为什么会有Agent?
Agent 是来解决LLM模型存在的劣势：
- LLM模型 的幻觉 ，也能简单的说，有时候LLM模型 生成的内容，是胡说八道的内容，Agent 的出现是为了降低LLM模型 的幻觉 、控制幻觉 ，甚至消除幻觉；
- LLM模型 是只会说（输出文字内容），不会做（不会做实际的事务），Agent 就很好的填充了，LLM模型 "不会做"的情况，最有代表性的Agent 是OpenClaw（龙虾） ，OpenClaw 可以为你做任何事情；
其实LLM模型 也能做规划、做任务，它可以把一个复杂的任务分成几个小任务，并且知道先执行哪个任务，再执行哪个任务，但是LLM模型 的这些能力跟它的幻觉 一样，不靠谱，并且它的这些功能经验也不足，所以才衍生出Agent（智能体）。
Agent的难点：
- 降低、甚至消除LLM模型 的幻觉；
- 对复杂任务进行精准的分解、安排以及实施；
- 有极强的准确度、可控性的要求。
简而言之，LLM模型提供智能，Agent保证结果！
本次只是对Agent 的初步了解，先带大家了解下Workflow Agent（工作流智能体） 与 ReAct Agent（推理型智能体） ，之后的文章内也会对Agent做深入的探索。
Workflow Agent（工作流智能体）
Workflow Agent（工作流智能体） ，是在Agent内搭建了一个或多个工作流，这些工作流是AI大模型应用开发工程师根据相应的业务场景，提前预设好的工作流。
Workflow Agent，也叫专用Agent。
专用Agent的局限性与优势：
| 局限性 | 优势 |
|---|---|
| 自主性较弱 | 可控 |
| 智能性较弱 | 可靠 |
现在市面上主流的Agent都是这种类型。
在Workflow Agent 内也会预设好LLM模型 的自由空间，通过系统Prompt 对LLM模型 进行限制自由空间，让LLM模型只生成用户想要的内容。
Workflow Agent内部情况以及LLM模型的实施：
- 用 RAG 技术构建私有知识库，提升对话能力
- 用设计者定义好的 Workflow 完成特定任务
- 过程中使用工具完成 LLM模型 无法完成的任务
- 让 LLM模型 写代码，完成数据处理、数学计算
Workflow Agent 非常适合准确性要求较高的场景，以骑手招聘助手案例为例：
骑手招聘助手的Workflow，是当用户问到某个地点附近的站点信息时，调用该工作流：
Workflow Agent业务架构图
ReAct Agent（推理型智能体）
ReAct 是Reasoning + Acting，简单来说就是推理、行动、获得反馈。
ReAct Agent ，是用户的Query 通过LLM模型 的推理，根据推理信息，让Agent 处理事务，事务处理完成后，得到LLM模型 或当前Agent 的处理反馈，再给到Agent Memory ，再推理、行动、获得返回，进行多轮推理 -> 行动 -> 反馈，最后结果，输出结果信息。
为什么有ReAct Agent？
上面我们说到了Workflow Agent ，是根据提前设定好的业务场景进行Workflow ，有较高的准确性。但是生活/工作 中，有很多不确定性，没办法对某些任务进行提前设定步骤，这个时候人们就想到，这点特质像极了神经网络，那我能把设计神经网络的思路用到这里吗？由此诞生了ReAct Agent ，它是利用LLM模型 与各种工具，进行多轮 "推理 -> 行动 -> 反馈"，最后得到我们想要的结果。
其中最具有代表的Agent ，就是目前很火的OpenClaw（小龙虾） ，它能够通过用户Query 信息，去调用第三方工具、LLM模型 以及AI大模型应用工程师提前写好的代码，通过多轮 "推理 -> 行动 -> 反馈"，从了解用户实际需求，到完成用户需求。
ReAct Agent的核心思维：
有些任务，人类就需要给它试错的空间 ，以及时间上的包容 ，因为人类没能力提前定义当前任务要完成什么事务，也没办法去提前定义，所以必须让它去试错，每次试错都是让LLM模型 去决策到底要怎么办，它会在试错中成长，类似LLM模型 内的预训练阶段 ，最后人类才能得到好用、靠谱、稳定性强的Agent。
举几个简单的用户Query例子：
- 我有份文件里记录了上个月最终的业务数据，找找是哪份文件
- 检查一下直播系统，我的直播间学员们说很卡，但是网络测速是正常的
- 听说明天台风，我明天从深圳飞北京，能正常起飞么？
以上用户Query ，ReAct Agent都可以完成用户下达的任务指令。
我一直秉承着案例是最好的老师，也是最好的教材，以下我以一个简单的案例，来演示ReAct Agent 的"推理 -> 行动 -> 反馈"流程：
输入：3个知识文件 + 1个问题
问题：9 月份销售额不达标的供应商有哪些？
3个知识文件：
- 各类电子产品销售数据.xlsx
- 各地供应商信息.xlsx
- 2023 年供应商月销售额任务管理方案.pdf
推理流程：
| 第1轮 推理 | 第1轮 行动 | 第1轮 反馈 |
|---|---|---|
| 要获取 9 月份供应商销售额数据和达标标准，首先需知道有哪些文件可用，因此需执行ListFileNames 获取所有支持任务的文件名称。 | action:"ListFileNames" | ListFileNames 各类电子产品销售数据.xlsx 各地供应商信息.xlsx 2023 年供应商月销售额任务管理方案.pdf |
| 第2轮 推理 | 第2轮 行动 | 第2轮 反馈 |
|---|---|---|
| 销售额达标标准可能在 "2023 年供应商月销售额任务管理方案.pdf" 中，需通过AskDocument 查询该文件获取 9 月份的达标标准。 | action:"AskDocument" file_name : "2023年供应商月销售额任务管理方案.pdf" file_type : "pdf" query : "2023年供应商9月份的销售额达标标准是多少？" | AskDocument 2023 年供应商月销售额任务管理方案.pdf 2023 年供应商 9 月份的销售额达标标准是多少？ 2023 年供应商 9 月份的销售额达标标准是3 万元。 根据文件2023 年各季度销售额任务分配的第三季度（7月 - 9 月） 规定： 9 月销售额任务明确为 3 万元 |
| 第3轮 推理 | 第3轮 行动 | 第3轮 反馈 |
|---|---|---|
| 供应商名单可能在 "各地供应商信息.xlsx"中，需通过InspectExcel 查看该文件结构，确认是否包含供应商 ID、名称等信息。 | action:"InspectExcel" file_name : "各地供应商信息.xlsx" file_type : "xlsx" code : import pandas as pd df = pd.read_excel ("/mnt/data/ 各地供应商信息.xlsx") print (df.columns.tolist ()) print (df.head (3))" | InspectExcel 各地供应商信息.xlsx ' 供应商 ', ' 联系人 ', ' 联系人邮箱 ', ' 内部对接人 ' （1） 0， 北京科技有限公司-张伟， xiaoming123@example.com， 李华； （2）1，上海音响有限公司，李芳， lihua456@example.org，张伟； （3）2，深圳创新科技有限公司，陈瑶， wangli789@example.net，王芳； |
| 第4轮 推理 | 第4轮 行动 | 第4轮 反馈 |
|---|---|---|
| 从"各类电子产品销售数据.xlsx"中筛选 9 月份数据。执行 InspectExcel 动作，探查 "各类电子产品销售数据.xlsx" 的列名和前 3 行数据，以确定销售额和月份所在列。 | action："InspectExcel" file_name : "各类电子产品销售数据.xlsx" file_type : "xlsx" code : ... | InspectExcel 各类电子产品销售数据.xlsx '品类', '产品名', '单价(元)', '销售量', '销售日期', '供应商' （1）手机，Xiaomi Mi 11，4999，20，08-02，北京科技有限公司 （2）耳机，Sony XM4，2999，15，08-03，上海音响有限公司 （3）笔记本，Lenovo X1，8999，10，08-05，深圳创新有限公司； |
| 第5轮 推理 | 第5轮 行动 | 第5轮 反馈 |
|---|---|---|
| 从 "各类电子产品销售数据.xlsx" 中筛选销售日期为 9 月份的记录，按供应商分组汇总销售量和单价，计算销售额。使用AnalyseExcel 工具，对 "各类电子产品销售数据.xlsx" 按销售日期筛选 9 月份数据，按供应商分组，计算每个供应商的销售额总和。 | action : "AnalyseExcel" file_name : "各类电子产品销售数据.xlsx" file_type : "xlsx" code : import pandas as pd df = pd.read_excel ('/mnt/data/ 各类电子产品销售数据.xlsx') df ' 销售日期 ' = pd.to_datetime (df ' 销售日期 ') september_data = df df \[' 销售日期 '.dt.month == 9] sales_summary = september_data.groupby (' 供应商 ').apply (lambda x: (x ' 单价 (元)' * x ' 销售量 ').sum ()).reset_index (name='9 月销售额 (元)') print (sales_summary) | AnalyseExcel 各类电子产品销售数据.xlsx 计算 2023 年 9 月份各供应商的销售额总和 供应商 9 月销售额 (元)： （1）0，云林音乐科技有限公司，55738； （2）1，兰州数码有限公司，233974； （3）2，台东计算机科技有限公司，175984； |
| 第6轮 推理 | 第6轮 行动 | 第6轮 反馈 |
|---|---|---|
| 现有 AnalyseExcel 结果包含各供应商 9 月份销售额，达标标准为 3 万元，可通过比较筛选出不达标供应商。 | action："AnalyseExcel" file_name : "各类电子产品销售数据.xlsx" file_type : "xlsx" code :... | AnalyseExcel 各类电子产品销售数据.xlsx 筛选出 2023 年 9 月份销售额不达标的供应商（销售额 < 3 万元） 供应商 9 月销售额 (元)： 16 珠海健康科技有限公司 18320 |
| 第7轮 推理 | 第7轮 行动 | 第7轮 反馈 |
|---|---|---|
| 所有必要数据已齐全，无需额外获取。任务已 完成，输出最终结果。 | action : "FINISH" file_name : "" file_type : "" code : "" | 结束： 输出结果 |
使用了 ReAct 技术的 AI 产品：
- OpenClaw
- AutoGPT
- Perplexity
- Manus
- Cursor
- GenSpark
思维链（Chain of Thought）
链式思考是什么?
你可以把链式思维想象一位老练的侦探站在案发现场。新手会直接喊出"凶手是X"，而侦探则会一步步拆解：
"脚印的方向不对，时间线有十分钟空白，这把刀的刀柄指纹位置很反常......所以------"
这就是链式思考 的核心：LLM模型执行任务时，通过输出一系列中间推理过程文字，模拟人类推理过程。
这里面涉及4个角色：
1. 探路者（Action）
他不在意终点在哪，只关心"下一步怎么走"。每一步都是一个小推理，每推理一次，就离答案近一寸。他不跳跃，不抄近道，稳扎稳打。
2. 记录员（Memory）
他把每一步思维都写下来，不藏私。为什么选A不选B？证据在哪里？他把黑箱变成了白箱，让整个推理过程透明可追溯。
3. 调度者（Tools）
他通过不同的工具，在前提之后，推论之中使用。没有跳跃式的直觉，只有工具的结果反馈。
4. 解释者（Planning）
他不仅自己明白，还要让别人明白。通过输出中间步骤，他完成了自我校验------如果中间某步说不通，他立刻就能发现漏洞并修正。
Agent技术架构图：
