代理架构¶

许多 LLM 应用程序在 LLM 调用之前和/或之后实现特定的控制流步骤。例如，RAG 会检索与问题相关的文档，并将这些文档传递给 LLM 以使模型的响应具有依据。

我们有时不希望硬编码固定的控制流，而是希望 LLM 系统能够选择自己的控制流来解决更复杂的问题！这是对代理的一种定义：代理是一个使用 LLM 来决定应用程序控制流的系统。LLM 可以控制应用程序的方式有很多种

LLM 可以路由两个潜在路径之间
LLM 可以决定调用众多工具中的哪一个
LLM 可以决定生成的答案是否足够，或者是否需要更多工作

因此，存在许多不同类型的代理架构，这些架构赋予 LLM 不同程度的控制权。

Agent Types

路由器¶

路由器允许 LLM 从指定的一组选项中选择一个步骤。这是一种控制程度相对有限的代理架构，因为 LLM 通常只控制单个决策，并且可以返回一组狭窄的输出。路由器通常采用几种不同的概念来实现这一点。

结构化输出¶

使用 LLM 进行结构化输出是通过提供 LLM 响应时应遵循的特定格式或模式来实现的。这类似于工具调用，但更通用。工具调用通常涉及选择和使用预定义函数，而结构化输出可以用于任何类型的格式化响应。实现结构化输出的常用方法包括

提示工程：指示 LLM 以特定格式进行响应。
输出解析器：使用后处理从 LLM 响应中提取结构化数据。
工具调用：利用某些 LLM 的内置工具调用功能生成结构化输出。

结构化输出对于路由至关重要，因为它们确保系统可以可靠地解释和执行 LLM 的决策。在此操作指南中详细了解结构化输出。

工具调用代理¶

虽然路由器允许 LLM 做出单个决策，但更复杂的代理架构以两种关键方式扩展了 LLM 的控制权

多步决策：LLM 可以控制一系列决策，而不仅仅是一个。
工具访问：LLM 可以从各种工具中进行选择并使用它们来完成任务。

ReAct 是一种流行的通用代理架构，它结合了这些扩展，集成了三个核心概念。

工具调用：允许 LLM 根据需要选择和使用各种工具。
内存：使代理能够保留和使用先前步骤中的信息。
计划：使 LLM 能够创建和遵循多步骤计划以实现目标。

这种架构允许更复杂和灵活的代理行为，超越简单的路由，从而能够跨多个步骤进行动态解决问题。您可以使用createReactAgent来实现它。

工具调用¶

当您希望代理与外部系统交互时，工具非常有用。外部系统（例如，API）通常需要特定的输入模式或有效负载，而不是自然语言。例如，当我们将 API 绑定为工具时，我们赋予模型对所需输入模式的意识。模型将根据用户的自然语言输入选择调用工具，并且它将返回一个符合工具模式的输出。

许多 LLM 提供商都支持工具调用，并且 LangChain 中的工具调用接口很简单：您可以定义工具模式，并将其传递给ChatModel.bindTools([tool])。

Tools

内存¶

内存对于代理至关重要，使它们能够在解决问题的多个步骤中保留和利用信息。它在不同的规模上运行

短期记忆：允许代理访问在序列中较早步骤中获取的信息。
长期记忆：使代理能够回忆起先前交互中的信息，例如对话中的过去消息。

LangGraph 提供对内存实现的完全控制

状态：用户定义的模式，指定要保留的内存的精确结构。
检查点：在跨不同交互的每个步骤存储状态的机制。

这种灵活的方法允许您根据特定的代理架构需求定制内存系统。有关将内存添加到图形的实用指南，请参阅本教程。

有效的内存管理增强了代理维护上下文、从过去经验中学习以及随着时间推移做出更明智决策的能力。

计划¶

在 ReAct 架构中，LLM 会在 while 循环中重复调用。在每个步骤中，代理都会决定调用哪些工具，以及这些工具的输入应该是什么。然后执行这些工具，并将输出作为观察结果反馈给 LLM。当代理决定不再值得调用任何工具时，while 循环将终止。

ReAct 实现¶

本文档与预构建的createReactAgent实现之间存在一些差异

首先，我们使用工具调用让 LLM 调用工具，而本文档则使用了提示 + 原始输出解析。这是因为在编写本文档时工具调用还不存在，但它通常更好且更可靠。
其次，我们使用消息来提示 LLM，而本文档则使用了字符串格式化。这是因为在编写本文档时，LLM 甚至没有公开基于消息的接口，而现在这是它们唯一公开的接口。
第三，本文档要求所有工具的输入都必须是单个字符串。这主要是由于当时的 LLM 能力有限，并且只能生成单个输入。我们的实现允许使用需要多个输入的工具。
第四，本文档只考虑了每次调用单个工具的情况，这主要是由于当时 LLM 的性能限制。我们的实现允许一次调用多个工具。
最后，本文档要求 LLM 在决定调用哪些工具之前显式生成“思考”步骤。这是“ReAct”中“推理”的部分。我们的实现默认情况下不会这样做，这主要是因为 LLM 已经变得更好，并且不再那么必要。当然，如果您希望提示它这样做，您当然可以。

自定义代理架构¶

虽然路由器和工具调用代理（如 ReAct）很常见，但自定义代理架构通常会导致特定任务的性能更好。LangGraph 提供了一些强大的功能来构建定制的代理系统

人机交互¶

人为参与可以显著提高代理的可靠性，尤其是在敏感任务方面。这可能涉及

批准特定操作
提供反馈以更新代理的状态
在复杂的决策过程中提供指导

当无法或不希望完全自动化时，人机交互模式至关重要。在我们的人机交互指南中了解更多信息。

并行化¶

并行处理对于高效的多代理系统和复杂任务至关重要。LangGraph 通过其发送 API 支持并行化，从而实现

多个状态的并发处理
类似 map-reduce 操作的实现
有效处理独立子任务

有关实际实现，请参阅我们的map-reduce 教程。

子图¶

子图对于管理复杂的代理架构至关重要，尤其是在多代理系统中。它们允许

单个代理的隔离状态管理
代理团队的分层组织
代理与主系统之间受控的通信

子图通过状态模式中的重叠键与父图通信。这实现了灵活、模块化的代理设计。有关实施细节，请参阅我们的子图教程。

反射¶

反射机制可以通过以下方式显著提高代理的可靠性

评估任务完成情况和正确性
提供用于迭代改进的反馈
启用自我纠正和学习

虽然通常基于 LLM，但反射也可以使用确定性方法。例如，在编码任务中，编译错误可以作为反馈。这种方法在使用 LangGraph 进行自我校正代码生成的视频中得到了演示。

通过利用这些功能，LangGraph 使能够创建复杂的、特定于任务的代理架构，这些架构可以处理复杂的工作流程，有效地协作并不断提高其性能。