Agentic AI与生成式AI入门指南：从核心概念到实践避坑

1次阅读

没有评论

共计 2645 个字符，预计需要花费 7 分钟才能阅读完成。

在人工智能领域，Agentic AI（自主代理 AI）和生成式 AI（Generative AI）代表了两种不同的技术范式。虽然它们都属于 AI 的范畴，但设计理念和应用场景有着显著差异。

Agentic AI 的核心特点是具备自主决策能力，通常由以下几个关键组件构成：

感知模块 ：负责接收环境输入
决策引擎 ：基于规则或学习算法做出判断
执行单元 ：将决策转化为具体行动
反馈循环 ：评估行动效果并优化后续决策

相比之下，生成式 AI 主要关注内容创作，其典型架构包括：

输入编码器 ：将提示转换为内部表示
生成模型 ：基于概率分布产生输出
输出解码器 ：将模型输出转化为可读格式

graph TD
    subgraph Agentic_AI
        A[感知] --> B[决策]
        B --> C[执行]
        C --> D[反馈]
        D --> A
    end

    subgraph Generative_AI
        E[输入] --> F[编码]
        F --> G[生成]
        G --> H[解码]
        H --> I[输出]
    end

在实际应用中，这两种技术往往需要协同工作。以智能客服系统为例：

生成式 AI 负责理解用户问题并生成自然语言响应
Agentic AI 决定何时转接人工、如何记录对话历史等策略
两者通过共享的对话状态（Conversation State）进行信息交换

首先需要安装必要的 Python 库：

pip install langchain==0.0.198 openai==0.27.8 python-dotenv==1.0.0

建议使用 Python 3.10+ 版本以获得最佳兼容性。

LangChain 框架提供了构建 Agentic 系统的核心类：

AgentExecutor：代理执行器，管理整个决策流程
Tool：工具接口，定义代理可调用的外部能力
LLMChain：语言模型链，处理自然语言交互

下面是一个结合天气 API 和文本生成的完整示例：

from langchain.agents import Tool, AgentExecutor, LLMSingleActionAgent
from langchain.llms import OpenAI
from langchain.chains import LLMChain
from langchain.utilities import OpenWeatherMapAPIWrapper

# 初始化天气工具
weather = OpenWeatherMapAPIWrapper()
tools = [
    Tool(
        name="Weather",
        func=weather.run,
        description="查询城市天气，输入格式：' 城市名, 国家代码 '"
    )
]

# 设置代理提示模板
template = """ 你是一个天气助手，根据需要决定是否查询天气信息。问题: {input}
请逐步思考并决定是否需要查询天气工具。"""

# 创建 LLM 链
llm = OpenAI(temperature=0)
prompt = PromptTemplate(template=template, input_variables=["input"])
llm_chain = LLMChain(prompt=prompt, llm=llm)

# 构建代理
agent = LLMSingleActionAgent(
    llm_chain=llm_chain,
    output_parser=output_parser,
    stop=["\n 观察:"],
    allowed_tools=tools
)

executor = AgentExecutor.from_agent_and_tools(
    agent=agent,
    tools=tools,
    verbose=True
)

# 执行查询
executor.run("上海明天会下雨吗？")

批量请求 ：将多个 API 调用合并为单个请求
缓存策略 ：对频繁查询的结果实现本地缓存
超时设置 ：合理配置 connect_timeout 和 read_timeout
异步处理 ：使用 asyncio 提高并发能力

防范提示词注入的正则表达式示例：

import re

def sanitize_input(text):
    # 过滤特殊指令
    pattern = r'(?i)(\bimport\b|\beval\b|\bexec\b|`|\\|\$\{)'
    return re.sub(pattern, '[REDACTED]', text)

Redis 存储方案 ：

import redis
from datetime import timedelta

r = redis.Redis(
    host='localhost',
    port=6379,
    db=0,
    decode_responses=True
)

def save_session(session_id, data, ttl=3600):
    r.setex(f"chat:{session_id}", timedelta(seconds=ttl), json.dumps(data))

数据库存储 ：使用 SQLAlchemy 等 ORM 框架
内存缓存 ：适合短时对话场景

当工具调用失败时，可采用以下处理流程：

重试机制（不超过 3 次）
返回预设的友好错误信息
记录故障日志供后续分析
触发备用工具链

建议关注以下指标：

任务完成率 ：代理成功解决问题的比例
工具使用效率 ：每次会话平均调用工具次数
用户满意度 ：通过反馈评分量化
响应时效 ：从提问到获得有效响应的时间

Dockerfile 示例：

FROM python:3.10-slim

WORKDIR /app
COPY requirements.txt .
RUN pip install --no-cache-dir -r requirements.txt

COPY . .

ENV OPENAI_API_KEY="your-key"
ENV REDIS_URL="redis://redis:6379/0"

CMD ["gunicorn", "--bind", "0.0.0.0:8000", "app:app"]

通过本文的介绍，我们系统梳理了 Agentic AI 和生成式 AI 的核心区别与协作方式。在实际项目开发中，建议从简单场景入手，逐步增加复杂性。特别要注意生产环境中的性能优化和安全防护，这些都是新手容易忽视的关键点。随着经验的积累，可以尝试设计更复杂的代理系统和评估体系，充分发挥两类 AI 技术的协同效应。

正文完