Agents和Workflows孰好孰坏，LangChain创始人和OpenAI杠上了

63 0 0

文章摘要

OpenAI最近发布了一份关于构建AI Agents的实用指南，详细阐述了Agent框架、设计逻辑和编排模式等内容，旨在为产品和工程团队提供指导。然而，LangChain创始人Harrison Chase对OpenAI的某些观点提出了异议，特别是关于“通过LLMs主导Agent”的路线。Chase认为，Agent系统不应被严格区分为二元对立，而应是Workflows和Agents的结合。理想的Agent框架应允许从结构化工作流逐步过渡到模型驱动，并在两者之间灵活切换。

Chase更倾向于Anthropic对Agent的定义，即“Agentic系统”，并将Workflows和Agents视为其不同表现形式。他指出，大多数Agentic系统实际上是Workflows和Agents的混合体，而非纯粹的Agent或Workflow。这种观点与OpenAI的“大模型派”和LangGraph的“工作流派”形成了鲜明对比。大模型派认为，模型升级可能导致精心设计的工作流过时，因此更倾向于构建通用型、结构最少的智能体系统。而工作流派则强调通过显式代码和模块化工作流来构建智能体系统，认为结构化流程更可控、更易调试，也更适合复杂任务。

构建可靠的Agentic系统的核心难点在于确保LLM在每一步都能获得恰当的上下文信息。这包括精准控制输入给LLM的具体内容，以及执行正确的步骤来生成有用的内容。大多数Agentic框架既不是声明式也不是命令式的编排工具，而是提供了一套Agent封装能力的集合。虽然这些封装使入门变得更容易，但它们常常隐藏底层细节，增加了确保LLM获得恰当上下文的难度。

LangGraph被理解为一个编排框架，提供了声明式和命令式的API，并在其上构建了一系列Agent封装。它支持Workflows、Agents以及介于两者之间的任何形态，并具备容错能力、短期记忆和长期记忆等功能。LangGraph的目标是兼具低门槛和高上限，提供内置的Agent封装以方便快速启动，同时支持实现高级用例。

总的来说，Agentic系统的构建需要平衡可预测性和自主性，以及低门槛和高上限。声明式与命令式框架各有优劣，而Agent封装虽然有其价值，但也可能成为构建可靠Agent的障碍。多Agent系统的关键在于它们如何通信，而Workflows和Agents的混合模式往往能带来最好的可靠性。Agent框架的价值在于提供实用的封装，使上手变得容易，并为工程师提供统一的构建方式，从而方便新人加入和项目维护。LangGraph通过提供短期记忆、长期记忆、人机协同、人工监督、流传输、调试/可观测性、容错和优化等功能，为构建可靠的Agentic系统提供了强大支持。