作者：老余捞鱼

原创不易，转载请标明出处及原作者。

写在前面的话：
       本文主要介绍了如何利用人工智能代理（AI Agents）从概念到Python中的实际应用，以及如何构建一个内容创作工作流程，通过多个代理协作完成从视频分析到博客撰写的复杂任务，完成后也许这会改变你对人工智能及其能力的看法。

一、动机（Motivation）

        正如一句谚语所说：单打独斗，我们走得更快。携手，我们走得更远。这也与 "没有人可以成为每个领域的专家 "这一理念有关。团队合作和有效的任务分配对于成就大事至关重要。
        类似的原则也适用于大语言模型（LLM）。我们可以将多个 LLM 或人工智能代理（AI Agents）结合起来，每个代理专门负责一个特定领域，而不是让一个 LLM 来处理复杂的任务。这种策略可以使系统更强大，结果质量更高。在本文中，您将了解到：

• 什么是人工智能代理 AI Agents。
• 为什么值得考虑用它们来解决现实世界中的使用案例。
• 如何从零开始创建完整的人工智能代理AI Agents 系统。

二、系统的一般工作流程

        在开始进入编码环节之前，让我们先清楚地了解一下本文所构建系统的主要组成部分。

• 工作流程共有四个代理，每个代理都有专门的技能。首先，向系统提交用户请求。
• Agent 1或Video Analyzer使用 YouTube 频道搜索等外部工具在互联网上进行深入研究，查找与用户请求相关的信息。该代理的结果将被发送到下一个代理进行进一步处理。
• Agent 2 或博文撰写人blog post writer利用之前的结果撰写一篇全面的博文。
• 与Agent 2 类似，Agent 3 和Agent 4 也分别在 LinkedIn 上发布了吸引人的帖子和推文。
• 来自Agent 2 , Agent 3 , 和 Agent 4 的响应都被保存到不同的标记文件中，可供最终用户使用。

三、我们为什么要关注AI Agents，而不是单一的LLM？

        LLM大多时候的任务只有一个目标：数据提取。在处理更复杂的多步骤任务时，这种方法的局限性就显而易见了。下面将对其中一些局限性进行说明：

3.1 任务执行的灵活性

• 单一提示式 LLM 需要为每项任务仔细编写提示，而且当预期与最初的任务要求发生变化时，可能很难更新。
• AI Agents可将这些复杂性分解为子任务，调整自己的行为，而不需要进行大量的提示工程。

3.2 任务连续性和情境保持

• 单次提示的 LLM 可能会丢失以前互动的重要语境。这是因为它们主要是在单一对话回合的限制下运行。
• AI Agents能够在不同的交互过程中保持上下文，每个代理都可以参考前一个代理的回应来完成他们应该完成的任务。

3.3 专业化与互动

• 经过大量的微调后，Single prompted LLMs （单一提示式 LLM) 可能会拥有专门的领域知识，这可能会耗费大量的时间和财力。
• 另一方面，AI Agents 可以设计为一组专业模型，每个模型专注于特定任务，如researcher , blog writer , social media expert 。

3.4 互联网接入

• Single prompt