電子報讀者募集中！歡迎 訂閱電子報！

在使用 LangChain 開發 AI 助手時，Agent 是實現工具選擇和任務執行的核心組件。LangChain 提供了多種類型的 Agent，讓開發者可以針對不同應用場景進行選擇與配置。

這些代理類型是 initialize_agent 提供的 預設代理類型 (Agent Type)，每一種都有其特定的用途與邏輯，適合不同的應用場景。

本文將全面解析 LangChain 中的主要 Agent 類型，並對它們的適用場景、優缺點進行比較，幫助你快速找到最適合的解決方案。

參考自官方 API 文件: LangChain Agent Types

什麼是 Agent？

在 LangChain 中，Agent 是負責「推理」與「執行」的角色。當用戶提出問題或需求時，Agent 會根據定義的 Prompt 和工具描述，決定如何處理問題，甚至可能需要多次使用工具來完成任務。

Agent 的核心能力包括：

1. 分析用戶輸入。
2. 選擇適合的工具。
3. 整合工具的回應並生成最終回答。

主要 Agent 類型及其特點

1. Zero-shot-react-description

• 描述：不依賴額外的示例，純粹基於工具的描述和 Prompt 來推斷任務解決方案。
• 適用場景：適合任務簡單且工具描述清晰的場景。
• 運作方式：使用 ReAct (Reasoning + Acting) 框架進行推理與工具選擇。
• 優點：
  • 簡單直觀，易於快速上手。
  • 不需要準備額外的訓練或示例數據。
• 缺點：
  • 工具選擇依賴描述質量。
  • 面對多步驟或複雜任務時，性能可能不足。
• 適合應用：日期查詢、簡單數學計算等單步驟任務。

---

2. Structured-chat-zero-shot-react-description

• 描述：改進自 zero-shot-react-description，專為結構化對話設計，可更有效地管理多輪對話中的工具使用。
• 適用場景：需要多輪對話且需要工具輔助的應用，例如智能客服。
• 運作方式：在多輪對話中維護上下文，讓工具選擇更加準確。
• 優點：
  • 更適合長對話流程。
  • 能處理對話中的工具調用。
• 缺點：
  • 工具描述依賴性仍然較高。
• 適合應用：客服、語言學習輔助等需要多輪互動的場景。

---

3. Self-ask-with-search

• 描述：結合檢索工具進行自問自答，用於需要檢索外部資料的複雜場景。
• 適用場景：需要從網路、數據庫或知識庫檢索資料的應用。
• 運作方式：AI 通過內部「提問-回答」流程進行多步檢索與推理。
• 優點：
  • 支援知識密集型任務。
  • 對於動態數據（如最新新聞）表現良好。
• 缺點：
  • 效率較低，尤其是在檢索需求不高時。
  • 需要額外配置檢索系統（如向量資料庫）。
• 適合應用：學術研究、技術支持、知識管理系統。

---

4. Conversational-react-description

• 描述：專為多輪對話設計的 Agent，支援上下文追蹤，能在對話中選擇合適的工具來完成任務。
• 適用場景：長對話場景，例如個人助理或聊天機器人。
• 運作方式：Agent 會記住用戶的過去輸入，結合上下文來進行推理與工具調用。
• 優點：
  • 支援上下文管理，使對話更加流暢。
  • 能根據對話過程調整回答。
• 缺點：
  • 對記憶管理的需求較高。
  • 設置和調試相對複雜。
• 適合應用：語音助手、私人秘書等多步驟交互需求的場景。

---

5. React-docstore

• 描述：專為文檔檢索而設計，從一個預定義的文檔儲存中查詢資料。
• 適用場景：內部知識庫查詢，如公司文件或產品手冊。
• 運作方式：利用文檔儲存系統作為工具，從中檢索並回答用戶問題。
• 優點：
  • 高效處理結構化文檔查詢。
  • 能快速應對內部知識查詢需求。
• 缺點：
  • 僅適用於文檔相關任務。
  • 需要提前準備文檔儲存系統。
• 適合應用：企業內部系統、產品手冊查詢。

---

6. Toolkit-json

• 描述：專門處理 JSON 數據的 Agent，適合用於結構化數據分析。
• 適用場景：需要與 JSON API 或數據處理結合的應用。
• 運作方式：從 JSON 資料中提取並處理關鍵數據。
• 優點：
  • 專注於 JSON 格式資料，分析效率高。
  • 適合結構化數據場景。
• 缺點：
  • 功能專一，通用性較弱。
• 適合應用：API 數據處理、報表生成。

---

Agent 類型比較總覽

Agent 類型	適用場景	優點	缺點
Zero-shot-react-description	單步任務，工具描述清晰	簡單快速，適合入門	複雜推理能力有限
Structured-chat-zero-shot-react-description	多輪對話與工具結合	適合結構化對話	工具描述依賴性高
Self-ask-with-search	需要資料檢索的應用	支援多步驟檢索	效率較低，需額外檢索配置
Conversational-react-description	長對話與上下文推理	支援上下文管理，適合長對話	記憶管理需求高，設置稍複雜
React-docstore	文檔查詢	高效處理內部文檔查詢	非文檔場景適用性差
Toolkit-json	JSON 資料處理	專注於 JSON 數據	功能專一，不適用通用場景

---

如何選擇合適的 Agent 類型？

1. 快速實現、應用簡單：

   • 選擇 zero-shot-react-description。

2. 需要支持多輪對話：

   • 單工具多輪對話：structured-chat-zero-shot-react-description。
   • 複雜對話與上下文：conversational-react-description。

3. 需要檢索知識或文檔：

   • 網路檢索：self-ask-with-search。
   • 文檔查詢：react-docstore。

4. 處理結構化數據：

   • JSON 分析：toolkit-json。

---

崴寶結語

LangChain 提供的多種 Agent 類型，選擇適合的 Agent，不僅能提高系統效率，也能提升使用體驗。

如果你正在尋求入門，從 zero-shot-react-description 開始是最佳選擇；而對於需要更高複雜性的應用，conversational-react-description 或 self-ask-with-search 則是值得探索的方向。