Что такое агенты (agents) в LangChain и чем они отличаются от цепочек (chains)?

Пример цепочки (LCEL)

from langchain_openai import ChatOpenAI
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import StrOutputParser

llm = ChatOpenAI(model="gpt-4o-mini", temperature=0)
prompt = ChatPromptTemplate.from_messages([
    ("system", "Ты помощник по коду."),
    ("human", "{question}"),
])

chain = prompt | llm | StrOutputParser()
result = chain.invoke({"question": "Что такое декоратор в Python?"})
print(result)

Цепочки (Chains) и агенты (Agents): в чём разница

Цепочка — детерминированный граф шагов. Последовательность выполнения задаётся разработчиком заранее и не меняется в runtime. Используется RunnableSequence или LCEL (LangChain Expression Language).

Агент — цикл рассуждений (ReAct, function-calling), в котором LLM самостоятельно решает, какой инструмент вызвать и когда остановиться. Управляющий цикл реализован в AgentExecutor или через LangGraph.

Пример агента (с инструментами)

from langchain_openai import ChatOpenAI
from langchain.agents import create_tool_calling_agent, AgentExecutor
from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
from langchain_core.tools import tool

@tool
def get_word_count(text: str) -> int:
    """Возвращает количество слов в тексте."""
    return len(text.split())

llm = ChatOpenAI(model="gpt-4o", temperature=0)
prompt = ChatPromptTemplate.from_messages([
    ("system", "Ты полезный ассистент."),
    MessagesPlaceholder("chat_history", optional=True),
    ("human", "{input}"),
    MessagesPlaceholder("agent_scratchpad"),
])

agent = create_tool_calling_agent(llm, [get_word_count], prompt)
executor = AgentExecutor(agent=agent, tools=[get_word_count], verbose=True)

result = executor.invoke({"input": "Сколько слов в предложении 'Hello world foo bar'?"})
print(result["output"])

Ключевые различия

• Детерминизм: цепочка выполняет фиксированные шаги; агент выбирает шаги динамически через LLM-рассуждение.
• Инструменты: цепочка может вызывать функции, но последовательность заранее известна; агент сам решает, нужен ли tool call и сколько раз.
• Стоимость: агент делает несколько LLM-запросов на один user-запрос; цепочка — один (если нет промежуточных LLM-шагов).
• Отладка: цепочку легко тестировать юнит-тестами; агент недетерминирован, поэтому нужна трассировка (LangSmith, `verbose=True`).
• LangGraph: современная рекомендация для сложных агентов — langgraph вместо AgentExecutor, поскольку даёт явный граф состояний.

Подводные камни

• Агент может зациклиться: установите max_iterations в AgentExecutor, иначе бесконечный цикл tool calls съест бюджет.
• Путаница между agent_scratchpad в prompt и памятью чата: без MessagesPlaceholder("agent_scratchpad") агент не получает историю tool calls и ломается.
• LCEL-цепочки не сохраняют состояние между вызовами — если нужна история диалога, добавляйте RunnableWithMessageHistory явно.
• AgentExecutor deprecated в пользу LangGraph — новые проекты должны использовать langgraph.prebuilt.create_react_agent.
• Параллельные tool calls (GPT-4o поддерживает) могут вернуть результаты не в том порядке — AgentExecutor обрабатывает их, но кастомные агенты — нет.
• Streaming в агентах: используйте executor.astream_events(), а не astream(), иначе промежуточные tool-результаты не отдаются клиенту.
• Ошибки внутри tool молча проглатываются, если не передать handle_tool_errors=True — агент может зависнуть на одном tool call.
• Версионирование: langchain, langchain-core, langchain-openai — отдельные пакеты с отдельными версиями; несовместимость частая причина ValidationError.

• Объяснять agents vs chains только синтаксисом без shape, dtype, состояния или режима выполнения.
• Игнорировать leakage, воспроизводимость, пустые входы и скрытые копии данных.
• Не проверять production-симптомы: latency, память, ретраи, дрейф качества и несовпадение версий.

• Может ли связать agents vs chains с реальным контрактом входов и выходов.
• Упоминает ли тесты, метрики, reproducibility и диагностику ошибок.
• Видит ли различие между demo-кодом в ноутбуке и production-пайплайном.
• Предлагает ли observability, rollback, ограничения стоимости и стратегию incident replay.