Agent
是大语言模型应用的单个功能实现的基础节点
如：
- Select Agent：选择对话应该朝哪个阶段发展
- Retrieve Agent：进行知识库检索
状态管理
不同对话阶段注入不同的提示词，通过大语言模型判断来进行阶段转移（点菜对话系统从帮用户推荐菜品到询问用户要求）
Memory
类比于人脑的记忆，是一种缓存机制，储存到了查询结果、历史记录、对话状态等，可以持久化，并有一定的淘汰机制
知识图谱搜索
KG知识图谱推理可以使得LLM生成的内容更具有逻辑性，LLM在理解用户意图以后转化为图数据库的查询语句
基于LLM的意图识别、关键字提取
依赖强大的提示词工程，并限定输出的格式
例子：设计一款AI点餐系统的工作流算法
- Welcome-agent通过调用用户偏好分析、用户菜品推荐接口，获得用户历史偏好，在前端界面展示菜品的同时生成欢迎语
- Chat Agent通过Dialogue Switch Agent意图识别，确定用户要进行点菜以后，将对话状态设置为用户加菜中，并将记忆中的「用户要求列表」初始化
- Chat Agent听取用户的要求，Query Generating Agent通过LLM提示词工程的方式，得出可能的菜系，并夹带用户的query，由Retrieve Agent送到向量数据库进行过滤或者搜索
- 如果匹配的菜品的相关度低于阈值，则继续询问，并将用户的要求继续加入记忆中的「用户要求列表」
- 重复3、4步骤，直到匹配的一个或者多个菜品相关度高于阈值，则前端卡片展示，用户确认后，则将记忆中的「菜品」设置为用户选中的菜品的详细信息，对话状态转为「口味要求询问」，初始化「口味要求列表」
- Chat Agent继续询问用户要求，并结合菜品的口味，如果无法实现则驳回用户，并让Query Generating Agent根据菜品、要求重新生成query查找新的菜品推荐给用户，用户通过点击菜品确认后则重复当前步骤；若用户提的要求可以实现，则添加到记忆的「口味做法要求列表」中
- Dialogue Switch Agent判断用户是否确认加菜或者放弃点菜，如果用户确认加菜，则将requirement和菜品介绍一起放入Order Agent生成订单并反馈给后厨，并将选择的菜品口味加入用户历史数据库或者进行在线学习，重复步骤2
