Przepływy pracy a agenci: Kto powinien wybrać następny krok w badaniach?

Agenat badawczy zauważa stwierdzenie „LangGraph umożliwia trwałe wykonywanie zadań”, zaznacza odpowiednią pozycję w tabeli porównawczej i poleca to narzędzie. Wysyłasz lokalną aplikację – proces się zatrzymuje i nic się nie kontynuuje. Co poszło nie tak?

Pominięto pewne warunki. „Obsługa trwałości danych” to nie to samo, co „trwałość danych jest zintegrowana w tej aplikacji”. Agenat zajmujący się analizą rynku, który warto wykorzystać, powinien zauważyć tę różnicę, przejrzeć opisy funkcji i czasami zmienić swoje kolejne pytania w zależności od tego, co odkryje.

We wcześniejszych częściach tej serii w centrum uwagi znajdował się sam czas wykonywania zadań. Tym razem pytanie brzmi, jak dużą swobodę ma model w ramach tego czasu wykonywania.

Dwa sposoby na zbadanie tego samego zlecenia

Załóżmy, że zlecenie wymaga określenia związku pomiędzy LangGraph a Deep Agents, a także tego, czego potrzebuje usługa badawcza w Pythonie do przywrócenia działania po awarii, korzystając wyłącznie z oficjalnych dokumentacji.

Jednym z podejść jest ustalony proces. Podajesz odpowiednie strony, wyodrębniasz kluczowe twierdzenia, porównujesz ich zastrzeżenia i tworzysz opis z odniesieniami. To właśnie jest przepływ pracy.

Drugie podejście pozwala modelowi samodzielnie wybrać następny krok. Model wyszukuje informacje, otwiera stronę, zauważa brakującą informację i decyduje, co badać dalej. To jest agent.

Oba podejścia mogą wykorzystywać modele, narzędzia, różne ścieżki działania oraz możliwość ponownych prób. Rzeczywista różnica polega na tym, kto decyduje o ścieżce postępowania. Notatka LangGraph na temat przepływów pracy i agentów jasno to rozróżnia.

Praktyczna zasada ogólna:

• Dokumenty i kroki są już znane: lepiej wybrać przepływ pracy.
• Przydatne źródła pojawiają się tylko podczas badań: spróbuj zastosować agenta o ograniczonych możliwościach.
• Dostawa wyników musi być przewidywalna, natomiast badania niekoniecznie: połącz oba podejścia.

Ten projekt należy do trzeciej kategorii.

Gdy odkrycie zmienia pytanie

Na pierwszy rzut oka ten zarys przypomina konkurs między różnymi frameworkami. Jednak opis Deep Agents pokazuje, że ten framework działa w środowisku LangGraph. Kierunek badania się zmienia.

Stare pytanie: który framework wygrywa?

Nowe odkrycie: oba frameworki funkcjonują na różnych poziomach.

Lepsze pytanie: jakie zadania powinny być realizowane bezpośrednio w aplikacji, a jakie w narzędziu wyższego poziomu?

Persystencja wymaga takiej samej uwagi. Dokumentacja opisuje konfigurację punktów kontrolnych oraz identyfikację wątków dla lokalnych grafów. Rozróżnia również przechowywanie w pamięci tymczasowej od przechowywania w bazie danych, zaznaczając, że Agent Server samodzielnie zarządza infrastrukturą persystencji. Zobacz sekcje Persystencja i Punkty kontrolne.

Przydatna odpowiedź uwzględnia te warunki. Znak z tabeli funkcji tego nie robi. Wszystko poniżej pochodzi bezpośrednio z lektury dokumentacji, a nie z zapisu rozmowy agenta.

Kształt systemu: proces pracy otaczający badacza

Aplikacja określa cel zadania, dozwolone źródła, limity zapytań oraz sposób obsługi wyników. W ramach tego procesu model wybiera odpowiednie wyszukiwania i dokumenty. Badanie pozostaje elastyczne, a dostarczanie wyników jest jasne.

Składniki zaangażowane:

• LangGraph obsługuje zewnętrzne etapy aplikacji.
• SDK Anthropic dostarcza modelowi narzędzia do wyszukiwania i pobierania danych z Internetu.
• Zapisana dokumentacja audytowa przechowuje źródła, informacje o cytatach, dane dotyczące użycia oraz błędy narzędzi.

Jedna wywołanie dostawcy może obejmować kilka działań wyszukiwania i odczytu. LangGraph kieruje całym procesem; nie tworzy każdego zapytania. Jedyny badacz może łatwo sprawdzać granice tego procesu. Deep Agents mogą czekać, aż będzie potrzebna dodatkowa obsługa kontekstu i delegowanie zadań. Zmiana dostawcy oznaczałaby również konieczność przepisania umów dotyczących narzędzi i cytowań.

Wyszukiwanie znajduje strony; pobieranie je odczytuje

Prośba ujawnia oba narzędzia:

tools = [
    {
        "type": "web_search_20250305",
        "name": "web_search",
        "max_uses": 3,
    },
    {
        "type": "web_fetch_20250910",
        "name": "web_fetch",
        "max_uses": 4,
        "max_content_tokens": 6000,
        "citations": {"enabled": True},
    },
]

Te definicje pochodzą z kodu towarzyszącego i nie stanowią pełnego programu. Wybrany model musi obsługiwać udokumentowane wersje narzędzi. Anthropic dokumentuje oba narzędzia w sekcjach Agents i Tools na swojej stronie dla deweloperów; tam znajdziesz aktualne specyfikacje dotyczące wyszukiwania i pobierania danych.

Projekt kształtują trzy ograniczenia.

1. Limity dotyczą każdej prośby. Dozwolone są maksymalnie dwa wywołania SDK, włączając kontynuację przerwanej rundy, a ponowne próby SDK są wyłączone.
2. Cytaty przy pobieraniu danych są celowo włączane, aby zachowały się oryginalne zapisy cytatów, a nie tylko tekst odpowiedzi.
3. Status HTTP 200 nie jest dowodem na istnienie dowodów. API może działać poprawnie, podczas gdy operacja pobierania danych w jego ramach się nie powiedzie, dlatego bloki z wynikami narzędzi również wymagają sprawdzenia.

Te limity określają liczbę wysyłanych prośb i używanych narzędzi. Nie stanowią one ani górnego limitu wydatków, ani sztywnego terminu.

Cytaty nadal mogą pomóc

Załóżmy, że istnieje raport twierdzący, iż aplikacja automatycznie się odzyska po awarii, powołując się na stronę dotyczącą konfigurowalnej trwałości danych. Link jest prawdziwy. Twierdzenie to jest jednak szersze niż dostępne dowody.

Podstawowa weryfikacja obejmuje cztery pytania typu „tak/nie”: Czy model zakończył pracę normalnie? Czy pobrał przynajmniej jeden dokument? Czy zwrócił tekst odpowiedzi? Czy ostateczna odpowiedź zawiera oryginalne odniesienia? W przypadku pozytywnego wyniku status staje się needs_review. W przypadku nieudanej weryfikacji obowiązkowego kryterium status zmienia się na incomplete.

Żaden z tych statusów nie oznacza, że twierdzenia są prawdziwe. Odniesienia mogą wskazywać na indeksy i lokalizacje fragmentów tekstu zamiast na adresy URL, a prototyp przechowuje te dane bez określania sposobu ich powiązania.

Praktyczna zasada przy przeglądaniu: weź jedno istotne twierdzenie i sprawdź jego źródło. Która warunek, wyjątek lub ograniczenie mogłoby zmienić rekomendację?

Zwiększaj złożoność tylko wtedy, gdy możesz zmierzyć uzyskany korzyść

Długie dochodzenia mogą wymagać selektywnego ładowania kontekstu, zwięzłych notatek lub oddzielnych badaczy dla niezależnych gałęzi. Te pomysły pojawiają się w postach Anthropic na temat pakowania kontekstu dla agentów oraz systemów badawczych wieloagentowych. W tym aplikacji są to opcje do oceny, a nie ulepszenia dostępne domyślnie.

Cztery sprawdzenia stanowią sprawiedliwą pierwszą barierę:

1. Czy wyjaśnia związek pomiędzy LangGraph a Deep Agents?
2. Czy zachowuje nienaruszone warunki przywracania po ponownym uruchomieniu?
3. Czy zauważa, gdy pobieranie dokumentu się nie udało?
4. Czy przyznaje, że same dokumenty nie mogą określić najtańszej opcji wdrożenia?

Umieść proces pracy z dostarczonym dokumentem obok wyszukiwania kierowanego modelem. Utrzymaj model oraz wymagania dotyczące odpowiedzi niezmienne, jasno określ, jakie źródła może widzieć każda ze stron, i rejestruj rzeczywiste użycie. Oceniaj dostępne wyniki, brakujące warunki oraz uczciwą niepewność, a nie tylko liczbę cytatów.

Sytuacja obecna: dziesięć testów integracyjnych przeszło weryfikację przy użyciu rzeczywistego SDK oraz środowiska LangGraph z symulowanym HTTP. Jeszcze nie przeprowadzono żadnego testu z rzeczywistą API, ponieważ nie ustawiono uprawnień, więc nie ma żadnych pomiarów dotyczących jakości, opóźnienia czy kosztów.

Widok w przyszłość

Obecnie istnieje projekt wart przetestowania: badacz, który potrafi śledzić dowody, umieszczony w oprogramowaniu, które pozostawia sprawdzalny ślad. Kolejny problem pojawia się, gdy proces zostaje przerwany w połowie. Zapisane pliki odpowiedzi pomagają zobaczyć, co się stało; nie uruchamiają one ponownie procesu. W dalszej części dodano trwały stan wykonywania oraz przetestowano możliwość odzyskania w nowym procesie, nadal korzystając z tej aplikacji do badań w sieci.