Databricks 上生成式人工智能的实用 MLflow 指南 (Chinese Edition)

第 7 章 高级 代理和工具

本作品已使用人工智能进行翻译。欢迎您提供反馈和意见：[e-mail]

在前几章中，我们使用了一个简单的调用工具的智能体，它通过查询 Databricks Vector Search 来回答关于 Unity Airways 的常见问题。智能体（通常被称为AI 智能体）标志着生成式人工智能（GenAI）应用开发领域的一次重大转变。 它们能够制定计划、调用工具、观察结果，并根据反馈进行迭代，从而实现自主决策和多步骤推理。由于代理无需依赖预定义的工作流即可适应复杂场景，因此能够将曾经需要耗时的人工干预的任务缩短至仅需几秒钟。例如，在处理航班取消或特定航班变更等旅客请求时，客户服务中心将从中获益匪浅。

代理的快速普及使其成为人工智能社区中最受热议的话题之一，各大企业和研究机构正大力投资于代理框架及工具的开发，例如模型上下文协议（MCP）。对更完善框架的追求，加上活跃的市场需求和贡献者的支持，推动了 MLflow 3.x 的快速发展——因为开发者正寻求可靠的工具来管理和部署这些更为复杂的生成式人工智能应用。

本章将深入探讨智能代理技术，以帮助我们的 Unity Airways 助手为用户执行更复杂的任务。 我们将探讨智能代理开发的基础知识，学习如何在 MLflow 中使用 LangGraph 以及在不同提供商之间切换模型，同时了解如何创建工具并将其集成到我们的智能代理系统中。此外，我们还将简要介绍一些高级功能，例如测量工具性能、流式响应、对话历史记录管理以及多智能代理协调策略，最后总结如何将智能代理注册到 MLflow 中以便后续使用。

使用 MLflow 开发智能代理

正如本书前文所述，MLflow 3.x 是帮助 AI 开发者应对 AI 开发复杂性的实用工具。它为 prompt 管理、自定义指标评分器、利用追踪实现可观测性等提供了标准化框架，并具备许多其他功能。 我们之前的代理只能回答 Unity Airways 的预设常见问题，但如果客户还想查询最新的航班状态呢？由于该代理未连接到实时航班数据，因此无法回答此类问题。让我们构建一个更复杂且互联的系统来解决这个问题。

什么是代理、AI 代理和代理式 AI？

代理 通常指 能够根据预定义的任务和流程进行选择或决策的系统。过去，这些系统通常是一套决策规则和工具的组合，通过相互连接来执行最终用户可能提出的任务。 早期客户服务中的聊天机器人通常使用 if-else 规则来执行操作，例如查询航班预订（如果该选项可用）或查询航班时刻表（如果用户在提问中提到了具体的航班号，例如“JNC123”）。

如今，融合了LLM的人工智能代理已成为更先进的系统，不再依赖于硬编码的if-else规则。它们利用LLM理解查询内容并据此生成答案，从而进行决策。 通过与各类工具集成，该代理成为了一个强大的系统，能够执行多种操作，例如从数据库中查询航班时刻表，而无需用户以特定格式输入信息。通常，这些架构依赖于一个监督代理，由其决定调用哪些工具。这一能力堪称变革性突破，因为它使聊天机器人更加流畅、自然、多功能且相关性强，从而拓宽了自主代理的潜在应用场景。

更进一步，这些系统可以演进为所谓的“代理式人工智能系统”（），其中监督代理可以在多个 AI 代理之间进行选择以回答查询，将问题拆分并转交给专门针对特定类型查询进行调优的合适代理。

图 7-1展示了这三种代理的示例，以及它们在“Unity Airways”用例中的差异。

图 7-1. 使用传统代理、AI 代理和代理式 ...