新闻详情

新闻详情

首页 / 资讯中心 / 详情

Agent Loop 拆解

发布时间:2026/11/18 7:32:26来源:尧图网络
Agent Loop 拆解
思考回答下面三个问题:Agent Loop 到底是什么?LangChain 是怎么把这个 Loop 实现出来的?LLM 明明只是输出,为什么它能驱动整个程序继续运行?一、LangChain 的 Agent Loop 到底是什么?LangChain 当前的create_agent()本质上创建的是一个LangGraphCompiledStateGraph。官方源码直接说明:Agent 会调用模型;如果AIMessage中存在tool_calls,就进入工具节点;工具结果作为ToolMessage写回消息状态;然后再次调用模型;如此重复,直到模型不再产生tool_calls。因此最核心的 Loop 可以抽象成:┌──────────────────┐ │ User │ └────────┬─────────┘ ↓ ┌──────────────────┐ │ State │ │ messages │ └────────┬─────────┘ ↓ ┌───────────┐ ┌────→│ LLM │ │ └─────┬─────┘ │ ↓ │ AIMessage │ │ │ 有 tool_calls? │ / \ │ Yes No │ ↓ ↓ │ ToolNode END │ ↓ │ ToolMessage │ ↓ └──── State一句话:LangChain Agent Loop = Model → 判断 Tool Call → Tool 执行 → Tool Result 写入 State → Model → …… → 无 Tool Call → End。这看似简单,但真正的工程实现远比这个 Loop 复杂。二、第一层:最原始的 Agent Loop如果完全不用 LangChain,其实只需要几十行代码。LangGraph 官方 Quickstart 给出的最基本实现,本质就是:whileTrue:model_response=call_llm(messages)ifnotmodel_response.tool_calls:breaktool_results=execute_tools(model_response.tool_calls)messages+=[model_response,*tool_results]LangGraph 的官方 Quickstart 就直接用这种while True形式展示 Agent Loop。所以 Agent 的本质并没有那么神秘。可以把它压缩成:whilenotfinished:response=LLM(state)ifresponse.tool_calls:results=Tools(response.tool_calls)state.update(results)else:finished=True这就是 Agent。三、那么 LangChain 为什么还需要 LangGraph?因为生产级 Agent 不是简单的while True。状态管理 工具并行 工具错误 重试 超时 Human-in-the-loop 中断恢复 Memory Streaming Middleware 动态模型 动态工具 结构化输出 多 Agent 持久化 Tracing如果全部塞进:whileTrue:代码会迅速失控。所以 LangChain 的设计变成:Agent │ create_agent() │ ↓ LangGraph Runtime │ ┌───────┴────────┐ ↓ ↓ StateGraph Runtime │ ├── model ├── tools ├── middleware ├── conditional edges └── state当前 LangChain v1 的create_agent()返回的就是CompiledStateGraph,而不是一个简单的 Python Agent 类。四、核心秘密:Agent Loop 实际上被“图”实现了这是理解 LangChain Agent 的关键。逻辑上:LLM ↓ Tool ↓ LLM ↓ Tool ↓ LLM程序实现上却变成:START │ ↓ ┌─────────┐ │ model │ └────┬────┘ │ ↓ tool_calls? / \ Yes No ↓ ↓ ┌──────┐ END │tools │ └──┬───┘ │ └────────→ model所以:Agent Loop 不是 LangChain 写了一个神秘的 Agent 循环,而是把循环表达成了 LangGraph 的 StateGraph + Conditional Edge。LangGraph 官方 Quickstart 的底层代码正是:builder.add_node("llm_call",llm_call)builder.add_node("tool_node",tool_node)builder.add_edge(START,"llm_call")builder.add_conditional_edges("llm_call",should_continue,["tool_node",END])builder.add_edge("tool_node","llm_call")这四行代码基本把 Agent Loop 的骨架完全暴露出来了。五、最关键的节点:Model Node现在来看第一次 LLM 调用。用户:“北京今天的天气怎么样?”State:{"messages":[HumanMessage(.
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/17 7:04:08

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/17 5:42:44

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/17 19:43:34

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/17 6:55:04

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/17 5:57:47

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/17 19:43:32

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉