AI Workflow & AI Agent：架构、模式与工程建议
各人读完觉得有资助记得关注和点赞！！！Agents 只是一些“在一个循环中，基于情况反馈来选择合适的工具，终极完成其任务”的大模型。
过去一年中，我们与几十个团队合作过，构建了很多差别行业的大模型 Agent。 我们从中得到的履历是：乐成的 Agent 并不是依靠复杂的框架或库， 而是基于简单、可组合的模式徐徐构建的。
本文总结我们在此过程中积累的一些 Agent 方法论，并给出一些实用的工程建议。
1 什么是 AI Agent/Workflow？
现在关于 AI Agent 并没有一个统一的定义：
[*] 有人将 Agent 定义为完全自主的体系，这些体系可以在较长时间内独立运行，使用各种工具来完成复杂任务。
[*] 有人则用这个术语来描述一种遵循预定义工作流的规范实现（prescriptive implementations that follow predefined workflows）。
在 Anthropic，我们将所有这些统一归类为 agentic systems。
1.1 Workflow vs. Agent
固然统一称为“智能体体系”，但我们照旧对 Workflow 和 Agent 做出了重要的架构区分， 因此二者属于两类差别的体系：
[*] Workflow：通过预定义的代码路径来编排大模型和和工具 （systems where LLMs and tools are orchestrated through predefined code paths）；
[*] Agent：大模型动态决定自己的流程及使用什么工具，自主控制怎样完成任务 （systems where LLMs dynamically direct their own processes and tool usage, maintaining control over how they accomplish tasks）。
1.2 何时使用/不使用 Agent & Workflow
在使用大模型构建应用程序时，我们建议寻找尽可能简单的方案，只有在须要时才增长复杂性。
[*]这意味着如无须要，不要试图构建 Agent/Workflow。
[*]Agent/Workflow 固然在处理任务时效果更好，但通常也会有更高的延迟和资本，因此须要权衡利弊。
如果确实是要解决复杂场景的问题，
[*]Workflow 为明确定义的任务提供了可猜测性和一致性，
[*]Agent 则在须要大规模灵活性和模型驱动的决策时是一个更好的选择。
但是，对于很多应用程序来说，大模型自己加上 RAG、in-context examples 等技术通常就足以解决问题了。
1.3 何时以及怎样使用框架
许多框架可以简化 Agent/Workflow 的实现，包罗：
[*]LangGraph from LangChain;
[*]Amazon Bedrock’s AI Agent framework;
[*]Rivet, a drag and drop GUI LLM workflow builder; and
[*]Vellum, another GUI tool for building and testing complex workflows.
这些框架通过简化标准的底层任务（如调用 LLM、定义和解析工具以及链接调用）使用户更轻易入门。 但是，它们通常会创建额外的抽象层，这可能会使底层的提示和响应变得难以调试，增长了不须要的复杂性。
我们建议开辟者，
[*]首选直接使用 LLM API：本文接下来先容的许多模式几行代码就能实现；
[*]如果确实要用框架，要确保理解这些框架的底层代码。对底层代码的错误假设是常见的问题来源。
1.4 一些例子
见 anthropic-cookbook。
2 Workflow & Agent 的基础构建模块
2.1 增强型大模型&
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。
页:
[1]