通过围绕 LLM 输出定义确定性逻辑，可以解决许多 LLM 波动性和不可预测性问题。 

这是我为 n8n 撰写的企业 AI 代理开发工具报告的前提，该报告探讨了具有 AI 实现的无代码/低代码自动化工具市场。代理依赖于大型语言模型的非确定性输出。这些多样化的输出使得基于 AI 的自动化变得不稳定，因此定义确定性逻辑可以控制代理的输入和输出，以确保其不会以你不希望的方式运行。☝️人工智能社区的许多人认为 LLM 是完全确定性的。虽然我没有足够的知识来反驳这种说法，但如果有两个用户提交略有不同的题目（甚至是相同的题目），得到的答案却不完全相同，那么我并不关心 LLM 是否具有理论上的确定性。考虑到这一点，我将 LLM 称为非确定性的，如果您不同意，

请在 n8n中文社区 给我留言 这有助于提升参与度。

编写 AI 代理最简单的方法是进行硬编码。如果您想使用抽象工具来加快流程并使其更易于维护，可以从以下方法中选择：

1. 基于工作流的构建器
   1. AI 原生工作流程构建器
   2. 配备 AI 的工作流程构建器
2. 非工作流构建者

让我们对上述内容逐一进行解释。

基于工作流的构建器

AI 原生工作流程构建器

这些大多是初创公司，它们已经广泛地（并且专门地）构建了自己的平台来构建人工智能代理

其中包括 Vellum、Dify、Langflow 和 Flowise 等专注于构建 AI 代理的公司。它们为用户提供了对代理行为的大量控制，但使其更难与用户的 IT 堆栈集成。这使得它们更适合代理使用 Web 资源、SaaS 应用和文档的用例，而不是协调一堆本地企业应用程序。

配备 AI 的工作流程构建器

这些供应商发现自己处于有利位置，可以搭上 2020 年代最大的潮流。

工作流自动化工具具有一些明显的成熟优势，尤其是在集成的深度和广度方面，它们提供了经过验证的方法来整合技术栈，而无需为每个应用程序编写自定义连接器。另一方面，原生 Agentic AI 开发工具具有敏捷优势，无需将 AI 功能改装到现有产品中。

编写集成代码、与技术合作伙伴互动、构建社区以及提供开箱即用的内容都是非常耗时的。将2024年成立的Stack-AI与2013年成立的Workato在可集成性方面进行比较，并非一刀切。在可集成性方面得分较高、可编码性方面得分较低的工具，对于不太复杂的代理系统来说，也是不错的选择。如果您不需要并行工作的多代理系统，但仍需要与更广泛的系统集成，那么这些工具可能完全能够满足您的需求。

非工作流 AI 原生构建者

这些工具包括 LangSmith、Crew AI、Restack 和 Writer.com 等。我没有花太多时间评估这些工具，所以我可以这样定义它：它不是基于工作流的。

非基于工作流的代理开发工具包括：

• 宽容——它们为代理提供了更大的自主权和自决权，这对于推理模型特别有用
• 更高的技术知识 – 它们要求用户更好地理解 LLM 的工作原理，并且至少具备高级的编码实践知识（即如何定义条件、什么是 API 密钥、什么是 URL）
• 支持新颖的用例——它们最适合用于不遵循标准操作程序的流程，以及临时请求。例如，在支持聊天中用自然语言询问客户的整体情绪，并将其与社交媒体上的情绪进行比较。
• 主要用于内部用例 – 请参阅我最初的前提，如果没有一些严肃的确定性护栏，我不会将 AI 代理暴露给外部用例（面向客户）。

基于工作流的代理开发工具有：

• 限制性 – 这些代理仍然具有自我决定权，但它们自然地为您提供了与 LLM 输出进行交互的方式
• 无需太多技术知识——无代码界面对于普通开发者来说更​​加直观。虽然基于代码的功能仍然存在，但它们主要用作无代码 GUI 无法支持特定用例时的备用方案。
• 自动化现有流程——编写工作流本质上需要工作流的存在。即使是自主决策的代理，也必须在给定的框架或业务环境中进行定义。
• 将代理暴露给最终用户 – 通过适当的防护，基于工作流的代理可以暴露给最终用户，其中包括支持和销售机器人。