许多任务在LLM工作流中需要动态决策，其中确切步骤通常事先未知，并取决于先前行动的结果。虽然某些LLM应用程序使用结构化的、预定的LLM或其他工具调用序列，但LangChain代理为这些更复杂的场景提供了所需的灵活性。
代理不遵循链那样的固定路径，而是使用LLM作为其核心推理 (inference)引擎。可以将LLM视为不仅仅是一个文本生成器，而是一个决策者。针对用户目标，代理利用LLM决定下一步采取什么行动、为此行动使用哪个工具以及向该工具提供什么输入。
代理循环：思考、行动、观察
代理运作的核心是一个迭代循环：
- 思考： 基于初始目标和任何先前步骤，LLM对当前情况进行推理 (inference)。它会考虑自己拥有哪些信息、还需要什么，以及采取何种行动最能接近目标。这种内部“独白”在正确提示时通常由LLM明确生成。
- 行动： 基于其思考过程，LLM决定执行某个具体行动。一个行动通常涉及选择一个工具并指定该工具的输入。工具是允许代理与外部环境交互、执行计算、获取信息或运行代码的功能或服务。例子包括网络搜索、Python REPL、数据库查询界面或您定义的自定义函数。
- 观察： 所选工具根据指定输入执行。此执行的结果被记录为观察结果。此观察可能来自网页的文本内容、计算结果、API调用数据，或者工具失败时的错误消息。
- 重复： 观察结果连同原始目标和之前思考-行动-观察步骤的历史一起反馈给LLM。LLM随后开始下一个推理循环（思考），可能根据从观察中获得的新信息选择不同的行动。
此循环持续进行，直到LLM确定原始目标已完全达成，或直到达到预设的停止条件（例如最大步骤数）。
代理遵循的迭代过程，通过LLM根据工具执行的观察结果来决定行动。
为什么使用代理？
与简单的链相比，代理在处理复杂性和不确定性时提供了显著的优势：
- 适应性： 它们能根据中间结果动态调整策略。如果某种方法失败或产生了意想不到的信息，代理可以对此进行推理 (inference)并尝试不同的工具或行动。
- 工具集成： 代理提供了一个自然的框架，用于赋予LLM访问外部能力，从而克服LLM的固有局限性（例如缺乏实时信息或无法进行精确计算）。
- 复杂问题解决： 它们能将复杂的任务目标分解成一系列更小、可管理并通过工具执行的任务，这模仿了人类解决问题的方式。
本质上，代理帮助LLM从简单的输入-输出转换转变为自主的问题解决者，能够与环境交互以达成目标。链擅长处理可预测的线性工作流，而代理在需要推理、规划和与外部资源交互的场景中表现出色。后续部分将详细介绍如何为代理配备工具并构建它们。
