LangChain’s Harrison Chase 深度访谈

节目以 Harrison Chase 对 AI 仍处早期的判断开场：即使 GPT-5 等新模型可能让部分既有工作失效，参与者仍会在构建过程中积累关键经验，因为他认为这是一项变革性技术。主持人随后介绍 Chase 是 LangChain 创始人兼 CEO，也是早期把 LLM 与工具、行动连接起来的代表人物。访谈设定的主线是理解 Agent 的现状、未来潜力，以及 LangChain 在这一生态中的角色。

Chase 认为 Agent 的定义仍有灰度，因为 LLM 与 Agent 生态还处于早期。他给出的核心定义是：当 LLM 决定应用的控制流时，系统就开始具备 Agent 特征。与传统 RAG 链不同，RAG 通常预先固定搜索、检索、生成答案等步骤；而 Agent 可以根据情况决定是否搜索、搜索几次、何时直接回复。工具使用和记忆常与 Agent 相关，但在他看来这些只是围绕 LLM 决策控制流自然出现的能力。

主持人追问 Agent 更关乎决策还是行动，Chase 回答二者相辅相成：很多 Agent 做的事情就是决定采取什么行动，而难点正是判断正确行动。行动通常由 LLM 周边系统执行，再反馈给 Agent。他进一步区分 Agent 与 Chain：Chain 的下一步通常硬编码，而 Agent 由 LLM 决定下一步。不过这种区分不是二元的，从简单路由、分类步骤，到完全自治 Agent，中间存在连续光谱和大量灰色地带。

Chase 说明 LangChain 当前重点不是推动完全自治 Agent，而是帮助开发者构建位于固定 Chain 与完全自治 Agent 之间的系统。他认为全自治原型容易吸引关注且构建简单，但也更容易失控；实际用户需要比 Chain 更灵活、又比自治系统更受约束的 Agent。LangChain 因此定位为编排层。公司从早期的 Chain 与 Agent Executor 类，演进到重点投入 LangGraph，用于支持更可定制、更可控的 Agent 架构。

主持人提出行业正在从 Copilot 走向 Agent，Chase 基本认同。他认为 Copilot 依赖人始终在环，因此可完成工作的上限受到限制；Agent 则更像是先自主执行任务，再在关键节点向人确认。他强调这会带来更强杠杆，但也伴随更高风险，因为越多事情由系统独立完成，越可能出错或偏离目标。因此未来关键问题不是是否让 Agent 做事，而是如何设计合适的人机交互模式与风险边界。

访谈回顾 2023 年春天 AutoGPT、BabyAGI 等自治 Agent 掀起的第一轮热潮。Chase 认为 AutoGPT 是 Agent hype cycle 的重要起点，也是 GitHub 上极受欢迎的项目之一，但从 2023 年夏末到 2024 年初经历了降温。进入 2024 年后，更现实的 Agent 应用开始出现，如 Elastic Assistant、Klarna 客服机器人、Devin、Sierra 等。他指出 AutoGPT 式架构过于通用且无约束，虽能激发想象，却难以直接创造商业价值；生产系统更需要面向具体任务、规则和流程的定制架构。

Chase 将认知架构定义为 LLM 应用的系统架构：从用户输入到用户输出，中间数据、信息和 LLM 调用如何流动。它可以是简单生成答案，也可以包含路由、分支、循环、反复调用等复杂流程。随着团队尝试把 Agent 投入生产，Chase 观察到这些流程越来越依赖具体应用和领域，常常表现为定制化图结构：先做特定检查，再进入若干步骤，并可能回环或进入子流程。他称之为把人类完成任务的心智模型编码进软件系统。

主持人追问当前认知架构是否只是临时的笨办法。Chase 回答，如果模型在规划上足够强且可靠，理论上只需一个循环：调用 LLM、决定行动、执行、再循环。但他不认为这会成为所有任务的最佳方式，因为企业场景仍需要效率和可靠性：如果总是要按固定顺序执行步骤，就应显式编码。模型会在通用规划、反思等方面变强，复杂但通用的架构可能被训练进模型；但领域特定的规划、反思和控制逻辑仍会长期存在。

主持人以 Princeton SWE 论文为例，指出编码 Agent 在 GitHub issue 上的解决率从 RAG 的 3.8% 提升到 12.5%，进步明显但仍远未达到替代初级工程师的程度。Chase 区分了通用 Agent 与定制 Agent：SWE agent 需要跨大量仓库工作，偏通用，因此难度更大；而 Vercel 的 v0 这类更聚焦的系统可靠性可能明显更高。他提到 Elastic 已有多个 Agent 投入生产，说明定制 Agent 虽未达到五个九可靠性，但在特定场景中已足够上线。通用 Agent 仍依赖更长上下文、更强规划和推理能力进步。