Agent基本架构
先谈谈Agent基本架构概念，如果看得云里雾里，等看完本篇之后，再回头看就会豁然开朗的，而我尽量写得更易懂： ） 这里面会穿插着上一篇的内容，请大家记得往回翻翻，传送门：
AI菜鸟向前飞 — LangChain系列之十四 - Agent系列：从现象看机制（上篇）
-
AgentAction
其中，两个重要属性（其实、还有tool_call_id，以后用到再介绍）
-
-
tool：可理解成“函数名”
-
tool_input：可理解成“函数参数”
-
为了好理解，我这样写
func_ret = {"search_article": search_article()}[each.tool].invoke(each.tool_input)
其实，如果按照更正规的写法应该这样
# 注意，这里我用了observation（“观察”），可参考我的上一篇文章进行回顾
observation = {tool.name: tool for tool in tools}[each.tool].invoke(each.tool_input)
-
AgentFinish
可以通过这个key：return_values获得结果内容
intermediate_steps = []
while not isinstance(
res := agent.invoke({"input": "AI菜鸟向前飞系列文章出自哪里?", "intermediate_steps": intermediate_steps}), AgentFinish):
for each in res:
observation = {tool.name: tool for tool in tools}[each.tool].invoke(each.tool_input)
intermediate_steps.append((each, observation))
# 请注意这里：）
print(res.return_values)
-
Intermediate Steps （中间步骤）
感觉称它为“之前”的步骤，更易懂
记录之前AgentAction的内容和结果
intermediate_steps.append((each, func_ret.content))
在下一次调用的时候，一定要带上它
agent.invoke({"input": "AI菜鸟向前飞系列文章出自哪里?", "intermediate_steps": intermediate_steps}
-
AgentInput
所需要输入的intermediate_steps，上面介绍了👆
-
AgentOutput
所要采取的下一步行动（Action）或发送给用户的最终响应结果（return_values），即：AgentAction或AgentFinish.
现在，相信你更懂它了，对吧？
让我们稍微深入了解它们，官方资料如是说：
next_action = agent.get_action(...)
while next_action != AgentFinish:
observation = run(next_action)
next_action = agent.get_action(..., next_action, observation)
return next_action
但是也是浮于表面，例如：什么时候才真正的AgentFinish？Tool与LLM的交互到底是怎样的？先看这张图吧， 让我们通过源码分析吧。
不会真的看代码吧，那太复杂了，当然不会，请看图吧： ）
Agent运行机制
抽丝剥茧～ 看以下两张图就懂了，不懂可找我： ）
-
图一：（是不是很熟悉，这就是LCEL，同时也是Agent的创建方式）
请参考：
AI菜鸟向前飞 — LangChain系列之六 - 深入浅出LCEL与Chain(上篇)
AI菜鸟向前飞 — LangChain系列之七 - 深入浅出LCEL与Chain(中篇)
AI菜鸟向前飞 — LangChain系列之八 - 深入浅出LCEL与Chain(下篇)
-
图二：（重点来了，一个Agent的“旅行”）
看完之后是不是清晰多了，但还不够，例如：
-
-
tool_calls是如何与Agent执行结果以及和LLM交互之后，可以找到正确的结果的
-
这里面没提到的ToolCall、ToolMessage 以及它们之间的关系
-
过程对象，如：ChatResult、LLMResult，它们各是指什么？
-
还有，各种XXChunks是什么？各代表什么含义？
-
additional_kwargs的用处是什么？
-
…………
-
若大家对这方面感兴趣，可持续关注我，有需要我还会“娓娓道来”，再给大家做深入介绍：）
