LangGraph入门（一）为什么要用LangGraph

作者：CSDN博客

阅读langgraph文档后编写，参考链接
https://langchain-ai.github.io/langgraph/concepts/high_level/

agent介绍

大语音模型LLMs是非常强大的，特别是LLMs与外部API或者检索数据库结合时，将使得的大模型如虎添翼。所以，在调用LLM之前或之后我们通常会插入一些控制流程。例如，经典的RAG结构，我们会先检索出与问题相关的资料，将资料作为输入prompt的一部分，传递给LLM来生成。又比如将输出的内容格式化，变成程序可以执行的参数，调用程序执行后续逻辑。通常，在这些流程控制被称链（chain），chain是LLM应用开发中常见的编程范式。每次chain的调用都会运行相同的控制流。
然而，我们经常希望得到能自己选择流程控制的大模型应用。这种应用就可以被称为智能体（Agent）。agent的定义就是“使用LLM来决定应用程序控制流的系统”。与chain不同的是，agent应用赋予了LLM对给定的一系列流程控制的选择权。比如：两条潜在路径之间进行路由、决定调用多个工具中的哪一个、决定生成的答案是否足够，还是需要更多的工作等等。
chain与agent概念举例：