课程链接：https://learn.deeplearning.ai/courses/ai-agents-in-langgraph/lesson/1/introduction
github：https://github.com/MSzgy/AI-Agents-in-LangGraph
Introduction
介绍了LangGraph的几种场景。
Build an Agent from Scratch
在这节，将会构建一个由LLM和function组成的Agent，采用ReAct形式（Reason + Act），包含Actions + Observations。
LangGraph Components
将上节讲的Agnent给分解会有如下几个步骤，但是框架需要我们自己搭建，如果碰到复杂的Agent流，就很繁琐。但从视频看来，个人认为LangGraph并没有CrewAI Agent功能强大且方便。
下面图提供了LangChain里面的Agents组件
组件1：Prompts template
组件2：Tools
图中节点类型
图中的状态信息。
Agentic Search Tools
在本节使用了Tavily作为搜索引擎。
Tavily 是一款专为大型语言模型（LLM）和检索增强生成（RAG）应用优化的搜索引擎，旨在为人工智能代理提供高效、快速且持久的搜索结果。
主要功能：
• 实时信息检索：通过 Tavily Search API，AI 开发者可以将应用程序与实时在线信息集成，获取来自可信来源的准确数据，从而提高 AI 生成内容的准确性和可靠性。
• 优化的搜索结果：Tavily 提供快速响应，返回每个页面的精炼摘要，并附带与查询相关的图像，提升用户体验。
• 多源信息整合：与其他搜索 API（如 Bing、Google 和 SerpAPI）相比，Tavily 审查多个来源，从每个来源中提取最相关的内容，优化 LLM 的上下文。
适用对象：
Tavily 适用于 AI 开发者、研究人员以及需要实时、准确信息的企业，特别是那些使用 LLM 和 RAG 技术的用户，可从 Tavily 提供的精确和实时信息检索中受益。
集成与使用：
Tavily 提供 Python SDK，方便开发者在 Python 程序中与 Tavily API 交互，支持基本和高级搜索功能。 此外，Tavily 与 LangChain 和 LlamaIndex 等平台集成，提供文档和教程，帮助用户开始使用和集成 Tavily 服务。
定价计划：
Tavily 提供多种计划，以满足不同规模的使用需求，包括免费的研究者计划和付费的 Bootstrap、Startup 计划，提供更多的 API 调用次数和定制化的主题及来源。
总而言之，Tavily 是一款专为 AI 应用设计的搜索引擎，通过提供实时、准确的搜索结果，帮助 AI 系统减少幻觉和偏见，提升决策能力。
Persistence and Streaming
在于LLM对话时，需要保证以前记忆的持久性，因此在这节，介绍了LangGraph中的persistence。
Human in the loop
Agent会保存每个时刻的memory，并且通过sdk 可以改变state中的信息。
Eassy Writer
在这节，举了个demo，可以生成相应的论文，并使用了gradio作为UI搭建了个app。具体有下图中的几个步骤。这里重点提下reflect(反思)：
reflect 在 Agent 场景中的作用，通常是让 Agent 对自身的思考过程或先前的决策进行回顾和审视，以便在下一步行动中做出改进或校正。具体体现为：
1. 自我检查与纠错：
Agent 可以在执行步骤后通过 reflect 回顾先前的逻辑和推理过程，发现逻辑漏洞、不合理的推断或潜在错误，从而在后续步骤中加以更正。
2. 适应复杂情境：
在复杂任务中，Agent 可能需要分解问题、不断调整策略。reflect 允许 Agent 在任务执行过程中对自身的策略进行动态评估，根据当前反馈和上下文变化进行适当的策略更新。
3. 提高决策质量：
通过反思（reflect），Agent 能够不断改善自身决策的整体质量，使得最终输出更具有连贯性、正确性和可靠性，增强对话或任务处理的智能性和稳定性。
简单来说，reflect 的作用就是让 Agent 有机会“回头看看”自己走过的路、思考过的逻辑，从而在下一步中做得更好。
