今天是2025年7月14日，星期一，北京，晴
我们来继续看agent的问题，一个是LangChain发布的智能体6步构建指南，比较落地的思路，核心的重点就是把业务逻辑梳理清楚。
另一个是AI搜索Agent典型实现范式，看看有哪些值得关注的点。
一、LangChain的智能体6步构建指南
LangChain发布了“智能体6步构建指南”，核心观点是：智能体的能力不是“训练”出来的，而是靠“测试和人类反馈”一步步打磨出来的：https://blog.langchain.com/how-to-build-an-agent/，如下：
1)明确智能体要干嘛->2)写出标准操作流程（SOP）->3)做最小可行版本（MVP）->4)接入真实数据，编排流程->5)迭代测试->6)上线后持续优化，再细化，如下；
二、AI搜索Agent典型实现范式
AI搜索进展，一个范式实现的技术总结，《Towards AI Search Paradigm》(https://arxiv.org/pdf/2506.17188)，讲的是由LLM驱动的智能体（Master、Planner、Executor和Writer）实现的搜索，通过动态协作解决从简单事实查询到复杂多阶段推理任务的搜索需求，很值得一读，这个也是对Graph用于agent 组织的一个具象化应用。
首先来看个对比，与朴素RAG等在是实现上的对比，如下图所示：
左：基础RAG执行one-shot检索后直接生成答案。
中：高级RAG方法，如ReAct和RQ-RAG，涉及推理-动作循环或顺序子查询执行。
右：AI搜索范式引入了一个多智能体系统，其中Master指导Planner根据输入查询制定计划，同时持续评估子任务结果的执行状态和完整性，并在必要时进行反思和重新规划。
也就是，可以拆开几个核心步骤：
1、分解任务
Planner负责构建子任务的有向无环图（DAG）并动态选择合适工具，从而实现结构化且自适应的多步骤执行。
Planner代理负责将复杂查询分解为结构化的子任务，并生成一个有向无环图（DAG）来表示这些任务的逻辑和执行依赖关系。
可以进一部分做成几个步骤：
1）任务分解，将复杂查询分解为一系列原子性的子任务。每个子任务要么绑定到一个外部工具，要么由Executor使用本地LLM计算完成；
2）生成DAG，将这些子任务组织成一个DAG，其中每个节点代表一个子任务，每条边表示子任务之间的依赖关系。
3）工具选择，通过调用MCP服务器平台上的工具来动态调整LLMs的能力边界，并生成一个全局任务计划。Planner根据子任务的逻辑依赖关系，选择合适的工具并绑定到相应的节点。
4）动态规划，通过拓扑深度优先遍历（DFS）来调度和执行DAG中的子任务。每个层次的节点并行执行，如果某个子任务需要外部工具，调用相应的工具并传递子任务的输入。
2、执行任务
Executor使用这些工具执行具体的子任务，这块的关键是衡量执行效果的好坏，所以关键是怎么做奖励，如下：
3、合成答案
最后，Writer生成最终答案，这个其实很关键，其接收Planner分配的所有子任务的结果和信息。
这块可以重点讲下实现细节，包括几个环节。
首先，语义关系识别，识别多个子任务输出之间的语义关系和逻辑结构。这包括识别事实性信息、引用关系和推理结果；
其次，信息重组，使用预定义模板或自适应结构化策略来重新组织信息。这可能涉及合并重复的信息、消除冗余、添加解释性内容以及调整信息的呈现顺序。
最后，内容过滤和消歧，通过内容过滤和消歧来确保最终输出的准确性和一致性。这包括识别和排除矛盾的信息、纠正错误的引用以及提供必要的澄清和补充说明。
参考文献
1、https://blog.langchain.com/how-to-build-an-agent/
2、https://arxiv.org/pdf/2506.17188
（文：老刘说NLP）