阅读langgraph文档后编写，原文链接
https://langchain-ai.github.io/langgraph/concepts/high_level/
agent介绍
大语音模型LLMs是非常强大的，特别是LLMs与外部API或者检索数据库结合时，将使得的大模型如虎添翼。所以，在调用LLM之前或之后我们通常会插入一些控制流程。例如，经典的RAG结构，我们会先检索出与问题相关的资料，将资料作为输入prompt的一部分，传递给LLM来生成。又比如将输出的内容格式化，变成程序可以执行的参数，调用程序执行后续逻辑。通常，在这些流程控制被称链（chain），chain是LLM应用开发中常见的编程范式。每次chain的调用都会运行相同的控制流。
然而，我们经常希望得到能自己选择流程控制的大模型应用。这种应用就可以被称为智能体（Agent）。agent的定义就是“使用LLM来决定应用程序控制流的系统”。与chain不同的是，agent应用赋予了LLM对给定的一系列流程控制的选择权。比如：两条潜在路径之间进行路由、决定调用多个工具中的哪一个、决定生成的答案是否足够，还是需要更多的工作等等。
chain与agent概念举例：🌰
-
case 1:
父母（程序员）给孩子（LLM app）从上幼儿园到大学选专业，结婚选对象，全部安排好。这就是chain的模式，稳定可控，但是需要较多心神。 -
case 2:
父母告诉孩子要上幼儿园了，但是给孩子几个选项，上大学时，孩子可以从几个热门专业中选几个。这个孩子就属于一个agent应用。 -
case 3:
不需要父母告诉孩子太多，自己选择要不要上学，要不要结婚，不给设下人生的条条框框。这也属于一个agent应用，属于更高程度的自主化（high agentic），但是会有更高的风险。
目前agent已经发展出许多架构🔗，这些不同的架构对有应用着不同级别的自控能力。（拓展一下我另一篇文章：什么是agent什么又是agentic）
最弱的情况只是一个路由功能，从两条路线中选一条执行。而另一个极端则是，完全自主的选择所需的所有步骤和执行次数，甚至是自己编写步骤。
多数agent架构都会包含以下概念：
- 工具调用：这通常是LLMs做出决策的方式
- 操作行为：通常情况下，LLMs 的输出结果会被用作下一个操作的输入
- 记忆：可靠的系统需要了解已经发生的事情
- 规划：规划步骤（显式或隐式）对于确保LLM在做出决策时以最高保真度的方式做出决策是有用的。
面临的挑战
在实际应用中，我们通常需要权衡agent的自控能力和可靠性。随着我们赋予agent更多的自主权，程序往往变得不太可靠。
LangGraph的理念
LangGraph的出发点是帮助控制曲线，在赋予代理更多对应用的控制权的同时保持更高的可靠性。
以下是几个支持langGraph实现目标的几个核心支柱能力。
可控性
LangGraph 通过将应用程序的流程表示为一组节点Node和边Edge，为开发人员提供了高度的控制权。所有节点都可以访问和修改公共状态State（Memory）。可以使用连接节点的边来设置应用程序的控制流，这些边可以是确定性的，也可以是通过条件逻辑（ConditionEdge）设置的。
下图是其中一种agent的结构示意图。
持久化
可以通过短期（内存、缓存）或者长期（数据库等），来持久化State。
流式输出
我们对每个Node的处理过程是可见的，甚至node中间过程也是可以见的。
人工介入
可以进行人机交互模式；例如，可以暂停代理、检查其状态、编辑其状态并批准后续步骤。
Debugging
构建完图后，通常需要对其进行测试和调试。LangGraph Studio 是用于可视化和调试 LangGraph 应用程序的专用 IDE。（它有点重，我实际上并不喜欢用）
