Skip to content

从零开始,理解 AI Agent ​

翻阅本章手绘知识卡

第 01 章 · 入门认知 · 无需编程基础

“帮我查一下订单到哪了,如果配送异常,就整理一份客服处理建议。”

这句话里,有目标、有外部数据,还有根据结果再做判断的步骤。本章就从这个小任务出发,弄清楚 Agent 是什么,以及什么时候值得搭建它。

先记住这一句

Agent 根据目标选择行动,再根据行动结果决定下一步。 模型负责判断,程序负责执行,工具结果负责提供依据。

读完这一章,你能做什么

  • 分清普通对话、固定工作流和 Agent 的边界。
  • 把一个业务需求拆成输入、步骤、输出与验收条件。
  • 写出自己的第一个 Agent 任务卡,为后面的实操做准备。

一、 什么是 AI Agent? ​

1.1 生活化通俗比喻 ​

把模型想成一位能读懂问题、给出建议的助手。没有接入订单系统时,它能解释“如何查询物流”,却拿不到你的真实订单。

给它接上查询工具,再安排一个“判断 → 执行 → 查看结果”的循环,它就能推进任务:先确认订单号,查询物流;看到异常后,再查询处理规则,整理建议。

这里的关键不是聊天界面,而是谁决定下一步、决定依据是什么、动作由谁执行。一个聊天产品也可以在后台运行 Agent;给模型接一个工具,也不意味着必须搭建复杂的自主系统。

1.2 核心定义对照表 ​

维度固定程序 / 工作流单次模型调用Agent 循环
下一步由谁决定预设代码与分支规则本次输入决定本次输出模型结合目标与反馈选择
订单查询例子按固定顺序查单、套模板根据给定资料生成说明缺订单号先追问,异常再查政策
外部能力可以直接调用 API 和数据库取决于宿主提供的数据和工具通过已授权工具获得数据或执行动作
失败如何处理编写异常处理与重试分支校验输出,补资料或重试同样需要超时、步数限制和人工接管

一次任务,拆开来看

  1. 输入:“订单 A1001 一直没动静。”
  2. 行动:调用订单查询工具,拿到“运输异常”的记录。
  3. 反馈:根据异常类型,检索对应的客服处理规则。
  4. 输出:说明当前状态、引用处理规则,给出下一步建议。

如果接口超时,系统应明确说“暂时查不到”,并按设定次数重试或交给人工。不能把“已发起查询”当作“已查到结果”。


二、 什么时候需要 Agent? ​

2.1 先看任务里有什么变化 ​

  1. 表达会变:同一个“换货”意图,用户可能说“太大了”或“想换个小号”。模型可以帮助理解表达,业务规则仍由程序校验。
  2. 步骤会变:订单正常时解释进度,异常时查处理规则,缺信息时追问。下一步需要利用刚刚得到的结果。
  3. 动作有边界:查询订单和提交退款不是同一种权限。真正会修改业务数据的步骤,要在执行前完成授权与参数校验。

2.2 从最简单的方案开始 ​

只需润色一段文字时,先用一次模型调用;步骤固定时,用工作流;需要根据环境反馈不断调整步骤时,再考虑 Agent 循环。

这个划分参考 Anthropic 的工作流与 Agent 说明。它是帮助选型的视角,实际应用可以组合使用。


三、 常见场景:输入、动作与结果 ​

场景用户输入系统需要做的事怎么判断完成
订单客服“订单什么时候到?”查订单、查物流、解释异常状态与接口记录一致
知识库助手“这款商品能退吗?”查政策、核对商品条件、引用依据回答有来源,缺信息时追问
资料研究“比较这三个产品”拆问题、查资料、核对冲突信息每个关键结论能追溯到来源
代码助手“修复这个报错”读代码、修改、执行相关测试原问题不再出现,测试通过

以上是任务设计示例。效果要用自己的测试集和业务数据衡量,不能从架构图直接推导成功率或降本比例。


四、 动手前的五个设计问题 ​

在动手写第一行代码前,建立严谨的工程思维是保证项目不烂尾的前提。

4.1 心法一:精准定位问题属性(一次性需求 vs 高频固定流程) ​

不是所有场景都需要 Agent。新手请严格按照下方的场景筛选决策树进行评估:

4.2 心法二:任务流程化整为零(从单节点打磨到工作流串联) ​

  • 反模式:写一个包含 20 条约束的巨型 Prompt:“你既要分析客户语气,又要提取订单号,还要计算运费,最后用表格输出”。
  • 工程解法:将复杂的单步大模型推理拆解为相互解耦的管道流。
  • 核心好处:每个节点均可独立编写单元测试,哪个环节出错一清二楚,系统调试成本降低 90%。

4.3 心法三:善用平台工具与标准协议 ​

  • 拒绝从零造轮子:
    • 验证原型(MVP)阶段,优先使用 Dify 或 Coze,几小时内即可完成知识库挂载与工作流验证;
    • 跨系统工具接入阶段,拥抱 Anthropic MCP(Model Context Protocol) 协议,一次编写,多端复用;
    • 核心业务生产阶段,使用 LangGraph 或字节开源的 Eino 进行强类型代码级控制。

4.4 心法四:提示词是系统的业务配置代码 ​

提示词(Prompt)绝不是随性写就的“小作文”,而是工业级 Agent 的业务配置规约。一个生产级 Prompt 必须包含四大核心骨架:

  1. Role & Identity(角色与专业权威定义)
  2. Workflow & Constraints(执行流程与严格边界,明确禁止做什么)
  3. Few-Shot Examples(少样本示例,尤其是异常与边界输入)
  4. Output Schema(强制约束输出格式,推荐强类型 JSON)

4.5 心法五:先以自用为主的敏捷进阶 ​

不要试图第一天就开发一套颠覆行业的超级系统。建议从身边的真实痛点起步:

  • 例如:写一个“每日 GitHub 提交自动生成周报的 Agent”;
  • 或者:“本地 Markdown 读书笔记精准检索问答 Agent”。 当工具在现实中真正为你节省了 30 分钟时间,你所获得的确定性正反馈将驱动你快速突破后续的复杂架构。

五、 两个常见问题 ​

Q1:为什么我的 Agent 经常在中间某一步“自由发挥”,完全不理会我在提示词里的规则? ​

  • 原因剖析:提示词过长导致“注意力衰减(Lost in the Middle)”,或者多条约束之间存在逻辑冲突。
  • 解决方案:立即执行“化整为零”拆分,把长 Prompt 拆解为两个串联的 Node;同时对关键输出字段强制使用 JSON Schema 校验(如 Pydantic),阻断其自由发散。

Q2:给大模型接入工具越多越好吗? ​

  • 原因剖析:工具描述重叠、名称含糊或参数复杂时,模型更容易选错;工具说明也会占用上下文。不存在适用于所有模型的固定工具数量上限,应实际评测。
  • 解决方案:引入路由层(Router Pattern)或技能渐进式披露(Progressive Disclosure),先由分类节点缩小工具候选范围,再向具体智能体动态注入相关的 2~3 个工具。

六、 动手练习:写一张任务卡 ​

先用下面的模板描述“订单异常处理助手”,再换成你自己的场景。

任务字段示例
目标查明订单当前状态,整理处理建议
输入订单号、用户问题;缺订单号就追问
可用工具只读订单接口、物流接口、售后政策检索
执行边界不自动退款,不发送未经确认的消息
输出订单状态、信息来源、建议、尚未解决的问题
停止条件已得到答案;或工具连续失败,转人工

验收:下面三种输入都能解释清楚

订单号齐全时怎么查?缺订单号时怎么问?查询失败时怎么结束?能说清这三条路径,就可以进入下一章。

  1. 场景定性练习:请挑选你当前工作或生活中的 3 个场景(例如:发票报销初审、撰写朋友圈文案、代码 Bug 自动化定位),使用本章提供的决策树画出它们的定性分析流程图。
  2. 化整为零拆解练习:针对“客户要求退换购买的数码相机”这一售后场景,将其拆解为 4 个职责独立的最小原子功能节点,并定义每个节点的标准输入与输出数据结构。

商业实战出版级教程 | 严禁未授权翻印传播