如何思考智能体框架

在人工智能领域，智能体框架的选择和设计一直是热点话题。近日，LangChain的Harrison发表了一篇深度博客，试图厘清智能体框架的核心概念和比较维度。他指出，构建可靠智能体系统的真正难点并不在于模型本身，而在于如何确保每一步都向LLM传递正确的上下文。这包括精确控制输入的内容以及执行适当的步骤来生成相关上下文。

文章首先澄清了“智能体”的定义。Harrison批评了OpenAI过于笼统的“智能体是独立完成任务的系统”这一说法，认为它缺乏实用性。相比之下，他赞赏Anthropic的定义，即将“工作流”视为通过预定义代码路径编排的系统，而“智能体”则是由LLM动态控制自身流程和工具使用的系统。他强调，大多数生产环境中的智能体系统都是工作流和智能体的混合体，因此框架必须同时支持两者。

接着，作者讨论了智能体系统在可预测性与自主性之间的权衡。随着系统自主性增加，可预测性通常会降低，而可靠性往往与可预测性相关。LangGraph被定位为一个低级别的编排框架，提供声明式和命令式两种API，并在此基础上构建智能体抽象。它的核心优势在于通过节点和边（Nodes and Edges）的图形化表示来构建系统，同时支持持久化层、人类介入模式以及流式输出。

文章中特别比较了工作流框架和智能体框架的“地板”和“天花板”。工作流框架通常“高地板、高天花板”，即入门门槛高但功能强大；而纯智能体框架是“低地板、低天花板”，易于上手但有局限性。LangGraph试图同时提供低门槛的智能体抽象和高灵活性的底层编排能力。

最后，Harrison回应了OpenAI智能体指南中的争议观点，并重申了上下文控制在构建可靠系统中的核心地位。他认为，任何使控制LLM输入变得更加困难的框架都是适得其反的。这篇文章为开发者选择和使用智能体框架提供了宝贵的思考框架。