文章详情

建立我的第一个商业AI代理的三个月，在客户演示期间，一切都崩溃了。

本来应该是一个无缝的自主工作流，变成了反复澄清请求和不一致的决定的令人尴尬的循环。客户仍然有礼貌，但显然感到失望。

他们离开后，我花了几个小时来分析失败，发现我从根本上误解了代理建筑 – 我建立了一个过度复杂的系统，决策界限较差，没有明确的推理路径。

这种失败改变了我的方法，并成为了我如何解释这些系统的基础。一旦您了解了核心原则，建立有效的代理就会变得非常简单。

我讨厌当人们弄乱这些东西时，所以让我们保持简单。

AI代理是：（1）逐步考虑问题，（2）在需要时连接到外部工具，（3）从他们的动作中学习以改善随着时间的推移。

与仅响应提示的聊天机器人不同，代理商主动执行并通过任务进行工作。它们是让某人回答您有关数据问题的区别，并让某人真正为您分析这些数据。

在代理之前，我们将AI解决方案构建为单独的，断开的组件 – 一种用于理解文本的模型，另一个用于生成代码的模型，而另一个用于处理图像的模型。

这种零散的方法（1）迫使用户手动管理工作流程，（2）在不同系统之间移动时的上下文消失，并且（3）为每个过程步骤构建自定义集成所需的（3）。

代理改变了这个范式。

与传统的模型处理孤立的任务不同，代理商可以管理各种功能，同时保持对整个任务的总体理解。

代理商不仅遵循指示 – 它们根据在此过程中所学到的知识进行适应并做出明智的决定，类似于我们人类的运作方式。

让我们通过查看特定任务来了解代理商的功能：分析媒体上的文章。

传统的AI将其分为孤立的步骤 – 总结，提取关键术语，分类内容并产生见解 – 每个步骤都需要明确的人类协调。

限制不仅是孤立地工作，而且您必须手动对整个过程进行测序，明确管理步骤之间的知识转移，并根据中间结果独立确定需要哪些其他操作。

相反，基于代理的方法自主执行每个步骤，而不会失去更广泛的目标。

AI代理基于三个基本原则：

现在您了解了什么是AI代理以及它们为何重要的原因，让我们使用Langgraph构建一个AI代理 – Langchain的框架来构建强大的AI代理。

我真正喜欢Langgraph的是，它使您可以将代理商的思想和动作映射为图形。每个节点代表功能（例如搜索Web或写作代码），以及节点（边）控制信息流之间的连接。

当我开始建造代理时，这对我来说是点击点击，因为我实际上可以看到我的代理思维过程。

让我们看看如何使用Langgraph创建文本分析代理。

该代理商将阅读文章，弄清楚它们的含义，提取重要元素并提供干净的摘要 – 本质上是您的个人研究助理。

首先，您需要设置开发环境。

步骤1 – 创建一个项目目录：

步骤2 – 创建并激活虚拟环境：

步骤3 – 安装必要的软件包：

第4步 – 设置您的OpenAi API：

我将GPT-4O Mini用作代理商的大脑，但是您可以将其交换为您喜欢的任何LLM。如果您没有API密钥：

步骤5-创建一个.env文件：

用OpenAI API键替换“您的AP-KEY-HERY”。

步骤6 – 创建一个名为test_setup.py的测试文件

第7步 – 运行测试：

恭喜，如果您收到答复，您的环境已准备好进行代理建设！

首先，导入必要的库：

StateGraph管理代理组件之间的信息流。 PromptTemplate创建一致的说明， ChatOpenAI将OpenAI的Char模型连接到Power Agent的思维。

我们的代理需要内存来跟踪其进度，我们可以使用TypedDict创建它：

该结构使我们的代理人记住您的要求，跟踪其推理，存储工具数据并准备最终答案。使用TypeDict提供类型安全性，警告我们如果我们存储不正确的数据类型，这简化了调试。

现在，我们的经纪人有了记忆，让我们给它一些思考的功能！

设置温度= 0可确保我们的代理人始终选择最有可能的响应 – 这对于遵循特定推理模式的代理至关重要。作为复习，温度充当LLMS的“创造力旋钮”：

如果您的经纪人做出奇怪的决定，请先检查您的温度设置！

现在，我们将为代理商构建专门的工具，每个工具都处理特定的任务类型。

首先，我们的分类功能：

此功能使用提示模板为我们的AI模型提供明确的说明。该功能采用我们当前的状态（包含我们正在分析的文本）并返回其分类。

接下来，我们的实体提取能力：

此功能处理文档并返回关键实体列表，例如重要名称，组织和地点。

最后，我们的摘要能力：

此功能将文档提炼成其要点的简明摘要。

这些技能结合在一起，使我们的代理商能够理解内容类型，确定关键信息并创建可消化的摘要 – 每个功能都遵循采用当前状态，处理它并将有用信息返回下一个功能的相同模式。

现在，我们将这些功能连接到协调的工作流程：

恭喜！

您已经建立了一个从分类到实体提取到以协调的顺序汇总的代理，允许其理解文本类型，识别重要实体，创建摘要，然后完成该过程。

现在让我们用示例文本测试我们的代理：

运行此代码通过每个功能处理文本：

令人印象深刻的不仅是最终结果，而且每个阶段如何基于上一个阶段。这反映了我们自己的阅读过程：我们首先确定内容类型，然后确定重要的名称和概念，最后创建所有连接所有内容的心理摘要。

这种代理建设方法远远超出了我们的技术示例。您可以使用类似的设置来：

我们的代理在我们设计的节点和连接的刚性框架内工作。

这种可预测的限制了其适应性。与人类不同，代理商遵循固定的途径，在面对意外情况时不能枢转。

上下文理解是另一个限制。该代理可以处理文本，但缺乏人类自然掌握的更广泛的知识和文化细微差别。代理在提供的文本范围内运行，尽管添加Internet搜索可以帮助补充其知识。

黑匣子问题也存在于代理系统中。我们看到输入和输出，但没有内部决策。诸如GPT-O1或DeepSeek R1之类的推理模型通过展示其思维过程提供了更大的透明度，尽管我们仍然无法完全控制内部发生的事情。

最后，这些系统不是完全自主的，需要人类的监督，尤其是用于验证产出和确保准确性。与任何其他AI系统一样，最好的结果来自将AI功能与人类的监督相结合。

了解这些限制有助于我们建立更好的系统，并确切知道何时需要介入。最佳结果来自将AI功能与人类专业知识相结合。

回顾我令人尴尬的客户演示失败，我现在认识到了解代理人的局限性对于成功至关重要。我过度复杂的系统崩溃了，因为我忽略了代理体系结构的基本约束。

通过接受代理：（1）需要清晰的框架，（2）在定义的途径内运行，（3）作为部分黑匣子操作，（4）需要人类的监督，我已经建立了实际提供结果而不是无尽的澄清循环的系统。

这种痛苦的演示教会了我AI开发中最有价值的教训：有时候，建立非凡的事物的途径始于理解AI无法做的事情。

了解这些局限性并不能减少代理技术，这使其真正有用。这就是演示崩溃的演示与提供结果的解决方案之间的区别。

👉在LinkedIn上与我联系！

我分享日常可行的见解，技巧和更新，以帮助您避免昂贵的错误并保持在AI世界中的领先地位。在这里关注我：

👉不要错过我的新闻通讯！

我的技术受众加速器充满了可行的文案写作和构建策略，这些策略帮助数百名专业人士脱颖而出并加速了他们的成长。立即订阅以保持循环：