AI Agent技术栈全解析：从模型服务到托管服务

AI Agent技术栈全解析：从模型服务到托管服务

引用

CSDN

1.

https://blog.csdn.net/2401_85375151/article/details/145125186

2024年，AI技术从简单的聊天机器人向更复杂的智能体转变。AI agent能够自主行动、执行任务，并与外部工具交互，这使得它们背后的技术栈与传统的LLM技术栈有很大的不同。本文将为您详细解析AI agent的技术栈，帮助您了解这个快速发展的领域。

从 LLM 到 Agent：一场深刻的进化

在2022和2023年，我们见证了LLM框架和SDK的爆发，如LangChain和LlamaIndex。与此同时，LLM的使用也变得更加方便，无论是通过API调用还是自行部署（比如vLLM和Ollama）。

然而，到了2024年，大家的目光开始转向更高级的AI "agent"。这个概念虽然早在AI领域就存在，但在ChatGPT时代，它有了新的内涵：能够自主行动、执行任务，并与外部工具交互的LLM。

这种转变意味着，我们需要一套全新的技术栈来支撑agent的发展。

Agent 技术栈：核心差异在哪里？

Agent不仅仅是会聊天的大模型，它们更像是具备一定自主性的智能体。它们需要管理自己的状态（例如，对话历史和记忆）、调用各种工具，并且安全执行。这使得agent的技术栈和传统的LLM技术栈有很大的不同。

让我们从底层到顶层，逐一剖析agent技术栈的关键组成部分：

1. 模型服务：AI 的大脑

• 核心：LLM。这是AI agent的核心动力。
• 服务方式：通过推理引擎提供服务，通常是付费/自己部署API。
• 主要玩家：
• 闭源模型：OpenAI和Anthropic领跑。
• 开源模型：Together.AI、Fireworks和Groq等提供商开始崭露头角，提供基于Llama 3等模型的服务。
• 本地部署：vLLM成为生产级GPU服务的主流选择，而Ollama和LM Studio则深受个人爱好者的喜爱。

2. 存储：记忆的基石

• 核心：持久化状态，如对话历史、记忆和外部数据。
• 关键技术：
• 向量数据库：Chroma、Weaviate、Pinecone、Qdrant和Milvus等用于存储agent的“外部记忆”，应对大容量数据。
• 传统数据库：Postgres通过pgvector扩展也开始支持向量搜索。
• 为何重要？Agent是有状态的，需要长期存储和检索信息。

3. 工具与库：能力的扩展

• 核心：使agent能够执行各种任务的“工具”（或“函数”）。
• 调用方式：通过LLM生成的结构化输出（例如，JSON对象）指定要调用的函数和参数。
• 安全执行：使用沙箱（如Modal和E2B）来确保工具执行的安全性。
• 工具生态：
• 通用工具库：Composio等。
• 专用工具：Browserbase（网页浏览）、Exa（网页搜索）等。
• 为何重要？工具扩展了agent的能力边界，让它们能够完成更复杂的任务。

4. Agent 框架：编排智能的指挥中心

• 核心：负责编排LLM调用，管理agent状态。
• 关键特性：
• 状态管理：如何保存和加载agent状态，例如对话历史和记忆。
• 上下文窗口：如何将状态信息“编译”到LLM的上下文窗口中。
• 跨agent通信：如何实现多agent之间的协作。
• 内存管理：如何应对LLM有限的上下文窗口，管理长期记忆。
• 开源模型支持：如何让agent更好地利用开源模型。
• 热门框架：Llama Index、CrewAI、AutoGen、Letta、LangGraph等。
• 为何重要？框架决定了agent的运行方式和效率。

5. Agent 托管与服务：未来趋势

• 核心：将agent作为服务进行部署，通过API进行访问。
• 当前痛点：状态管理、安全工具执行以及规模化部署是难题。
• 未来展望：未来将会出现标准化的Agents API，让agent的部署更加便捷。
• 为何重要？这将使agent从原型走向真正的应用。

未来已来：agent 技术栈正在高速发展

Agent技术栈整体仍然非常年轻，但它正在以惊人的速度发展。未来的agent将会更加智能、更加自主，它们将会在各行各业发挥重要的作用。