?“ Agent智能體技術理論和實際操作完全是兩碼事，這也是為什么市場一直有人說還看不到大模型的應用價值。”

最近在做基于Agent的數據分析功能，主要使用大模型和工具來實現；通過大模型自主分析的能力獲取數據的分析結果，然后調用工具來進行繪圖；開發框架使用的是Langchain和Langgraph。

但是本來以為是一個很簡單的事情，但等到真正操作起來時才發現；其過程遠比自己想象中的要復雜得多。果然是紙上得來終覺淺，絕知此事要躬行。

Agent實際開發中存在的問題

Agent智能體技術，可以說是一個入門特別簡單，但真實落地特別復雜的一門技術；在真正使用Agent技術之前，本以為不過是定義幾個函數，然后讓大模型自己去調用就行了。

但在實際的業務場景中，Agent的使用遠比理論要復雜；技術真的是一個實踐性很強的東西。

以這次做數據分析遇到的問題來說，使用Langchain官方提供的pandas工具來實現數據分析功能；然后使用第三方開源的MCP服務做繪圖工具。

如果單純的使用pandas工具進行數據分析，雖然因為模型的原因其分析效果可能并不是很準確，但至少表面上看起來還有個分析的樣子，也能給出一個看起來比較合理的結果。

但等到把pandas分析工具和繪圖工具結合起來之后其效果就明顯差了不少，甚至生成的結果和給出的數據完全無關；

如下圖所示，但提供的數據源明明是自己手動模仿的一個班級成績表，而結果和學生一點關系都沒有。

所以這里遇到的第一個問題就是，雖然大模型+工具可以實現Agent的功能，而且可以使用Langchain提供的Langsmith監控Agent的執行過程；但從根本上來說，Agent的執行過程是完全不可控的，特別是這個Agent的功能比較復雜的時候。

因此，由于單個復雜Agent的執行過程不可控，且效果不太好；因此，就只能換個思路，把一個Agent拆分成多個Agent，比如說第一個Agent不添加繪圖工具，只實現數據分析的功能；然后再用另一個Agent實現繪圖的功能。

這樣兩個Agent雖然實現起來更復雜一點，但從執行過程上來看其相對是可控的；即使其中某個Agent的效果不好或有什么問題，那么可以隨時換成另一個；而這也剛好符合軟件設計中的解耦思想。

雖然從理論上來說，把一個Agent拆分成兩個或多個Agent使得執行過程更加可控，且也能達到相同的效果。

但等到真正把Agent拆分之后又發現了一個新的問題，那就是多個Agent之間怎么協同；從執行邏輯上來看，應該是先調用數據分析Agent，然后再調用繪圖Agent；但這里就有一個問題，怎么控制其執行順序。

雖然可以通過硬編碼的方式讓兩個Agent順序執行，但這同樣會面臨一個問題。如果需求突然不需要繪圖工具了怎么辦，或者說需要根據用戶的語義判斷是否需要生成圖表，這時硬編碼的方式就不合適了。

其次，在多個Agent執行過程中，數據怎么進行流轉，使用硬編碼的方式，還是其它方式？ 

雖然在Langgraph中提供了狀態圖，可以用來控制數據的流轉；但并不是每個Agent輸出的都是格式化的數據，特別是在具體需求不明的情況下，需要根據用戶的需求生成不同格式化的數據；這時數據的格式化就成了一個難題。

雖然可以讓大模型自己解析上層Agent輸出的數據，但大模型本身就是不可控；這也意味著整個系統的穩定性是不可控的。

所以，在這種相對復雜的應用場景下，使用單個或多個Agent實現業務功能都存在各種各樣的問題；而遇到這種問題應該怎么解決？

說實話遇到這種問題作者也沒什么好的解決方案；只能盡量保證每個環節達到最優解，最后得到整體最優解。

?

本文轉載自??AI探索時代??? 作者：DFires