Agent

系列导读：Agent 工程需要哪些运维知识 之前写过 Devops概念梳理，主要从 Docker 和 K8s 入手。最近做 Agent，接触到的运行环境更多了：API 在一个地方，工具在沙箱里，数据库走内网，模型又需要访问公网。一个任务没有执行下去，首先得知道是哪条连接出了问题。 ...

工作流画布上的节点和连线，很容易让人以为引擎只是“按顺序调用几个函数”。 真正运行起来以后，问题会复杂得多：哪些节点可以并行？条件分支没选中的路径怎么处理？两个分支什么时候汇合？节点失败后重试什么？等待人工确认时保存什么？后台执行和浏览器看到的进度是什么关系？ ...

之前写 LangGraph 时，提到过它的 Human in the Loop 能力。最近在设计 Agent 的人工介入功能，发现这里有不少值得单独展开的细节。 Agent 可以查询资料、生成内容，也可以调用工具去修改数据、发送消息、发起业务流程。随着它能做的事情越来越多，我们需要明确：哪些事情可以交给它直接完成，哪些地方需要人补充信息，哪些动作必须由人确认。 ...

最近做通用 Agent 技术选型上有两个方向： 1. vanilla agent 2. 框架（langgraph agent， crew AI）等。最终考虑到细节上选择了框架方向，具体框架选择了 langgraph。 langgraph 呢是 langchain 团队做的一个底层 Agent 开发框架，其上 langchain 就是基于 langgraph 做的。我对 langchain 的认知还停留在 2023 年，彼时他只是一个简单的链式反应工具，做Agent 很重不够灵活，我呢一直是鄙视的态度看待。用他的产品也是仅用了他的文档处理相关的，比如confluence解析等。 ...

做通用智能体，首先从 DeepResearch 功能入手。几乎所有 AI应用 公司都会带这个功能。 在做过一些调研后，梳理下自己都这个功能的总结，理解。 首先 让一些出名的 DeepResearch 应用给出 DeepResearch 的调研报告 让我研究我自己？多少有点搞笑。 ...