终于，昨天微信以“AI 搜索”的形式接入了满血版DeepSeek R1，目前灰度测试ing，其中“深度思考”模式由DeepSeek-R1模型经过长思考而提供的更全面的回答：
目前DeeSeek-R1是 不支持function call 的，微信接入DeepSeek-R1可以采用 Agentic RAG 的方式，那么一个通用的AI Agentic（RAG）框架如何设计尼？本文进行专门剖析：
另外，如果有小伙伴想做自己的满血R1+搜索，可以结合DeepSeek官方发布的搜索接入中文版Prompt + Agentic RAG来 设计，可参考之前的专栏文章：
DeepSeek官方推荐的搜索接入Prompt
一个通用的 AI Agentic（RAG）框架组件设计 如下：
语言模型（LLM）
每个智能体框架都依赖于语言模型（LLM）。每个组件可以访问相同或不同的语言模型来完成其目标，从而在处理各种任务时提供灵活性和可扩展性。
Planning Agent
- 规划智能体是协调组件，包括推理、规划和任务分解 。该智能体了解所有其他智能体，并通过合理的规划、推理和任务分解，决定执行哪些智能体以及执行顺序。
- 推理大模型之前，该Agent通常是具有function call的大模型来实现，而当前具有推理能力的语言模型（例如 OpenAI o1/o3、DeepSeek R1 ）最适合此类智能体，综合平衡智能体系统的其他考虑因素来决定是否采用。
- OpenAI发布的智能体Deep Research 便是依托OpenAI o3在多个领域的 复杂浏览 和 推理任务 上进行 端到端强化学习而训练 的
Agents
智能体封装了一组指令和工具，用于完成特定任务（ 图3 Agent2 RAG ）：
- 提示 ：向语言模型发出的命令以及其可访问的工具。
- 工具 ：执行动作的代码块，例如简单的代码块、API 调用或与其他系统的集成。
- 环境 ：工具还可以关联特定的执行环境，例如集成开发环境（IDE）或通用计算机使用。
- 复杂智能体 ：智能体也可以是整个架构， 例如检索增强生成（RAG ），其中包括嵌入和向量数据库。
- 记忆 ：智能体 AI 中的记忆功能允许智能体存储信息，并在未来交互中回忆这些信息。记忆始终对所有组件可用，并包括以下不同类型：
- 用户画像 ：用户特定的信息，帮助智能体创建个性化体验。
- 聊天历史 ：对话的历史记录，允许智能体从过去的交互中提取上下文。
- 聊天状态 ：跟踪已执行的工作流程，避免重复任务。
安全护栏
安全护栏是防止有害行为的安全机制，同时确保在处理不可预见的输入或场景时的鲁棒性。例如，“确保回复中不提及竞争对手”等规则应存在于框架级别。这些约束对于在动态环境中部署智能体至关重要，提供了可编辑的默认安全检查。
智能体可观察性
可观察性允许开发者和用户了解智能体正在做什么以及为什么这样做。提供智能体行为的透明度有助于诊断问题、优化性能，并确保智能体的决策与期望结果一致。
适应与学习适应
涉及智能体根据环境反馈调整其行为的能力。这包括强化学习或其他自适应技术，使智能体能够随着时间优化其决策。例如，营销智能体可以根据客户偏好的变化调整其策略。
AI Agentic系统 生态
在过去的一年中，智能体 AI 基础设施取得了巨大发展，并预计将继续快速演变，这种增长带来了许多新的工具和组件，有助于构建更好、更强智能体 AI 系统。
推荐阅读
- • 动手设计AI Agents：Coze版（编排、记忆、插件、workflow、协作）
- • DeepSeek R1 + Agent 的下半场
- • RAG全景图：从RAG启蒙到高级RAG之36技，再到终章Agentic RAG！
- • Agent到多模态Agent再到多模态Multi-Agents系统的发展与案例讲解（1.2万字，20+文献，27张图）
欢迎关注我的公众号“ PaperAgent ”， 每天一篇大模型（LLM）文章来锻炼我们的思维，简单的例子，不简单的方法，提升自己。