AI Agent的设计模式

1.概要

吴恩达教授在演讲中着重指出，AI Agent 正在引领工作流程的革新。与传统的工作流程不同，AI Agent 通过迭代和对话式的模式工作，不再是简单的指令执行者，而是能够进行自我反思、规划和修正的参与者。

在传统的工作流程中，用户向 AI Agent 模型输入指令，模型生成回答，这种方式类似于要求人类专家连续不断地完成任务，没有提供反思和修正的空间。

2.AI Agent简述

吴恩达教授在演讲中着重指出，AI Agent 正在引领工作流程的革新。与传统的工作流程不同，AI Agent 通过迭代和对话式的模式工作，不再是简单的指令执行者，而是能够进行自我反思、规划和修正的参与者。

在传统的工作流程中，用户向 AI Agent 模型输入指令，模型生成回答，这种方式类似于要求人类专家连续不断地完成任务，没有提供反思和修正的空间。

AI Agent 的代理工作流是一个动态的、迭代的过程。AI Agent 首先接收一个大致的任务，然后制定工作计划，执行任务，并在每一步中进行自我评估和修正。AIAgent与其他工具（如：谷歌搜索，谷歌地图，Dell-3,Suno等）结合，形成更高级的Ai模型。Agent是将人类的思维，管理模式，结构化prompt的方法告诉大模型来规划，并调用工具执行，且不断迭代的方法。AI Agent更加符合人个性化的需求，满足针对不同场景所需要的不同Ai。

3.AI Agent设计模式

3.1 反思（Reflection）

反思模式允许AI代理审视和评估自身的工作，进行批判性思考，以提升准确性和效率。

我们可以在下面的LangGraph中定义循环：

---

from langgraph.graph import MessageGraph

builder = MessageGraph()
builder.add_node("generate", generation_node)
builder.add_node("reflect", reflection_node)
builder.set_entry_point("generate")


def should_continue(state: List[BaseMessage]):
    if len(state) > 6:
        return END
    return "reflect"


builder.add_conditional_edges("generate", should_continue)
builder.add_edge("reflect", "generate")
graph = builder.compile()

MessageGraph 表示一个有状态图，其中的“状态”只是一个消息列表。每次调用生成器或反射器节点时，它都会在状态的末尾附加一条消息。生成器节点返回最终结果。

这种简单类型的反射有时可以通过多次尝试改进LLM的输出，并让反射节点在批评输出时采用不同的角色来提高性能。

但是，由于反射步骤没有在任何外部进程中进行，因此最终结果可能不会明显优于原始结果。

3.2

对于每一步，响应者的任务是生成响应，沿着以搜索查询的形式执行附加操作。然后提示修订者反思当前状态。逻辑可以在LangGraph中定义如下：

3.2 工具使用（Tool Use）

模式使AI代理能够利用外部工具和资源，如搜索引擎、APIs等，来扩展功能和提高生产效率。

代理循环的概述如下所示：

对于每一步，响应者的任务是生成响应，沿着以搜索查询的形式执行附加操作。然后提示修订者反思当前状态。逻辑可以在LangGraph中定义如下：

from langgraph.graph import END, MessageGraph

MAX_ITERATIONS = 5
builder = MessageGraph()
builder.add_node("draft", first_responder.respond)
builder.add_node("execute_tools", execute_tools)
builder.add_node("revise", revisor.respond)
# draft -> execute_tools
builder.add_edge("draft", "execute_tools")
# execute_tools -> revise
builder.add_edge("execute_tools", "revise")

# Define looping logic:
def event_loop(state: List[BaseMessage]) -> str:
    # in our case, we'll just stop after N plans
    num_iterations = _get_num_iterations(state)
    if num_iterations > MAX_ITERATIONS:
        return END
    return "execute_tools"


# revise -> execute_tools OR end
builder.add_conditional_edges("revise", event_loop)
builder.set_entry_point("draft")
graph = builder.compile()

该代理可以有效地使用明确的反射和基于Web的引用，以提高最终响应的质量。然而，它只追求一个固定的轨迹，所以如果它走错了一步，这个错误可能会影响随后的决定。

3.3 规划（Planning）

规划模式强调AI代理在面对复杂任务时的系统性规划和步骤分解，展现出前瞻性和策略性思维。

LLMCompiler 是一种代理架构，旨在通过 DAG 中急切执行的任务来加速代理任务的执行。它还通过减少对 LLM 的调用次数来节省冗余令牌使用的成本。下面是其计算图的概述：

3.4 多智能体协作（Multiagent Collaboration）

多智能体协作模式突出了多个AI代理之间的合作和协调，通过互补和协同作用提高整体的执行效率。但这个方向没有案例，现在各家也不允许调用智能体，只能看以后了。

小结

我们期待着新一代的大型语言模型，如GPT-5，能够进一步推动AI代理的发展。未来的AI代理将更加个性化、智能化，它们将深入到每个家庭、每个个人、每个企业的日常生活中，成为我们不可或缺的伙伴。

AI代理的发展是一条漫长而充满挑战的道路，但它也充满了无限的可能性。随着技术的不断成熟和应用场景的不断拓展，我们有理由相信，AI代理将成为通往智能化未来的重要桥梁。

感谢大家的观看，能看我碎碎念到现在，如果可以请点个赞吧，非常感谢。