AI Agent

AI Agent和Workflow的区别是什么？

workflow是固定流程

agent能够自主规划：分析任务，分解任务，解决错误，动态调用工具，记忆，推理，多步思考。

Step by step是以前通过prompt去引导模型分步思考生成结果。

而CoT则是在预训练时引导模型生成单独的推理，test-time-scaling，额外的token可以self-correct。

Chain of Thought是一种提示技术（prompting technique），通过引导大语言模型展示其推理过程的中间步骤，从而提高其在复杂任务中的表现。最早由Google Research团队在2022年提出，通过论文 "Chain-of-Thought Prompting Elicits Reasoning in Large Language Models"正式引入。

Claude Code放弃了传统 RAG，转而采用 Agentic Search。从依赖外部 infra（如向量数据库）的 RAG 系统，转向让模型具备主动检索与工具使用能力的 Agentic 方法。

性能更强：从直觉到实证。Agentic Search 的表现“显著优于所有其他方案”。最初团队只是凭直觉（vibes）觉得这种方式更贴近开发者思维。但在长期实践后，大家确实普遍认为代码生成质量更高、响应更自然。
Agentic Search 在实时系统中直接执行代码搜索，不依赖外部存储或预处理数据。这让系统天然具备同步性与安全性，也显著降低了工程维护成本。

传统 RAG 的实现依赖对代码进行向量化处理（embedding）并存入向量数据库，这一过程带来了大量工程复杂性和安全隐患：
- 更新滞后：代码频繁变更导致向量数据过时；
- 安全风险：向量数据必须托管在某处，可能面临数据泄露的风险；
- 不适用于高敏场景：内部代码高度机密，任何形式的外部数据库都是潜在风险源。
更符合开发实际
- 在开发者的日常实践中，最可靠的工具往往是最透明的。Agentic Search 使用的 grep、glob 等传统搜索方式，本身就是工程师熟悉且信任的工具链。

让Agent自己推理思考

超长 Context ≠ 长记忆

RAG的优势

LangChain

LangGraph