8月12日在掘力計劃系列活動第21場《解析大語言模型的訓練和應用》分享中，CNCF WasmEdge 項目的維護者，也是 Second State 的創始人Michael Yuan 博士應邀作了題為《如何構建輕量級的 LLM Agent》的技術分享。
摘要
隨著大語言模型(LLM)的興起，LLM Agent 成為構建 LLM 應用的關鍵方向。本文整理自 Michael Yuan 博士的技術分享，概述了使用輕量級運行時如 WebAssembly 構建 LLM Agent 的優勢，分析 Python 在構建 LLM Agent 時的局限性，并推薦采用類似 Rust 這樣的系統編程語言構建 LLM Agent。
引言
近年來，大語言模型(LLM)如 GPT-3 和 ChatGPT 引發了 AI 的革命。它們擁有強大的文本理解和生成能力，支持各種自然語言處理任務。但是 LLM 本身只是一個被動的模型，要將其能力發揮出來，還需要構建 LLM Agent。LLM Agent 負責與 LLM 進行交互，從用戶那里獲取輸入，調用 LLM 進行推理，并將結果返回給用戶。
目前主流的 LLM Agent 使用 Python 構建，并部署在云原生基礎設施如 Kubernetes 上。但是這種方式存在一定局限性。主題為《大模型的崛起：解析大語言模型的訓練和應用》的掘力計劃第21期活動，我們邀請到 Michael Yuan 博士來探討構建輕量級 LLM Agent 的新思路。
Michael Yuan 博士是 CNCF WasmEdge 項目的維護者，也是 Second State 的創始人。 他撰寫過5本軟件工程書籍，由 Addison-Wesley、Prentice-Hall 和 O'Reilly 出版。 Michael 是一位長期的開源開發者和貢獻者。 他之前曾在許多行業會議上發表過演講，包括 OpenSourceSummit、The Linux Foundation Member Summit 和 KubeCon。
LLM Agent 的作用
LLM 可以比喻為一個沒有記憶力、感覺器官和行動能力的大腦。LLM Agent 就是為 LLM 提供這些關鍵功能的組件。具體來說，LLM Agent 包含以下功能：
●記憶：負責保存用戶交互的歷史上下文(short-term memory)，以及項目或領域知識(long-term memory)。這樣 LLM 才能持續地進行會話或完成特定任務。
●感知：負責從外部世界獲取輸入(眼睛、耳朵)，例如監聽 IM 消息或 GitHub 事件。
●行動：負責將 LLM 的輸出轉換成外部世界的行動(手)，例如將結果返回給用戶或調用 API。
●規劃：負責將不明確的任務分解為 LLM 可以處理的具體步驟。
可以看到，LLM Agent 負責處理 LLM 與外部世界的交互，是 LLM 應用的關鍵組件。構建高效的 LLM Agent 十分重要。
Python 的局限性
當前，編寫 LLM Agent 最常用的語言是 Python。但是 Python 存在一些局限性：
●Python 是一個解釋型語言，性能較差，尤其是在網絡 IO 密集型任務中表現不佳。
●Python 應用往往依賴龐大的依賴庫，制作成 Docker 鏡像體積過大。
●Python 不易進行原生編譯，難以實現真正的跨平臺。
此外，Python 生態中 LLM Agent 的主流選擇是 LangChain。但是 LangChain過于注重研究，提供了太多稀有用例的功能，使用起來非常復雜。
可以看到，Python 不太適合構建輕量級、高效的 LLM Agent。
輕量級運行時的優勢
相比之下，一些輕量級運行時具有以下優勢：
●使用系統編程語言如 Rust、Go 構建，性能更好。
●可以進行原生編譯，生成更輕量、更可移植的二進制文件。
●更適合網絡 IO 密集型、異步處理的任務。
具體來說，WebAssembly 就是一個非常有前途的輕量級運行時。使用 Rust 編譯到 WebAssembly 中，可以實現比 Python 小幾個數量級的二進制體積。此外，WebAssembly 還支持訪問底層硬件能力，實現近似原生級別的性能。
因此，使用輕量級運行時構建 LLM Agent，可以避免 Python 的性能和體積問題，生成更高效的 LLM 應用。
構建輕量級 LLM Agent 的新方向
基于上述分析，可以看到構建輕量級 LLM Agent 是提升 LLM 應用性能的重要方向。具體來說，有以下解決方案：
●使用系統編程語言如 Rust、Go 代替 Python。可以大幅提升性能并減小體積。
●采用輕量級運行時如 WebAssembly，進一步優化性能和可移植性。
●對于 Agent 中非性能敏感的組件，可以采用 Serverless 架構，例如 https://flows.network 來簡化部署和管理。
●利用 Vec 之類的向量數據庫實現長期記憶，減少單個請求的 overhead。
●設計簡單、模塊化的 Agent 架構，避免過于復雜的功能。注重工程化而不是研究。
通過這些方法，可以構建出比現有 Python Agent 更輕量級、易部署和高性能的 LLM Agent。這有助于降低部署 LLM 應用的門檻，使更多組織能夠受益于 LLM 帶來的價值。
總結
LLM Agent 是構建 LLM 應用的關鍵組件。過重的 Python Agent 在許多場景下表現不佳，構建輕量級 LLM Agent 是提升性能的重要方向。采用編譯語言、輕量級運行時等技術可以實現此目的。我們期待看到更多高效的 LLM Agent 架構和最佳實踐出現，推動 LLM 的廣泛應用。
關于掘力計劃
掘力計劃由稀土掘金技術社區發起，致力于打造一個高品質的技術分享和交流的系列品牌。聚集國內外頂尖的技術專家、開發者和實踐者，通過線下沙龍、閉門會、公開課等多種形式分享最前沿的技術動態。
