新闻详情

新闻详情

首页 / 资讯中心 / 详情

123.Agent-LangChain核心组件-Agent生命周期钩子(从 before_agent 到 wrap_tool_call)

发布时间:2026/11/4 8:21:20来源:尧图网络
123.Agent-LangChain核心组件-Agent生命周期钩子(从 before_agent 到 wrap_tool_call)
摘要本文围绕 Agent 的生命周期展开系统梳理了代理层钩子before_agent、after_agent、模型层钩子before_model、after_model以及包装/拦截钩子wrap_model_call、wrap_tool_call三类拦截机制。文章详细说明了各阶段钩子的典型用途包括权限隔离、长期记忆读取、风控、上下文剪枝、敏感数据脱敏、死循环熔断、结果修正、缓存命中、重试降级、高危操作审计、最小权限注入等帮助读者理解如何通过钩子机制对 Agent 的执行过程进行精细化管控。内容参考于图灵AI大模型全栈Agent的生命周期它这样的一个过程首先是进入Agent之前before_agent然后是进入模型之前before_model然后是进入模型之后after_model然后是进入Agent之后after_agent然后是调用模型的时候wrap_model_call然后是调用工具的时候wrap_tool_call中间件就是在上方4个过程之间做拦截比如在进入Agent之前做些什么事然后进入模型之前做些什么事然后进入模型之后做些什么事然后进入Agent之后做些什么事通过Agent的生命周期可以看出它有三种代理层Agent层钩子、模型层钩子、包装/拦截钩子钩子可以理解为拦截代理层钩子分before_agent和after_agent也就是进入Agent之前和进入Agent之后进入Agent之前1.可以做权限的隔离和身份的注入方便后续的流程中使用通过这个就可以限制用户可以访问哪些功能比如vip用户使用特殊的模型普通用户使用普通模型还有知识库可以通过权限来获取对应的索引工具也可以通过权限来限制用户可以不可以使用2.从数据库中读取长期记忆到状态中就是读取用户的爱好、历史信息放到状态中这样后续执行任务的时候就可以通过状态获取用户的爱好3.风控比如敏感词过滤、提示词注入检测等当检测到敏感信息比如手机号可以对它进行星号加密如果有提示词注入可以直接拒绝访问4.动态策略就是说根据用户的等级权限调整Token的预算和使用次数进入Agent之后1.指令评估和监控就是当Agent执行完可以对它的结果进行一个评估看看好不好然后把结果放到监控平台上2.计费当Agent执行完后可以对用户的余额进行扣减3.外部系统比如把Agent的结果写到工单里然后人工审批4.存储记忆就是把长期记忆存储到硬盘上持久化到数据库里、模型层钩子before_model和after_model也就是进入模型之前和进入模型之后进入模型之前1.上下文剪枝就是处理很长的聊天记录对历史的消息进行总结保留关键的信息2.敏感数据脱敏比如手机号、身份证这种信息再给模型之前可以对它们进行加密3.注入检测风险用户的问题或工具检索到的结果里面可能存在访问内部数据的脚本这就需要审核才能进行执行如果直接让它执行了会暴露我们的数据4.死循环熔断大模型和工具它们都是互相调用的工具可以调用大模型大模型也会调用工具这样就会形成一个死循环在进入模型之前就可以检测是否出现了死循环进入模型之后1.修正结果比如我们想要结构化的数据比如json结构这一步可以检测大模型返回的内容是否缺失内容从而导致数据是非json结构比如缺失大括号、引号、中括号如果一直修复不成功可以再次调用任务重新生成2.幻觉处理大模型的幻觉3.拒答拦截我们问大模型比如DeepSeek、豆包一些敏感内容它会回答什么什么换个话题这样的内容如果出现这样的回答我们可以拦截一下返回一个我们自己设定好的回答包装/拦截钩子wrap_model_call和wrap_tool_call也就是调用模型的时候和调用工具的时候调用模型的时候1.缓存命中现在的模型它有一个机制通过提示词回答完后它会把提示词和结果缓存起来当有人用了缓存中一模一样的提示词又去提问时会把缓存里的结果返回给用户也就是在调用模型之前先拿着提示词去缓存中查询一下看看这个提示词是否之前有人使用过了如果使用过来就不再调用模型直接返回缓存里的结果这样可以避免Token的消耗2.重试和降级调用模型失败后可以再次调用重试操作如果还继续失败就切换模型降级操作3.影子测试就是有两个模型主副模型这一步就是看看主模型和副模型谁回答的好调用一个新的模型用来评估主副模型回答的效果4.动态指令注入动态修改提示词调用工具的时候高危操作审计就是转账、删除、改配置、发邮件、执行脚本这类高危操作不能直接放行要先挂起走人工审批审批通过后再执行同时把谁申请的、谁审批的、调了什么工具、传了什么参数、返回了什么结果都记到审计日志里方便事后追溯。案例转账/删除等操作需人工审批后执行。最小权限注入就是调用工具时不要给永久、全量的权限而是根据当前用户和任务动态注入一个临时 Token限定它能调用哪些工具、访问哪些资源、能执行什么动作以及有效期多长任务结束就失效这样即使 Token 泄露影响也可控。案例使用临时 Token 调用工具限定权限和时效。超时 容错就是单个工具调用不能无限等待要设置超时时间超时后自动取消避免把整个 Agent 卡死同时要有兜底策略比如返回默认值、缓存结果、降级到备用工具或者提示用户稍后重试。案例单工具调用超时自动取消返回兜底结果。入参校验与修正就是工具调用前先检查参数是否完整、类型是否正确、有没有越权字段比如缺必填项、数字传成字符串、路径穿越等能自动补全或修正的就修正修不了就直接拒绝防止工具执行失败甚至造成安全问题。案例修正或补全错误参数防止工具执行失败。图示
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 2026/11/3 7:07:39

【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 2026/11/3 12:09:35

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 2026/11/3 12:09:38

【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 ... 2026/11/3 12:09:41

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 2026/11/4 1:25:31

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 2026/11/4 3:51:11

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
📞 ✉