全代理架构 (All Agentic Architectures)

欢迎来到这门关于现代 AI 代理设计的综合实战大师课。本仓库包含了由 LangChain 和 LangGraph 构建的 17+ 种最前沿代理架构的详细实现。它旨在成为一本“活的”教科书，弥合理论概念与生产级代码之间的鸿沟。

📖 为什么选择本仓库？

AI 代理领域的发展速度极快，但许多资源仍然停留在抽象和理论层面。本项目的创建旨在为开发者、研究人员和 AI 爱好者提供一条结构化、实战化且极具教育意义的学习路径，以掌握构建智能系统的艺术。

• 从理论到实战代码： 每个架构不仅有原理解释，还通过可运行的 Jupyter Notebook 进行了端到端的实现。
• 结构化学习路径： Notebook 的编排循序渐进，从基础模式到高度复杂的多代理及自认知系统。
• 强调评估： 我们不仅构建代理，还会对其进行衡量。大多数 Notebook 都采用了稳健的 LLM-as-a-Judge（大模型作为评判者）模式，为代理的性能提供定量、客观的反馈——这是生产级 AI 开发的一项关键技能。
• 真实世界场景： 示例基于金融分析、代码编写、社交媒体管理、医疗分诊等实用场景，使概念具有极强的现实意义。
• 一致的现代框架： 通过使用 LangGraph 作为核心编排器，你将学习到一种强大的、有状态的、循环式的代理设计方法，这种方法正迅速成为行业标准。

---

🏛️ 架构深入解析

该合集涵盖了现代代理设计的全貌，从单代理的增强功能到复杂的协作式、自改进系统。

#	架构	核心概念 / 简介	关键用例	Notebook
01	Reflection (反思)	从单次生成转变为通过批判和优化自身工作来执行的多步推理。	高质量代码生成、复杂摘要	01_reflection.ipynb
02	Tool Use (工具调用)	通过调用外部 API 和函数，使代理能够克服知识截止日期并与现实世界交互。	实时研究助手、企业机器人	02_tool_use.ipynb
03	ReAct	在自适应循环中动态交织推理（“思维”）和行动（“工具使用”），以解决复杂的多步问题。	多跳问答、网页导航与研究	03_ReAct.ipynb
04	Planning (规划)	在执行前主动将复杂任务分解为详细的、分步骤的计划，确保工作流的结构化和可追溯。	可预测的报告生成、项目管理	04_planning.ipynb
05	Multi-Agent Systems (多代理系统)	由多个专业代理组成的团队协作解决问题，通过分工实现最终输出的深度、质量和结构上的优化。	软件开发流水线、创意头脑风暴	05_multi_agent.ipynb
06	PEV (规划、执行、验证)	一种高度稳健的自校正循环，验证器代理检查每个动作的结果，从而实现错误检测和动态恢复。	高风险自动化、金融、不可靠工具	06_PEV.ipynb
07	Blackboard Systems (黑板系统)	一种灵活的多代理系统，代理通过共享的中心化内存（“黑板”）进行机会主义协作，并由动态控制器引导。	复杂诊断、动态意义构建	07_blackboard.ipynb
08	Episodic + Semantic Memory (情节+语义记忆)	结合向量存储（用于过去对话的情节记忆）和图数据库（用于结构化事实的语义记忆）的双重记忆系统，实现真正的长期个性化。	长期个人助理、个性化导师	08_episodic_with_semantic.ipynb
09	Tree of Thoughts (ToT - 思维树)	通过在树结构中探索多个推理路径，评估并剪枝分支，系统性地找到最优解。	逻辑谜题、受限规划	09_tree_of_thoughts.ipynb
10	Mental Loop (模拟器)	代理在其内部的“心智模型”或模拟器中测试动作，以预测结果。	预测性决策、高风险环境模拟	10_mental_loop.ipynb