**AI智能体：**AI智能体由配备了工具、多步规划与推理能力的LLM演进而来。
**工具使用：**LLM可通过结构化模式（如JSON）分析任务并分配参数，调用编程定义好的函数或API。
**环境：**AI智能体在迭代执行环境中运行，支持基于反馈的动态决策与持续适配。
**智能体系统：**由自主智能体组成的计算架构，可整合多系统组件、做出决策并实现目标。
智能体式RAG：
- 将LLM的推理、工具使用和规划能力与语义信息检索结合。
- 构建动态系统，可分解任务、执行复杂查询并利用工具解决问题。
从LLM聊天机器人到RAG聊天机器人再到AI智能体的转型，标志着向更智能、自适应且集成工具的系统转变，这样的系统能实时解决复杂问题。
2. 什么是AI智能体？
AI智能体是通过传感器感知环境、处理信息，并通过执行器作用于环境以实现特定目标的系统。可将其视为能观察、思考与行动的数字实体，跟人类与环境的互动类似，不同的是以编程化和目标驱动的方式进行。
AI智能体的概念基于理性行为：智能体应采取实现目标可能性最大的行动。这种理性是AI智能体有别于简单的响应程序的核心特征。
AI智能体具备以下关键特性：
- 自主性：无需人类干预，独立决策。
- 发射性与主动性：响应环境变化并主动采取措施实现目标。
- 适应性：通过处理新信息与经验进行学习与进化。
- 目标导向：以实现预定义目标或优化结果为方向。
- 交互性：与其他智能体或人类沟通协作。
- 持续性：持续运行，监控并响应动态环境。
AI智能体的核心组件包括：
- 感知
- 推理
- 行动
- 知识库
- 学习
- 通信接口
LangGraph的介绍 比较重要
协调器-工作点模式
鉴于orchestrator-worker这种工作流很常见，LangGraph已有Send API 来予以支持。用户可动态创建worker节点，并给每个节点发送特定输入。每worker都有自己的状态，所有worker的输出均写入到协调器图谱可访问的一个共享的状态key。故协调器可访问所有worker输出，然后可整合成最终输出。
2. 智能体设计组件
就最基本形式而言，智能体包含了三个核心组件：
-
模型 (Model)： 为智能体的推理和决策提供动力的 LLM。
-
工具 (Tools)： 智能体可用于执行操作的外部函数或 API。
-
指令 (Instructions)： 定义智能体行为方式的明确指导方针和防护措施。
2.2 定义工具
函数调用 (Function calling) 是让大模型 (LLMs) 与工具交互的主要方式。你经常会看到"函数 (Function)"和"工具 (Tool)"可以互换使用，因为"函数"（可重用的代码块）就是智能体用来执行任务的"工具"。
工具通过利用底层应用或系统的 API 来扩展智能体的能力。对于没有 API 的遗留系统，智能体可以依靠计算机使用模型 (computer-use models)，像人类一样通过网页和应用 UI 直接与这些应用和系统交互。每个工具都应有一个标准化的定义，从而实现工具与智能体之间灵活的多对多关系。文档完善、经过充分测试且可重用的工具可以提高可发现性、简化版本管理并防止重复定义。
3. 编排
在具备了基础组件之后，你就可以考虑编排模式，好让智能体能够有效地执行工作流。
多智能体系统可以建模成图（graph），智能体表示为节点（node）。在管理者和监督者模式中，边（edge）代表工具调用（tool calls）；而在去中心化和军团模式中，边代表交接（handoffs），即在智能体之间转移执行权。
不管采用哪种编排模式，AI智能体工作过程通常遵循以下4个步骤：
-
接收输入：智能体获取用户或环境的指令。
-
推理： 智能体处理输入、评估当前状态，并决定后续动作。
-
执行动作： 智能体执行决策，如调用工具、生成响应或与其他智能体互动。
-
输出结果： 智能体将执行结果反馈给用户或系统。
无论采用何种编排模式，核心原则都是一样的：保持组件灵活可变、可组合，并由清晰、结构良好的提示驱动。