AI Agent 指的是有能力主动思考和行动的智能体，能够以类似人类的方式工作，通过大模型来“理解”用户需求，主动“规划”以达成目标，使用各种“工具”来完成任务，并最终“行动”执行这些任务。
在 Agent 出现之前，我们将 AI 模型建为独立且互不关联的组件——一个模型用于理解文本，一个模型用于生成代码，还有一个模型用于处理图像。
这种碎片化的方法
- 迫使用户手动管理工作流程
- 导致在不同系统之间切换时上下文信息消失
- 需要为每个流程步骤集成 ai 模型
Agent 的出现就是为了解决这一碎片问题。
与处理孤立任务的传统模型不同，Agent 能够管理各种功能，同时保持对整个任务的全面理解，它通过赋予大型语言模型 (LLMs) 访问工具和知识来扩展其能力，使模型能够连贯执行一系列操作。
现在让我们使用 LangGraph来构建一个文本分析 agent。
LangGraph 是 LangChain 生态系统中的一个开源框架，专门用于构建基于大型语言模型（LLM）的复杂应用程序。它通过 图结构（Graph） 将应用逻辑组织为有向图，提供灵活的流程控制和状态管理能力，适用于开发多智能体（Multi-Agent）、多步骤、动态交互的智能系统。
该 Agent 将根据文章内容，进行归纳分类，提取重要元素并给出摘要信息。
开发环境准备
- StateGraph 管理代理组件之间的信息流
- PromptTemplate 创建一致的指令
- ChatOpenAI 连接到 OpenAI 的字符模型，为 agent 提供思维支持
定义一个名为 ‘State’ 的 TypedDict，用于结构化个工具方法的状态数据
temperature 参数很重要
- temperature=0：专注、确定性的响应
- temperature=1：更加多样化、更具创造力的输出
- temperature=2：天马行空、有时语无伦次的想法
api_key 是访问 AI 服务（如 OpenAI、DeepSeek 等）的身份凭证，用于：
- 身份验证：确保请Agent 智能体求来自授权用户。
- 权限控制：限制调用接口的范围（如仅允许特定模型或功能）。
- 计费与监控：跟踪 API 调用次数、费用和使用模式。
base_url 是访问 AI 服务的连接，不同 AI 服务商的 base_url 不一样。
现在，我们将为 Agent 构建专用工具方法，每个工具分别处理特定的任务类型。
分类功能
首先，是我们的分类功能：
此函数使用提示模板向我们的 AI 模型发出清晰的指令。该函数获取当前状态（包含我们正在分析的文本）并返回其分类。
实体提取功能
接下来是我们的实体提取功能：
此函数处理文档并返回关键实体列表，例如重要名称、组织和地点。
摘要功能
最后，我们的摘要功能
此功能将文档提炼为要点的简明摘要。
这些技能相结合，使我们的代理能够理解内容类型、识别关键信息并创建易于理解的摘要——每个功能都遵循相同的模式：获取当前状态、进行处理，并将有用信息返回给下一个功能
OK，到之类我们就已经构建了一个完整的用于文章归纳总结摘要的 Agent，它能够按照协调的顺序完成从分类到实体提取再到摘要的整个过程，使其能够理解文本类型、识别重要实体、创建摘要，然后完成整个流程。
现在让我们用示例文本测试我们的代理：
运行结果
随着大模型能力的不断突破，未来 AI Agent 将深度融入社会生产与生活，成为数字化转型的核心驱动力。开发者与企业需关注场景适配性、数据安全和人机协作，以最大化其价值。
发布者：全栈程序员-站长，转载请注明出处：https://javaforall.net/246176.html原文链接：https://javaforall.net
