環境型代理（Ambient Agents）的新探索
如今，很多 AI 應用程序都采用了常見的聊天模式（"chat" UX）。盡管這種模式實現起來比較簡單，但它會帶來額外的交互成本，限制了人類通過 AI 擴展自身能力的潛力，也未能充分利用大型語言模型（LLMs）的優勢。
在過去的六個月中，我們在 LangChain 一直在探索一種新方式：能夠響應環境信號的代理（Ambient Agents）。這些代理只會在發現重要機會或需要用戶反饋時才與用戶互動，避免了頻繁打斷用戶。此外，用戶不再需要進入新的聊天界面與代理互動，這幫助用戶專注于關鍵任務。
為支持這些新的交互模式，我們構建了 LangGraph，簡化了環境型代理的實現。今天，我們發布了首個參考實現：一個展示關鍵環境型代理模式的 電子郵件助手。接下來幾天，我們還會發布更多示例和工具，幫助開發者輕松構建屬于自己的環境型工作流程。
什么是環境型代理？
在 ChatGPT 或其他聊天機器人中，用戶需要主動發起對話，代理才能開始執行任務。這種代理依賴于人類的輸入來啟動工作。
對于一些使用場景來說，這種方式有效，但它也存在局限：每當需要代理幫忙時，用戶都必須進入聊天界面并發送消息，這增加了操作的繁瑣性。
此外，聊天代理通常一次只能處理一個對話，這限制了代理的多任務處理能力，也讓用戶難以真正擴展自己的能力。
為了解決這些問題，我們提出了一種新的用戶體驗（UX）模式，它應具備以下兩個關鍵特征：
- 它不應僅僅依賴人類消息觸發
- 它應該能夠同時處理多個任務
具備這些特征的代理便是 環境型代理。
?? 環境型代理會監聽一系列事件流，并根據這些事件采取行動，能夠同時處理多個任務。
不過，我們并不認為環境型代理應該完全自主。事實上，我們認為它們的核心在于謹慎處理 何時 和 如何
人類在循環中：適時互動
“人類在循環中”意味著代理在關鍵時刻與人類互動。這里我們會先討論 何時 與人類互動，隨后再討論 如何
我們發現，環境型代理與人類互動時通常會有三種模式：通知、詢問和審查。
- 通知：代理通知用戶某個事件的重要性，但不執行具體操作。這在一些代理無法自行處理但需要引起用戶注意的場景中尤為有用。以電子郵件助手為例，代理可能會標記出收件箱中的一個 Docusign 文檔，雖然它不能自行簽署，但它能提醒我需要處理該文檔。
- 詢問：代理向用戶提問，以獲取信息，進而解鎖下一步操作。當代理需要更多信息才能完成任務時，它會直接向用戶詢問，而不是盲目推測。還是以電子郵件助手為例，代理可能會問我是否要參加某個會議。除非我明確告知代理我的會議偏好，否則代理不應自行決定這些信息。
- 審查：對代理即將執行的操作進行審核。當某些操作具有較高風險時，代理應該允許用戶對其操作進行審查。人類用戶可以批準操作、進行修改，或向代理提供改進建議。電子郵件助手中的審查任務可能就是郵件的發送，代理會先為我撰寫郵件草稿，但最終郵件必須經過我批準或修改后才能發送。
人類在循環中的重要性
讓人類在循環中參與互動，為環境型代理帶來了三個關鍵優勢：
- 降低風險，便于代理投入生產使用
- 模仿人類溝通方式，增強用戶信任與采納
- 支持長期記憶與學習
人類參與互動降低了風險。 如果代理完全自主運作，那么任何錯誤都將無法避免。在沒有高信任度的情況下，您可能不會允許代理直接修改數據庫或向重要客戶發送電子郵件。而通過讓人類參與，代理的操作可以得到人類的審查，避免了重大失誤。
人類參與互動模仿了人類間的溝通方式。 與他人協作時，提問與信息分享是不可或缺的。當不確定如何操作時，代理也應該向用戶提問并尋求指導。像 Devin 這樣的產品設計就是基于此理念的，它們選擇在 Slack 這樣的聊天平臺與用戶互動，因為這與人類同事間的互動方式相似，能增強用戶的信任與采納。
人類參與互動支持代理的長期學習與記憶。 我們相信 AI 代理的重要功能之一就是能夠隨著時間的推移學習并與用戶更加契合。而通過讓人類提供反饋，代理可以逐漸提高任務執行的準確性。
代理收件箱：便捷互動新方式
我們剛才討論了代理應該 何時 與人類互動（通知、詢問、審查），但它們 如何
最初我們嘗試了通過 Slack 進行互動，因為它方便用戶在工作時同時處理代理任務。但 Slack 的缺點是容易遺漏通知，如果沒能及時回復，消息就會堆積。因此，我們提出了“代理收件箱”的概念。
代理收件箱類似于電子郵件收件箱或客服工單系統，專為環境型代理設計。它可以顯示所有未處理的代理任務，方便用戶跟蹤進展。這個收件箱是一個獨立的用戶界面 (UI)，可以輕松集成面板、按鈕等功能來捕捉用戶反饋。目前任務是按時間排序的，未來可能會增加按優先級排序的功能。此外，未來還計劃支持多人協作，顯示哪些任務分配給了用戶，哪些分配給了其他人。
img
注意：代理收件箱的開源實現將于本周四發布。
為什么 LangGraph 適合環境型代理
在構建環境型代理的過程中，我們確保 LangGraph 可以很好地支持這類代理。LangGraph 以及 LangGraph 平臺 具備以下幾個關鍵功能，能夠避免您從零開始構建：
- 內置的持久化層。LangGraph 通過持久化層在代理每次操作（或圖中的節點）之間保存狀態。這意味著代理可以“暫停”操作，等待用戶反饋，非常適合人類在循環中的交互模式和短期記憶需求。
- 內置的人類在循環中的支持。LangGraph 具備內置的支持，幫助實現代理與人類的互動模式。除了持久化層外，最近還添加了 "interrupt" 功能，用于更方便地與終端用戶溝通。
- 內置的長期記憶功能：LangGraph 自帶長期記憶功能，實際上是一個支持語義搜索的命名空間鍵值存儲。這讓代理在每次與用戶交互后，能夠輕松更新“記憶”。
- 內置的定時任務：許多環境型代理是根據時間計劃運行的，以便檢查新事件。LangGraph 平臺自帶定時任務功能，支持此類操作。
構建 AI 電子郵件助手
我們通過每天使用環境型代理，使 LangGraph 成為了構建此類代理的理想平臺。其中一個主要的應用就是 電子郵件助手。如果你在過去六個月內給我發過郵件，很有可能是 AI 代理幫我撰寫了回復（如果我忽略了你的郵件——那肯定是 AI 代理的錯）。
今天我們正式發布該電子郵件助手，不僅作為一個免費試用的托管代理，還作為一個 開源項目。我們希望托管版本能夠讓用戶輕松體驗環境型代理，而開源版本則作為這一新設計范式的參考實現。
本文轉載自 ??AI小智??，作者： AI小智
