“ 智能體開發過程中存在很多問題，但由于其執行過程是個黑盒，因此其調試存在更多的困難。”

最近一段時間一直在搞智能體方面的開發，主要方向是數據分析智能體；采用的框架是langchain家族的Langgraph框架；原因就在于Langgraph有很強的定制功能。

但是，在實際開發的過程中卻一步一步坎，面臨著各種各樣的問題；比如說數據分析結果不準確，找不到數據或文件，在多鏈路的過程中，智能體只能處理一般的需求，另一半需求被忽視。

但不能因為開發過程中存在問題，就不管不問了，畢竟功能還是要做；因此我們需要思考的是怎么解決問題，所以這里就記錄一下解決問題的思路。

智能體開發過程中問題解決的思路

在智能體開發過程中最大的問題最大的問題就是不確定性，原因在于大模型完全不可控；再加上智能體是以大模型為核心的功能模塊，而大模型的執行過程又是一個黑盒，雖然可以使用一些工具監控大模型的執行過程，比如說Langsmith但整體上來說，智能體的運行過程還存在很多的不可控因素。

目前我們的需求是基于pandas對excel，csv，數據庫等結構化數據，使用大模型做數據分析，比如說統計；給大模型提供一個Python運行環境，并給出數據結構，讓大模型根據自己的理解去生成pandas代碼去執行，然后獲取結果。

之后，再根據統計結果，對數據進行可視化，也就是生成圖表，比如說echart表，柱狀圖，折線圖等等。

而經過幾天的demo測試，發現大模型調用pandas進行數據分析出現很多不可控的因素；比如說有時候大模型會虛構一個文件路徑，導致找不到數據文件；其次，大模型生成結果不穩定，比如會生成一些和數據完全無關的內容，或者僅僅只給出一個解決問題的思路，但卻不自動執行。

然后，在對數據進行統計分析之后，無法調用圖表生成工具生成圖表；只執行到數據分析就結束了；再有就是調用了圖表生成工具，生成的結果是錯誤的或者無法正常生成；更有甚者，大模型會連續調用所有的工具，即使這個工具和目前的業務沒什么關聯。

所以，遇到這種問題應該怎么處理？

其實類似于這種問題，考驗的是我們解決問題的能力，簡單來說就是解決問題的方法；而不僅僅只是考驗我們的技術。

對應用開發者來說，大家做開發基本上都是基于第三方的開源框架或工具；而且很多功能都已經封裝好了，我們只需要會使用即可；而遇到這種問題，我們又不可能一點一點的去翻源碼，而且時間上也不允許；畢竟公司招你來是解決問題的，不是讓你來學習的。

因此，這時我們首先需要定位問題，然后拆解問題；比如說這個數據分析的功能，需要調用Pandas進行數據分析，然后使用圖表工具生成圖表。

這時如果出現問題，我們首先需要做的并不是把整個流程串起來跑；而是要學會定位問題，然后拆分問題。比如說無法生成圖表是因為圖表工具有問題，還是說根本沒有調用圖表工具；或者是第一步的數據分析就有問題，導致分析結果有問題，然后無法生成圖表。

因此，這時我們應該把整個鏈路給拆開，先確認數據分析的結果是否有問題，是否穩定；因此我們就可以把圖表生成工具給拿掉，然后只進行數據分析；如果數據分析有問題，到底是因為模型的原因，還是數據的原因，亦或者你數據分析的流程本身就有問題。

而這時我們就需要使用替換法，比如說更換模型，更換一個能力更強的模型；看看是否能夠進行準確的數據分析，如果測試結果是模型有問題，那么就非常簡單換一個模型就行了；而如果測試結果不是模型的問題，那么可能就是你開發的功能有問題，這時就需要去分析你的代碼和邏輯是否有問題。

但我們很多人會因為嫌麻煩或就是單純的懶，就像一次把功能給跑通；在哪里像無頭蒼蠅一樣，到處亂轉，然后偶爾還會嘀咕剛剛還好好的，然后什么都沒動，為什么現在就不行了呢。

總之，遇到這種問題最好的方式就是使用調試工具或者根據自己的經驗，先大概定位問題的位置，然后把影響因素控制到最小，然后再進行測試；這樣才能更加準確地定位問題。

本文轉載自??AI探索時代?? 作者：DFires