LangChain解决问题的思路

可以把解决问题当做一个过程，我们可以从不同的角度去观察解决问题的方式，主要分成按数据源，按问题复杂度，按问题的解决方式划分，只是概念上的不同，其实最终解决问题的方式是灵活的，统一的。

按数据源:

非结构化数据–方式1（向量化)

Step1：源文档向量化

Step2: 问答时检索相似向量作为context

其它方式: KNN聚类，Time Weighted VectorStore，TFIDF

非结构化数据：各种文档，电子书，word，pdf, 代码等

结构化数据–方式1（数据库SQL,知识图谱CQL)

自然语言问题–>SQL–>(SQL语法检查)–>查询结果–>自然语言答案

按问题复杂度

普通问题

参考上述按数据源的方式

复杂问题

Chains的方式，问题解决步骤较多时，拆分多个子步骤

Chains的种类：SequentialChain，RouterChain，FLARE等

FLARE: 开始回答问题，如果您开始生成模型不确定的token，请查找相关文档，使用那些文档继续生成，重复直到完成，需要生成答案的 LLM 需要返回 logprobs，这样我们才能识别不确定的token。

按问题的解决方式, 不同的Agent

Agent: 根据用户输入,去调用其它的工具，把Chain，Prompt，model之类的都放在Agent里，Agent负责调用这些，用户只需和Agent对话。可以认为现实世界中的一个人。
Action Agents：最终的任务执行的人，例如工程师，操作者。
Plan-and-Execute Agents：只做计划的人，例如架构师，领导者。

Action Agents

执行流程和状态：

Agent决定使用哪个工具（如果有的话），以及该工具的输入应该是什么；然后使用该工具输入调用该工具，并记录观察结果（这只是使用该工具输入调用该工具的输出）；工具、工具输入和观察的历史被传回Agent，并决定下一步采取什么步骤；重复此操作，直到代理决定不再需要使用工具，然后直接响应用户。

Plan-and-Execute Agents

收到一些用户输入；计划者列出了要采取的步骤；执行者遍历步骤列表，执行它们

有意思的思路1

Agent Simulations: 构建一个虚拟环境，多个Agent之间进行交互，类强化学习中的多Agent，互相学习。

有意思的思路2：

以协作方式运行 BLOOM-176B 等大型语言模型——您加载模型的一小部分，然后与服务其他部分的人员合作进行推理或微调。

Autonomous Agents，自治思想

Agent的自治思想是指Agent作为一个独立的个体，能够自主地执行任务并做出决策，而不需要外部干预或控制。这种思想源于人工智能领域中的Agent理论，强调Agent应该具备自主性、灵活性、适应性和自适应性等特点，能够在不断变化的环境中自主地学习、适应和优化自己的行为，以实现预设的目标。
在实际应用中，Agent的自治思想通常通过为其设计合适的目标和约束来实现。例如，为Agent设定明确的目标，使其能够自主地根据环境变化调整自己的行为，同时在行为上设定一些约束，以确保其在执行任务时不会对环境和其他Agent造成不良影响。同时，Agent的自治思想也需要考虑到其与其他Agent之间的协作和竞争关系，以实现整个系统的高效运行。
Agent的自治思想是为了让Agent能够更加独立、自主地执行任务，更好地适应不断变化的环境，并实现预设的目标。