AI news

LangChain 不看好 OpenAI AgentKit:世界不需要再来一个 Workflow 构建器

0 views
LangChain 不看好 OpenAI AgentKit:世界不需要再来一个 Workflow 构建器

在几天前的开发者大会上,OpenAI 发布了一套面向开发者和企业的完整工具集 AgentKit。其中,可视化画布 Agent Builder 用于创建、管理和版本化多智能体工作流,通过拖拽节点的方式即可编辑工作流。

The full text has not been translated yet. The Chinese original is shown below.

在几天前的开发者大会上,OpenAI 发布了一套面向开发者和企业的完整工具集 AgentKit。其中,可视化画布 Agent Builder 用于创建、管理和版本化多智能体工作流,通过拖拽节点的方式即可编辑工作流。

LangChain 的创始人 Harrison Chase 最近又写了一篇博客文章,聊了聊他对于 AgentKit 的看法。Harrison 锐评,市场上不需要 AgentKit 这种「可视化工作流构建器」。

Workflow 和 Agent 的本质区别在于可预测性和自主性。Workflow 流程是固定的,有很多分支、并行的复杂逻辑,在可视化界面上就是各种节点和连接线;Agent 的逻辑被简化并抽象成自然语言,然后由 LLM 自己决定循环调用哪些工具来完成目标。

AgentKit 和市面上大多数类似工具,本质上都是在构建 Workflow,但不是真正的 Agent。

Harrison 认为,「可视化工作流构建器」正处在一个尴尬的位置,受到来自高、低两个方向的挤压:简单的任务用无代码 Agent 更方便,复杂的任务则必须用代码才能实现稳定可靠。

以下为文章原文内容,Founder Park 进行了编译微调。

原文链接:https://blog.langchain.com/not-another-workflow-builder/

从 LangChain 项目启动第一天起,「可视化工作流构建器」就是最常收到的需求之一。但我们始终没有推进这项开发,而是选择让其他团队(如 LangFlow、Flowise、n8n)在我们的技术上进行构建。

昨天 OpenAI 在开发者大会(Dev Day)上推出了一款工作流构建器。借这个机会,我想聊聊我们为什么至今没有构建一个这样的工具,以及我们更关注、但不同的发展方向。

01

低代码 Workflow 要解决的核心问题是什么?

首先,有必要明确这类无代码工作流构建器要解决的核心问题。它们的主要目标是让非技术用户也能搭建 Agent,背后有两大核心原因:

  • 许多公司在工程人才方面资源有限,难以支撑全团队的技术需求;

  • 非技术用户最清楚需要搭建什么样的 Agent ,以及这些 Agent 应该实现哪些功能。

我们偶尔也会看到其他需求场景,比如技术用户用它快速搭建 Agent 原型,之后再把它转化为代码。但在本文中,我们假设核心需求是:让组织内的所有人都能独立搭建应用和组件,不需要依赖工程团队支持。

02

工作流与 Agent 的本质区别

我在前面特意使用了「工作流」和「 Agent 」两个术语。我们之前曾在一篇博文中讨论过二者的关系(有趣的是,那篇文章是为支持「工作流」而写,回应的正是 OpenAI 一篇反对「工作流」的文章。)

Founder Park 此前文章:

《Agents 和 Workflows 孰好孰坏,LangChain 创始人和 OpenAI 杠上了》(在新窗口打开)

对「 Agent 」的定义,目前开发者社区已基本达成共识:

LLM Agent 通过循环调用工具来实现目标。

工作流以牺牲「自主性」为代价,换取更高的「可预测性」;而 Agent 则以牺牲「可预测性」为代价,换取更高的「自主性」。值得注意的是,搭建 Agent 系统的核心目标是实现「稳定可靠的良好结果」,但只靠「可预测性」或「自主性」都无法保证这一点。

工作流程通常很复杂,包含分支逻辑、并行节点和多条不同路径。这种复杂性会体现在工作流的「图谱」中,并通过某种领域特定语言(DSL)来呈现。

Agent 也可能包含复杂逻辑,但不同的是,这些逻辑都被抽象成自然语言,嵌入到 Prompt 中。因此, Agent 的整体结构很简单(只用「Prompt+工具」构成),尽管其中的「 Prompt 」本身有时也会相当复杂。

OpenAI 的 AgentKit,以及 n8n、Flowise、LangFlow 等工具,本质上都是「可视化工作流构建器」,而不是「 Agent 构建器」。

03

可视化工作流构建器存在哪些问题?

结合以上背景,可视化工作流构建器存在以下核心问题:

  • 并不是「低」门槛:尽管目标用户是大众,但普通非技术用户使用起来仍然不轻松;

  • 复杂任务难以管理:一旦任务复杂度超过某个阈值,且这个阈值很容易达到,界面上就会堆满节点和连接线,变得杂乱难管。

04

不同复杂度问题的解决方案

我们的核心目标是搭建「稳定可靠的 LLM 驱动系统」(无论是工作流还是 Agent )。人们用这类系统解决的问题复杂度各异,从低到高不等,因此最佳解决方案也需要根据复杂度的不同来区分。

高复杂度场景:代码化工作流

对于高复杂度问题,我们发现要实现足够高的可靠性,系统不能是纯粹的 Agent ,而是需要融合工作流的部分特性。这类问题往往需要复杂的工作流支持,这个时候如果需要大量分支、并行处理和模块化设计,「代码」就是最佳选择(我们的 LangGraph 就是为了这个设计的)。

传统上,这类问题非技术人员无法解决。但随着代码生成成本逐渐降低,我们预计更多的构建者将发现自己能够构建这些解决方案。

低复杂度场景:无代码 Agent

对于低复杂度场景,我认为「简单 Agent 」( Prompt +工具)的可靠性已足够解决问题。而且,用无代码方式搭建这类 Agent ,会比用无代码方式搭建工作流更简单。

随着 LLM 不断迭代,这类 Agent 能够解决的问题复杂度上限,也会持续提升。

05

无代码工作流构建器面临的困境

无代码工作流构建器面临的核心问题是:受到来自「低复杂度」和「高复杂度」两个方向的挤压。

用无代码方式搭建 Agent( Prompt +工具),必然比搭建工作流更简单。而且随着模型、Agent 框架,以及「 Agent 创建、修改、训练界面」的持续优化,这些 Agent 能够稳定解决的任务会越来越多。

另一方面,当复杂度达到一定程度,可视化工作流构建器就会失控,这时候唯一的替代方案就是「代码」。编写代码在历史上一直局限于少数人,入门门槛相当高;但随着代码生成模型的优化和成本降低,选择用代码解决问题的门槛会越来越低。

06

未来的方向是什么?

需要明确的是:已经有不少公司在「 LLM 驱动工作流构建器」方面做得非常出色,比如 n8n、Flowise、LangFlow、Gumloop 等等。其中很多团队已找到 PMF,它们解决了当下的实际问题,也能让非技术用户创造出优秀的成果。

但我认为,世界上不需要再多一个「工作流构建器」了。相反,接下来更值得解决的核心问题是:

  • 如何让用户更轻松地用无代码方式搭建「稳定可靠的 Agent 」。注意,是「 Agent 」,而不是「低代码工作流」;

  • 如何优化代码生成模型,让它更擅长编写「 LLM 驱动的工作流/ Agent 」相关代码。

文章来自于微信公众号“Founder Park”。

Related topics

After reading

Join the AINRK community

Read how to join the community and connect with people working in AI.

Community information (opens in a new tab)