Agent学习打卡1——LangChainLangGraph入门

Agent学习打卡1------LangChainLangGraph入门

摘要

第一次接触Agent,都会从LangChain和LangGraph学起,先学他们的精髓,再说说他们的一些不足和如何改进,让我们开始吧!

LangChain

LangChain的核心是模块化设计,让开发者能轻松组合LLM调用、工具和记忆系统,构建复杂代理。其精髓包括:

  1. 链(Chains):将多个LLM调用或工具连接起来,形成可重用的工作流。例如,一个问答链可能先检索文档,再生成答案。
  2. 代理(Agents):代理是智能实体,能根据输入动态选择工具。精髓在于其决策能力:代理使用LLM作为"大脑",评估上下文并调用外部API或函数。例如,一个数学代理能解析问题并调用计算工具。
  3. 记忆(Memory):支持短期或长期记忆存储,让代理在对话中保持上下文连贯。
  4. 提示工程(Prompt Engineering):通过模板化提示,优化LLM输出。精髓是灵活性:开发者可定制提示以适应不同任务。
  5. 简单示例:
python 复制代码
from langchain.agents import load_tools, initialize_agent
from langchain.llms import OpenAI

llm = OpenAI(api_key="your_api_key")  # 初始化LLM
tools = load_tools(["llm-math"], llm=llm)  # 加载数学工具
agent = initialize_agent(tools, llm, agent="zero-shot-react-description", verbose=True)  # 创建代理
response = agent.run("计算圆的面积,如果半径是5。公式是 $A = \pi r^2$")  # 运行代理,使用行内数学公式
print(response)
 

LangGraph的精髓

LangGraph是LangChain的扩展,用于构建有状态、多步骤的工作流。其精髓在于图结构(Graph-based)设计:

  1. 状态机(State Machines):将代理行为建模为节点(Nodes)和边(Edges),每个节点代表一个动作(如调用LLM或工具),边定义状态转移。精髓是处理复杂、循环的任务,比如多轮对话或迭代优化。
  2. 并发与协调:支持并行执行多个代理或工具,提升效率。例如,在客服系统中,一个节点处理用户查询,另一个节点调用知识库。
  3. 错误处理和恢复:内置机制处理失败,如重试或分支跳转,确保鲁棒性。

不足

  1. 抽象过度:LangChain的层层封装有时掩盖底层细节,调试困难。错误信息不友好,开发者需深入源码定位问题。
  2. 结果不准:对一些PDF的图象和表格的生态支持不是特别好,这时候需要去做另外的支持。
  3. 记忆管理局限:长期记忆实现(如向量数据库)可能不稳定,在多轮对话中易丢失上下文。
  4. 性能开销:代理的决策过程依赖多次LLM调用,可能导致延迟和高成本。例如,一个简单查询可能触发多个工具调用,影响响应时间。

参考链接

相关推荐
岁月宁静1 小时前
五、《从零手撸 Agent》 — 什么是 Agent:从“会聊天”到“会做事”,差的就是一个循环
python·agent
阿里云云原生6 小时前
AgentLoop × Qoder:采集自动装,审计直接问
云原生·agent
我不会起名字3227 小时前
Agent 总调错工具?MCP 接进 Go 后端的 4 个约束
后端·go·agent·mcp
阿里云云原生8 小时前
从生成到决策:AgenticOps 决策模型的能力实测
agent
米小虾8 小时前
Jev 拆解:不写字、只判断,一个「决策模型」如何接管 LLM 最贵的那一步
人工智能·agent
用户95179422510299 小时前
Agent Harness 工程(I5):权限与沙箱——让否决改变控制流
llm·agent
MysTic_Zhong13 小时前
【3】核心引擎:LangGraph 编排与多路召回重排
人工智能·agent
vivo互联网技术13 小时前
研发数字人 Agent:从 0 到 1 的架构与实践
人工智能·agent·mcp
Cosolar14 小时前
从 50ms 到 3 分钟:淘特动线 Agent 如何把 LLM 塞进一个有预算约束的实时系统
人工智能·后端·agent