一、什么是 AgentAgent 是能够独立替你完成任务的系统。工作流workflow是为达成用户目标而需执行的一系列步骤例如处理客服问题、预订餐厅、提交代码变更或生成报告。仅集成 LLM 但不用它控制工作流执行的应用简单聊天机器人、单轮 LLM、情感分类器不属于 Agent。Agent 的核心特征用 LLM 管理工作流执行与决策——能识别工作流何时完成必要时主动纠错失败时可暂停并交还控制权给用户。可访问各类工具——与外部系统交互以获取上下文或采取行动根据当前状态动态选择工具始终在明确的护栏内运行。二、何时该构建 Agent传统规则引擎像清单按预设条件标记LLM Agent 像资深调查员能评估上下文、识别规则未覆盖的可疑模式。Agent 适合传统确定性方案失效的场景优先考虑以下曾难以自动化的工作流复杂决策需细腻判断、例外处理或上下文敏感的决策如客服退款审批。难维护的规则规则集过于庞杂、更新成本高且易出错如供应商安全审查。重度依赖非结构化数据需解读自然语言、从文档提取含义或对话式交互如家庭保险理赔处理。构建前务必验证用例是否清晰满足上述条件否则确定性方案即可。三、Agent 设计基础Agent 由三个核心组件构成模型、工具、指令。weather_agent Agent( nameWeather agent, instructionsYou are a helpful agent who can talk to users about the weather, tools[get_weather], )1. 选择模型不同模型在任务复杂度、延迟、成本上各有取舍工作流中不同任务可选用不同模型。简单检索或意图分类可用更小更快的模型退款审批等难任务则用更强模型。推荐做法先用最强模型搭原型建性能基线再尝试换小模型看是否仍达标从而定位小模型的成败边界。原则总结建立 evals 设性能基线用最强模型达成准确率目标在可能处用小模型优化成本与延迟。2. 定义工具工具通过底层应用或系统的 API 扩展 Agent 能力。无 API 的遗留系统可用计算机使用模型像人一样直接操作 UI。每个工具应有标准化定义便于工具与 Agent 间灵活多对多关系文档完善、充分测试、可复用的工具能提升可发现性、简化版本管理、避免重复定义。三类工具类型说明示例Data数据型获取执行工作流所需的上下文与信息查询交易数据库或 CRM、读 PDF、搜索网页Action动作型与系统交互执行动作如新增/更新记录、发消息发邮件短信、更新 CRM、把客服工单转人工Orchestration编排型Agent 本身作为其他 Agent 的工具见 Manager 模式退款 Agent、研究 Agent、写作 Agentfrom agents import Agent, WebSearchTool, function_tool import datetime function_tool def save_results(output): db.insert({ output: output, timestamp: datetime.datetime.now(), }) return File saved search_agent Agent( nameSearch agent, instructionsHelp the user search the internet and save results if asked., tools[WebSearchTool(), save_results], )3. 配置指令高质量指令对 Agent 至关重要能减少歧义、改善决策、让工作流更顺畅。最佳实践复用现有文档把操作流程、支持话术、政策文档转化为 LLM 友好的 routine。客服场景下 routine 大致对应知识库中的单篇文章。引导拆解任务把密集资源拆成更小更清晰的步骤减少歧义。明确动作每一步对应具体动作或输出如让用户提供订单号、调 API 取账户详情连用户可见消息的措辞都要明确减少解释误差。覆盖边缘情况预判常见变体信息不全、意外提问用条件步骤或分支处理。可用 o1/o3-mini 等模型自动从现有文档生成指令You are an expert in writing instructions for an LLM agent. Convert the following help center document into a clear set of instructions, written in a numbered list. The document will be a policy followed by an LLM. Ensure that there is no ambiguity, and that the instructions are written as directions for an agent. The help center document to convert is the following {{help_center_doc}}四、编排Orchestration不要一上来就建全自主复杂架构客户通常用增量方式更易成功。编排分两类单 Agent 系统、多 Agent 系统。1. 单 Agent 系统单 Agent 通过逐步增加工具即可承担许多任务复杂度可控、评估与维护更简单。每个新工具扩展能力而非过早引入多 Agent。任何编排都需要「run」概念——通常是一个循环让 Agent 运行直到满足退出条件工具调用、特定结构化输出、错误、或达到最大轮数。在 Agents SDK 中Agent 通过Runner.run启动循环直到调用了定义特定输出类型的 final-output 工具模型返回不带工具调用的响应如直接回复用户。Agents.run( agent, [UserMessage(Whats the capital of the USA)] )这个 while 循环是 Agent 运行的核心。多 Agent 系统中也允许模型跑多步直到满足退出条件。管理复杂度的有效策略是提示词模板用单个灵活基础提示词接受策略变量而非为各场景维护多个提示词。新场景只需更新变量而非重写整个工作流。 You are a call center agent. You are interacting with {{user_first_name}} who has been a member for {{user_tenure}}. The users most common complains are about {{user_complaint_categories}}. Greet the user, thank them for being a loyal customer, and answer any questions the user may have!何时考虑拆分多 Agent先最大化单 Agent 能力。多 Agent 能直观分隔概念但带来额外复杂度与开销往往单 Agent 工具已足够。当 Agent 跟不住复杂指令或持续选错工具时再拆分。拆分指引复杂逻辑提示词含大量条件分支if-then-else、模板难扩展时按逻辑段拆分。工具过载问题不在工具数量而在相似/重叠。有人能管理 15 个清晰独立的工具有人不到 10 个重叠工具就失效。若改进命名、参数、描述仍不行再用多 Agent。2. 多 Agent 系统两类常见模式ManagerAgent 作为工具中心「manager」Agent 通过工具调用协调多个专门 Agent每个处理特定任务/领域。DecentralizedAgent 间 handoff多个 Agent 对等协作按专长把任务转交给彼此。多 Agent 系统可建模为图Manager 模式中边是工具调用Decentralized 模式中边是 handoff转交执行权。无论哪种模式都应保持组件灵活、可组合、由清晰结构化提示词驱动。Manager 模式中心 LLMmanager通过工具调用编排专门 Agent 网络按需委派任务并综合结果提供统一用户体验。适合只需一个 Agent 控制工作流执行并面向用户的场景。from agents import Agent, Runner manager_agent Agent( namemanager_agent, instructions( You are a translation agent. You use tools given to you to translate. If asked for multiple translations, you call the relevant tools. ), tools[ spanish_agent.as_tool( tool_nametranslate_to_spanish, tool_descriptionTranslate the users message to Spanish, ), french_agent.as_tool( tool_nametranslate_to_french, tool_descriptionTranslate the users message to French, ), italian_agent.as_tool( tool_nametranslate_to_italian, tool_descriptionTranslate the users message to Italian, ), ], ) async def main(): msg input(Translate hello to Spanish, French and Italian for me!) orchestrator_output await Runner.run(manager_agent, msg) for message in orchestrator_output.new_messages: print(f- Translation step: {message.content})声明式 vs 非声明式图声明式框架要求预先显式定义每个分支、循环、条件可视化清晰但随工作流变复杂会变得繁琐、需学 DSL。Agents SDK 采用代码优先方式直接用熟悉的编程结构表达工作流逻辑无需预定义整张图更动态灵活。Decentralized 模式Agent 间可相互 handoff 执行权。Handoff 是单向转交调用 handoff 函数即立即在目标 Agent 上开始执行并传递最新会话状态。适合无需单一 Agent 维持中央控制或综合的场景让每个 Agent 接管执行并按需与用户交互。from agents import Agent, Runner technical_support_agent Agent( nameTechnical Support Agent, instructions( You provide expert assistance with resolving technical issues, system outages, or product troubleshooting. ), tools[search_knowledge_base], ) sales_assistant_agent Agent( nameSales Assistant Agent, instructions( You help enterprise clients browse the product catalog, recommend suitable solutions, and facilitate purchase transactions. ), tools[initiate_purchase_order], ) order_management_agent Agent( nameOrder Management Agent, instructions( You assist clients with inquiries regarding order tracking, delivery schedules, and processing returns or refunds. ), tools[track_order_status, initiate_refund_process], ) triage_agent Agent( nameTriage Agent, instructions( You act as the first point of contact, assessing customer queries and directing them promptly to the correct specialized agent. ), handoffs[ technical_support_agent, sales_assistant_agent, order_management_agent, ], ) result await Runner.run( triage_agent, input(Could you please provide an update on the delivery timeline for our recent purchase?) )初始消息发给 triage_agent识别到与近期采购相关后 handoff 给 order_management_agent 转交控制权。此模式特别适合会话分流或希望专门 Agent 完全接管某些任务而原 Agent 无需继续参与。可给第二个 Agent 配置 handoff 回原 Agent必要时再次转交。五、护栏Guardrails设计良好的护栏帮助管理数据隐私风险如防止系统提示泄露或声誉风险如强制品牌一致行为。先针对已识别风险建护栏发现新漏洞再加层。护栏是任何 LLM 部署的关键组件但应与强认证授权、严格访问控制、标准软件安全措施配合。护栏是分层防御——单个护栏通常不足以提供充分保护多个专门护栏组合才能更坚韧。1. 护栏类型相关性分类Relevance classifier标记越界查询确保响应在预期范围内。如「帝国大厦多高」属越界。安全分类Safety classifier检测越狱或提示注入等不安全输入。如试图套出系统指令的消息会被标记为不安全。PII 过滤审查模型输出避免不必要暴露个人身份信息。内容审核Moderation标记仇恨、骚扰、暴力等有害或不当输入。工具风险分级Tool safeguards按只读/写、可逆性、所需权限、财务影响给每个工具评低/中/高风险据此触发自动动作——如高风险函数执行前暂停做护栏检查或升级人工。规则防护Rules-based黑名单、输入长度限制、正则过滤等确定性措施防已知威胁如禁用词或 SQL 注入。输出校验Output validation通过提示工程与内容检查确保响符合品牌价值观防止损害品牌。2. 构建护栏有效经验法则聚焦数据隐私与内容安全按真实边缘案例与失败新增护栏兼顾安全与体验随 Agent 演进调整护栏。from agents import ( Agent, GuardrailFunctionOutput, InputGuardrailTripwireTriggered, RunContextWrapper, Runner, TResponseInputItem, input_guardrail, Guardrail, GuardrailTripwireTriggered, ) from pydantic import BaseModel class ChurnDetectionOutput(BaseModel): is_churn_risk: bool reasoning: str churn_detection_agent Agent( nameChurn Detection Agent, instructionsIdentify if the user message indicates a potential customer churn risk., output_typeChurnDetectionOutput, ) input_guardrail async def churn_detection_tripwire( ctx: RunContextWrapper[None], agent: Agent, input: str | list[TResponseInputItem], ) - GuardrailFunctionOutput: result await Runner.run(churn_detection_agent, input, contextctx.context) return GuardrailFunctionOutput( output_inforesult.final_output, tripwire_triggeredresult.final_output.is_churn_risk, ) customer_support_agent Agent( nameCustomer Support Agent, instructionsYou are a customer support agent. You help customers with their questions., input_guardrails[Guardrail(guardrail_functionchurn_detection_tripwire)], ) async def main(): await Runner.run(customer_support_agent, Hello!) print(Hello message passed) try: await Runner.run(customer_support_agent, I think I might cancel my subscription) print(Guardrail didnt trip - this is unexpected) except GuardrailTripwireTriggered: print(Churn detection guardrail tripped)Agents SDK 把护栏作为一等概念默认乐观执行主 Agent 主动产出护栏并发运行违规即抛异常。护栏可是函数或 Agent强制防越狱、相关性校验、关键词过滤、黑名单、安全分类等策略。3. 人工干预人工干预是关键保障尤其部署早期帮助识别失败、发现边缘案例、建立稳健评估周期。它让 Agent 无法完成任务时优雅转交控制权——客服场景升级给人工编码场景交回用户。两类常见触发超失败阈值限制 Agent 重试或动作次数超限如多次未能理解用户意图即升级人工。高风险动作敏感、不可逆或高 stakes 动作在 Agent 可靠性建立前应触发人工监督如取消用户订单、授权大额退款、付款。六、结论Agent 标志着工作流自动化的新时代——系统能在歧义中推理、跨工具行动、以高度自主性处理多步任务适合复杂决策、非结构化数据或脆弱规则系统。构建可靠 Agent 的要点打好基础——强模型 定义良好的工具 清晰结构化指令编排匹配复杂度——从单 Agent 起步仅在需要时演进到多 Agent全程护栏——从输入过滤、工具使用到人工干预确保安全可预测。部署路径非全有或全无从小处起步、用真实用户验证、逐步扩展能力。学习资源推荐如果你想更深入地学习大模型以下是一些非常有价值的学习资源这些资源将帮助你从不同角度学习大模型提升你的实践能力。一、全套AGI大模型学习路线AI大模型时代的学习之旅从基础到前沿掌握人工智能的核心技能因篇幅有限仅展示部分资料需要点击文章最下方名片即可前往获取二、640套AI大模型报告合集这套包含640份报告的合集涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师还是对AI大模型感兴趣的爱好者这套报告合集都将为您提供宝贵的信息和启示因篇幅有限仅展示部分资料需要点击文章最下方名片即可前往获取三、AI大模型经典PDF籍随着人工智能技术的飞速发展AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型如GPT-3、BERT、XLNet等以其强大的语言理解和生成能力正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。因篇幅有限仅展示部分资料需要点击文章最下方名片即可前往获取四、AI大模型商业化落地方案作为普通人入局大模型时代需要持续学习和实践不断提高自己的技能和认知水平同时也需要有责任感和伦理意识为人工智能的健康发展贡献力量。