构建有效的 Agent 及实践_building effective agents-优快云博客

本文链接：https://blog.youkuaiyun.com/Jackxiaochen/article/details/145960628

引言

这是来自 Anthropic 公司发布的一篇 Building effective agents 文章，这篇文章算是行业的一个 Agent workflow 构建的一个最佳实践了，所以在这里翻译和总结一下。

原文译文：

在过去的一年里，我们与数十个团队合作建立了大型语言模型（LLM ) agent。最成功的实现始终没有使用复杂的框架或专门的库。相反，他们使用简单、可组合的模式进行构建。

在这篇文章中，我们分享了我们从与客户和构建 agent 合作中学到的知识，并为开发人员提供了构建有效 agent 的实用建议。

什么是 Agents？

“Agent” 有多种定义。一些客户将 agent 定义为完全自主的系统，它们可以在较长时间内独立运行，使用各种工具来完成复杂的任务。其他人则使用该术语来描述遵循预定义工作流程的更具规范性的实现。在 Anthropic ，我们将所有这些变体归类为agent系统，但在工作流程和agent之间划出了一个重要的架构区别：

工作流程是LLMs和工具通过预定义的代码路径进行协调。
另一方面，agent是LLMs动态地指导他们自己的流程和工具的使用，保持对如何完成任务的控制。

何时（以及何时不）使用 Agents

使用以下方式构建应用程序时LLMs，我们建议找到最简单的解决方案，并且只在需要时增加复杂性。这可能意味着根本不要构建agent系统。agent系统通常会牺牲延迟和成本来换取更好的任务性能，您应该考虑这种权衡何时是合理的。

当需要更多复杂性时，工作流可以为明确定义的任务提供可预测性和一致性，而当需要大规模灵活性和模型驱动的决策时，agent是更好的选择。然而，对于许多应用程序来说，优化单个LLM通常，使用检索和上下文示例的调用就足够了。

何时以及如何使用框架

LangChain 的LangGraph ；
Amazon Bedrock 的AI Agent 框架；
Rivet ，一个拖放式 GUILLM工作流程构建器；
Vellum ，另一个用于构建和测试复杂工作流程的 GUI 工具。

这些框架通过简化标准的低级任务（如调用）使入门变得容易LLMs、定义和解析工具以及将调用链接在一起。但是，它们通常会创建额外的抽象层，从而掩盖底层的提示和响应，使它们更难调试。当更简单的设置就足够时，它们还会让人忍不住增加复杂性。

我们建议开发人员首先使用LLM直接使用 API：许多模式只需几行代码即可实现。如果您确实使用框架，请确保您了解底层代码。对底层内容的错误假设是客户错误的常见原因。

构建块、工作流和agent

在本节中，我们将探讨在生产中看到的agent系统的常见模式。我们将从基础构建块开始——增强LLM—并逐步增加复杂性，从简单的组合工作流程到自主agent。

构建模块：增强型LLM

agent系统的基本组成部分是LLM通过检索、工具和记忆等增强功能，我们当前的模型可以积极使用这些功能——生成自己的搜索查询、选择合适的工具并确定要保留哪些信息。

在这里插入图片描述

我们建议重点关注实施的两个关键方面：根据您的具体用例定制这些功能，并确保它们为您的LLM。虽然有很多方法可以实现这些增强，但其中一种方法是通过我们最近发布的模型上下文协议，它允许开发人员通过简单的客户端实现与不断增长的第三方工具生态系统集成。

在这篇文章的剩余部分，我们假设每个 LLMcall 可以访问这些增强功能。

工作流程：提示链接

提示链将任务分解为一系列步骤，其中每个步骤LLM调用处理前一个调用的输出。您可以在任何中间步骤上添加程序检查（参见下图中的“gate”），以确保流程仍在正常进行。

在这里插入图片描述

何时使用此工作流程： 此工作流程非常适合可以轻松、干净地将任务分解为固定子任务的情况。主要目标是通过使每个子任务都具有更高的准确性来权衡延迟LLM称之为更简单的任务。

提示链有用的示例：

生成营销文案，然后将其翻译成不同的语言。
撰写文档大纲，检查大纲是否符合某些标准，然后根据大纲撰写文档。

Workflow：路由

路由将输入分类并将其定向到专门的后续任务。此工作流程允许分离关注点并构建更专业的提示。如果没有此工作流程，针对一种输入进行优化可能会损害其他输入的性能。

在这里插入图片描述

何时使用此工作流程： 路由非常适合复杂的任务，这些任务有不同的类别，最好单独处理，并且可以通过以下方式准确处理分类：LLM或更传统的分类模型/算法。

路由有用的示例：

将不同类型的客户服务查询（一般问题、退款请求、技术支持）引导到不同的下游流程、提示和工具中。
将简单/常见问题路由到较小的模型（如 Claude 3.5 Haiku），将困难/不寻常的问题路由到功能更强大的模型（如 Claude 3.5 Sonnet），以优化成本和速度。

Workflow：并行化

LLMs有时可以同时执行一项任务，并通过编程方式汇总其输出。这种工作流程（并行化）体现在两个关键变化中：

分段：将任务分解为并行运行的独立子任务。
投票： 多次运行相同的任务以获得不同的输出。

在这里插入图片描述

何时使用此工作流程： 当划分的子任务可以并行化以提高速度，或者需要多个视角或尝试以获得更高置信度的结果时，并行化是有效的。对于具有多个考虑因素的复杂任务，LLMs当每个考虑事项由单独的LLM呼叫，从而将注意力集中到每个特定方面。

并行化有用的示例：

切片：
- 在一个模型实例处理用户查询的同时，另一个模型负责筛选其中不适当的内容或请求，这样的防范措施往往比让同一个大语言模型同时处理防范和核心响应表现得更为出色。
- 自动化评估LLM性能，其中每个 LLMcall 评估模型在给定提示上表现的不同方面。
投票：
- 审查一段代码是否存在漏洞，其中几个不同的提示会审查该代码，如果发现问题则标记该代码。
- 评估给定的内容是否不适当，使用多个提示评估不同的方面或需要不同的投票阈值来平衡误报和误报。

Workflow: Orchestrator-workers

在 Orchestrator-Workers 工作流中，中央LLM动态分解任务，将其委托给工作人员LLMs，并综合他们的结果。

在这里插入图片描述

何时使用此工作流程： 此工作流程非常适合无法预测所需子任务的复杂任务（例如，在编码中，需要更改的文件数量以及每个文件中更改的性质可能取决于任务）。虽然它在拓扑上相似，但与并行化的主要区别在于其灵活性 - 子任务不是预先定义的，而是由编排器根据特定输入确定。

orchestrator-workers 有用的示例：

每次对多个文件进行复杂更改的编码产品。
搜索任务涉及收集和分析来自多个来源的信息以获取可能相关的信息。

Workflow：评估器-优化器

在评估器-优化器工作流程中，LLM一个调用会产生响应，而另一个调用则会循环提供评估和反馈。

在这里插入图片描述

何时使用此工作流程： 当我们有明确的评估标准，并且迭代改进提供可衡量的价值时，此工作流程特别有效。良好契合的两个标志是，首先，LLM当人类表达他们的反馈时，反应可以得到明显改善；其次，LLM可以提供这样的反馈。这类似于人类作家在撰写一篇精美的文档时可能经历的迭代写作过程。

评估器-优化器有用的示例：

文学翻译中译者LLM最初可能没有捕捉到，但评估者LLM可以提供有用的批评。
复杂的搜索任务需要多轮搜索和分析才能收集全面的信息，然后评估人员决定是否有必要进行进一步搜索。

Agents

agent 正在成为生产中的LLMs在关键能力方面日趋成熟——理解复杂输入、进行推理和规划、可靠地使用工具以及从错误中恢复。agent通过人类用户的命令或与人类用户的互动讨论开始工作。任务明确后，agent会独立规划和操作，并可能返回人类那里获取更多信息或判断。在执行过程中，agent必须从每一步的环境中获得“基本事实”（例如工具调用结果或代码执行）以评估其进度。然后，agent可以在检查点或遇到阻碍时暂停以征求人类的反馈。任务通常在完成后终止，但通常也会包括停止条件（例如最大迭代次数）以保持控制。

agent 可以处理复杂的任务，但它们的实现通常很简单。它们通常只是LLMs使用基于环境反馈的工具进行循环。因此，清晰、周到地设计工具集及其文档至关重要。我们在附录 2（“快速设计您的工具”）中扩展了工具开发的最佳实践。

在这里插入图片描述