插播：也许有人想看谷歌5-Day AI Agent的学习笔记吗？博主疯狂整理中 (╯▔皿▔)╯
这是写demo的时候注意到的一张图，比较清晰所以先总结了一下！

基于大语言模型（LLM）的Agent框架中，查询的处理以及插件如何通过回调机制与Agent交互的过程。

Agent工作流解释

阶段一：查询输入与启动

1. 输入查询（Input Query）
   用户输入一个查询，这个查询被发送给Runner。
   Runner充当整个系统的入口和调度器，负责接收用户输入、初始化上下文并启动代理。
2. before_agent_callback 触发
   在Runner实际调用 ResearchPaperFinderAgent之前，它会检查是否有配置的插件具有before_agent_callback方法。
   如果Runner执行过程中发现CountInvocationPlugin拥有此方法，则立即调用它。
   目的 为了在任务开始时记录一次“Agent运行”事件。
3. Agent启动
   Runner正式将任务交给ResearchPaperFinderAgent，Agent接管任务，并思考如何执行。
   以ResearchPaperFinderAgent为例：

• 分析意图：用户想要查找论文
• 工具选择：Agent可能会决定需要使用一个搜索工具或调用LLM来规划下一步

阶段二：LLM调用与插件互动

4. before_model_callback触发
   Agent在处理查询时，确定需要调用LLM来进行推理、工具选择或生成响应。
   在Agent真正向LLM发送请求前，再次检查是否有插件具有before_model_callback方法。
   目的 在每次消耗LLM资源之前进行精确计数。
5. LLM执行
   Agent正式向LLM发送请求。
   LLM接收到请求，进行推理：

• 如果是工具调用，LLM返回要调用的工具名称和参数。
• 如果是最终响应，LLM返回文本答案。

阶段三：结果返回

6. Agent返回结果
   LLM处理完毕后，将结果返回给Research Paper Finder Agent。Agent会根据LLM的输出采取进一步行动（例如执行搜索工具），或将结果整理成最终答案。
   回传：Agent将最终整理好的结果返回给Runner。
7. Runner响应
   Runner接收到Agent返回的最终结果。
   Runner将这个结果格式化后，作为Response返回给用户。

总结：非侵入式的监控

整个流程的关键在于 插件（CountInvocationPlugin） 通过 回调函数（Callback） 在关键时间点介入，实现了非侵入式的监控：

• before_agent_callback (2): 介入 Runner 调用 Agent 之前，用于统计整个任务的开始。

• before_model_callback (4): 介入 Agent 调用 LLM 之前，用于统计生成式 AI 资源的消耗。