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：
- 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。
- 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。
- 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。
- 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。
- 简单示例：
python
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：
- 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。
- 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。
- 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
- 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。
- 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。
- 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。
- 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。