一，Workflow agent
到底要给LLM多大的自由空间？
使用agent的原因
1，LLM有幻觉
2，LLM只会说，不会做
3，LLM规划的步骤不靠谱 作为一个agent设计者，
有些任务需要极强的准确度，可控性
这个时候都需要agent
所以模型提供智能，agent保证结果。
为了规避LLM的一些缺点，是作为一位agent设计者要考虑的问题
1，使用rag技术构建私有知识库，提升对话的能力
2，用设计者定义好的workflow完成特定的任务
3，使用工具来完成LLM无法完成的任务
5，让LLM写代码，完成数据处理，数学计算
Workflow agent 非常适合准确性要求比较高的场景
市场上90% 是workflow agent
- workflow Agent结构图
二，ReAct Agent
ReAct Reasoning＋Acting
推理 行动 得到反馈 这三个步骤循环处理。所以做react agent的时候需要解决这三种不同的角色。
比workflow agent给LLM的自由空间更大。
有些任务无法提前设定步骤怎么办？
缺点
1，很难确定哪一个步骤是错误的，需要每一步的详细检查。
工作流程
1，用LLM将根据文件内容，设定有意义的文件名。
2，设定三个不同角色
使用了ReAct的AI产品
1，autoGPT
2,Perplexity
3,Manus
4,Cursor
5,GenSpark`
等等
Agent AI模型提供智能，AI Agent 保证结果
大语言模型
设计Agent的时候最大的困难是给LLM多大的自由度。是一个很难抉择的问题。
比如workflow agent就没有给LLM什么自由空间，但是 react agent就给了llm很大的自由度。这两者没有好坏之分
开始的时候人们常说提示词工程，现在人们不怎么讲了，而是说上下文工程
任务执行记录过长，可能LLM接受不了。
可以帮详细的内容放到文件或者db中，而是做一些摘要。
三，agent平台
例子 harvey.ai
一个法律的agent平台。
glean
在他的基础上可以开发自己公司的东西。