关乎工作流 vs Agent。见上文论述。Agent 框架比较我们已经讨论了 Agent 框架的多个组件它们是灵活的编排层还是仅提供 Agent 抽象如果是灵活的编排层它们是声明式还是其他形式除了 Agent 抽象框架还提供哪些功能结论构建可靠 Agent 系统的核心难点在于确保大模型在每一步都能获得适当的上下文。这既包括严格控制输入大模型的内容也包括运行必要的步骤来生成相关内容。Agent 系统既包含工作流也包含 Agent以及介于两者之间的所有形态。大多数 Agent 框架既非声明式也非命令式编排框架它们本质上只是一组 Agent 抽象。Agent 抽象虽然能降低入门门槛但往往会模糊关键细节使得确保大模型获得适当上下文变得困难。无论何种形态的 Agent 系统Agent 或工作流都能从同一组实用功能中受益——这些功能可由框架提供也能自行实现。LangGraph 最准确的定位是编排框架同时提供声明式和命令式 API并在其上构建了一系列 Agent 抽象。那么如何系统的去学习大模型LLM作为一名从业五年的资深大模型算法工程师我经常会收到一些评论和私信我是小白学习大模型该从哪里入手呢我自学没有方向怎么办这个地方我不会啊。如果你也有类似的经历一定要继续看下去这些问题啊也不是三言两语啊就能讲明白的。所以我综合了大模型的所有知识点给大家带来一套全网最全最细的大模型零基础教程。在做这套教程之前呢我就曾放空大脑以一个大模型小白的角度去重新解析它采用基础知识和实战项目相结合的教学方式历时3个月终于完成了这样的课程让你真正体会到什么是每一秒都在疯狂输出知识点。由于篇幅有限⚡️ 朋友们如果有需要全套 《2025全新制作的大模型全套资料》扫码获取~为什么要学习大模型我国在A大模型领域面临人才短缺,数量与质量均落后于发达国家。2023年人才缺口已超百万凸显培养不足。随着AI技术飞速发展预计到2025年,这一缺口将急剧扩大至400万,严重制约我国AI产业的创新步伐。加强人才培养,优化教育体系,国际合作并进是破解困局、推动AI发展的关键。大模型学习指南路线汇总我们这套大模型资料呢会从基础篇、进阶篇和项目实战篇等三大方面来讲解。①.基础篇基础篇里面包括了Python快速入门、AI开发环境搭建及提示词工程带你学习大模型核心原理、prompt使用技巧、Transformer架构和预训练、SFT、RLHF等一些基础概念用最易懂的方式带你入门大模型。②.进阶篇接下来是进阶篇你将掌握RAG、Agent、Langchain、大模型微调和私有化部署学习如何构建外挂知识库并和自己的企业相结合学习如何使用langchain框架提高开发效率和代码质量、学习如何选择合适的基座模型并进行数据集的收集预处理以及具体的模型微调等等。③.实战篇实战篇会手把手带着大家练习企业级的落地项目已脱敏比如RAG医疗问答系统、Agent智能电商客服系统、数字人项目实战、教育行业智能助教等等从而帮助大家更好的应对大模型时代的挑战。④.福利篇最后呢会给大家一个小福利课程视频中的所有素材有搭建AI开发环境资料包还有学习计划表几十上百G素材、电子书和课件等等只要你能想到的素材我这里几乎都有。我已经全部上传到CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】相信我这套大模型系统教程将会是全网最齐全 最易懂的小白专用课