本文详细介绍了AI智能体的构建方法，从基本概念到实际应用，系统阐述了智能体与工作流的区别、使用场景选择、多种实现框架以及核心模式如提示链、路由、并行化等。作者强调成功构建智能体的关键在于保持简洁性、透明度以及精心设计工具文档，并建议从简单提示开始，仅在必要时增加复杂性。最后展示了客户支持和编码智能体两个典型应用场景，为开发者提供了实用的指导原则和实施建议。
一、什么是 AI 智能体？
在 AI 领域，“智能体”（Agent）这一概念具有丰富的内涵。它既可以指那些能够在较长时间内自主运作、借助各类工具完成复杂任务的全自动化系统，也可以用于描述遵循预设工作流程、更具指导性和规范性的实现方式。 Anthropic（一家位于美国旧金山的人工智能研究公司），将所有这些变体都归类为“智能体系统”，但在架构上对“工作流”和“智能体”做了重要的区分：
工作流：通过预定义的代码路径编排大型语言模型（LLMs）和工具
智能体：LLMs 动态指导自身的过程和工具使用，控制任务完成方式
二、何时使用智能体
在使用大型语言模型（LLMs）构建应用程序时，我们建议寻找最简单的解决方案，并且只有在需要时才增加复杂性。智能体系统通常以延迟和成本为代价来换取更好的任务表现，因此需要考虑这种权衡是否值得。
如果需要更多复杂性，工作流为定义良好的任务提供了可预测性和一致性，而智能体则在需要灵活性和大规模模型驱动决策时是更好的选择。对于许多应用程序来说，通过检索和上下文示例优化单个 LLM 调用通常就足够了。
三、如何利用智能体框架
当下，有许多框架可以简化智能体系统的实现，包括：
LangChain 的 LangGraph
Amazon Bedrock 的 AI Agent 框架
Rivet，一个拖放式 GUI LLM 工作流构建器
Vellum，另一个用于构建和测试复杂工作流的 GUI 工具
这些框架通过简化标准的低级任务（如调用 LLM、定义和解析工具以及链接调用）使上手变得容易。然而，它们通常会增加额外的抽象层，可能会使底层提示和响应变得模糊，从而更难调试。它们还可能使人们在简单设置已经足够的情况下仍想添加复杂性。
我建议开发人员从直接使用 LLM API 开始：许多模式可以用几行代码实现。如果你确实使用了框架，请确保你理解底层代码。对框架内部工作原理的错误假设是客户错误的常见来源。
四、智能体系统模式：核心模块、工作流和智能体
本章节将探讨在实际生产环境中常见的智能体系统模式。我将从基础构建模块——增强型大型语言模型（augmented LLM）开始，逐步增加复杂性，涵盖从简单的组合工作流到具备高度自主性的智能体的多种模式。
1 构建模块：增强型 LLM
智能体系统的构建模块是增强型 LLM，它通过检索、工具和记忆等功能进行增强。当前模型可以主动使用这些功能——生成自己的搜索查询、选择适当的工具，并确定要保留的信息。
△ 增强型 LLM
2.1 工作流：提示链（Prompt Chaining）
提示链将任务分解为一系列步骤，每个 LLM 调用处理前一个调用的输出。你可以在任何中间步骤添加程序检查（见下图中的“Gate”），以确保过程仍在正轨上。
△ 提示链工作流
何时使用：当任务可以轻松且清晰地分解为固定的子任务时，此工作流是理想选择。主要目标是通过使每个 LLM 调用变得更简单来换取更高的准确性。
适用示例：
生成营销文案，然后将其翻译成另一种语言
编写文档大纲，检查大纲是否符合某些标准，然后根据大纲编写文档
2.2 工作流：路由（Routing）
路由对输入进行分类，并将其导向专门化的后续任务。这种工作流允许分离关注点，并构建更专业化的提示。如果没有这种工作流，优化一种输入可能会损害其他输入的性能。
△ 路由工作流
何时使用：当任务有明显的类别且可以分别处理时，路由工作流非常适用。
适用示例：
将不同类型的客户支持查询（一般问题、退款请求、技术支持）导向不同的下游流程、提示和工具
将简单/常见问题路由到较小的模型（如 Claude 3.5 Haiku），将复杂/不寻常问题路由到更强大的模型（如 Claude 3.5 Sonnet），以优化成本和速度
2.3 工作流：并行化（Parallelization）
LLMs 有时可以同时处理任务，并通过编程方式聚合输出。这种工作流，即并行化，主要体现在两种关键变化中：
分段（Sectioning）：将任务分解为可并行运行的独立子任务
投票（Voting）：多次运行同一任务以获得多样化的输出
△ 并行化的工作流
何时使用： 当可以并行化子任务以提高速度，或者需要多种视角或尝试以获得更可靠的结果时，并行化非常有效。对于具有多种考虑因素的复杂任务，LLMs 通常在每个考虑因素由单独的 LLM 调用处理时表现更好，从而能够专注于每个具体方面。
适用示例：
- 分段
实现防护栏，其中一个模型实例处理用户查询，而另一个筛选不适当内容或请求。这通常比让同一个 LLM 调用同时处理防护栏和核心响应要好。
自动化评估 LLM 性能，其中每个 LLM 调用评估模型在给定提示下性能的不同方面。
- 投票
审查代码以查找漏洞，多个不同的提示会审查代码并标记问题。
评估内容是否不适当，多个提示会从不同方面评估或需要不同的投票阈值来平衡误报和漏报。
2.4 工作流：编排-工作流（Orchestrator-workers）
在编排-工作流中，一个中心 LLM 动态分解任务，将其委托给工作流 LLM，并合成结果。
△ 编排-工作流
何时使用：当无法预测所需子任务时，此工作流非常适用（例如，在编码中，需要更改的文件数量和每个文件的更改性质可能取决于任务）。与并行化的区别在于其灵活性——子任务不是预先定义的，而是由编排者根据具体输入确定。
适用示例：
每次对多个文件进行复杂更改的编码产品
搜索任务，涉及从多个来源收集和分析可能相关信息
2.5 工作流：评估-优化（Evaluator-optimizer）
在评估-优化工作流中，一个 LLM 调用生成响应，而另一个提供评估和反馈，形成循环。
△ 评估-优化工作流
何时使用：当有明确的评估标准，并且迭代改进能带来可衡量的价值时，此工作流特别有效。两个标志是好的契合：首先，当人类表达反馈时，LLM 响应可以明显改进；其次，LLM 可以提供此类反馈。这类似于人类作家在制作润色文档时所经历的迭代写作过程。
适用示例：
文学翻译，其中翻译者 LLM 可能无法最初捕捉到细微差别，但评估者 LLM 可以提供有用的批评
需要多轮搜索和分析以收集全面信息的复杂搜索任务，评估者决定是否需要进一步搜索
3 智能体
随着 LLMs 在关键能力上的成熟——理解复杂输入、进行推理和规划、可靠地使用工具以及从错误中恢复——智能体正在生产环境中崭露头角。智能体从人类用户的命令或互动讨论开始工作。一旦任务明确，智能体将独立规划和操作，可能在需要时返回向人类用户获取更多信息或判断。在执行过程中，智能体必须从环境中获得“真实情况”（例如工具调用结果或代码执行），以评估其进展。智能体可以在检查点暂停以获取人类反馈或在遇到障碍时暂停。任务通常在完成后终止，但也常见于包含停止条件（例如最大迭代次数），以保持控制。
智能体可以处理复杂的任务，但它们的实现通常很简单。它们通常是基于环境反馈使用工具的 LLM 循环。因此，精心设计工具集及其文档至关重要。
△ 自主智能体
何时使用智能体：当面对难以或无法预测所需步骤数的开放性问题，并且需要一定程度的信任来执行任务时，可以使用智能体。智能体的自主性使它们适合在受信任的环境中扩展任务。
智能体的自主性质意味着更高的成本和潜在的错误累积。我们建议在沙盒环境中进行广泛的测试，并设置适当的防护措施。
适用示例：用于解决 SWE-bench 任务的编码智能体，这些任务涉及基于任务描述对多个文件进行编辑
△ 用于解决 SWE-bench任务的编码智能体
五、结合和定制这些模式
这些构建模块并非规定性的。它们是开发人员可以根据不同用例塑造和组合的常见模式。与任何 LLM 功能一样，成功的关键在于衡量性能并迭代实现。需要强调的是：只有在可以明显改进结果时，才考虑增加复杂性。
六、成功搭建智能体的秘诀
在 LLM 领域的成功并不在于构建最复杂的系统，而在于构建满足需求的正确系统。从简单的提示开始，通过全面的评估进行优化，并且只有在更简单的解决方案不足时才添加多步骤的智能体系统。
在实现智能体时，我们尝试遵循以下三个核心原则：
保持智能体设计的“简洁性”
通过明确展示智能体的规划步骤来优先考虑“透明度”。
通过彻底的工具“文档和测试”来精心设计你的智能体-计算机接口（ACI）。
框架可以帮助你快速上手，但在进入生产环境时，不要犹豫减少抽象层并使用基本组件进行构建。通过遵循这些原则，你可以创建不仅强大而且可靠、可维护并受到用户信任的智能体。
七、智能体在实践中的应用
以下两个特别有前景的 AI 智能体应用，进一步展示了上述模式的实际价值。这两个应用都说明了智能体在需要对话和行动的任务中如何增加价值，这些任务具有明确的成功标准、启用反馈循环以及有意义的人类监督。
1 客户支持
客户支持将熟悉的聊天机器人界面与通过工具集成增强的功能相结合。这是更开放的智能体的自然契合，因为：
支持互动自然地遵循对话流程，同时需要访问外部信息和行动
可以集成工具来提取客户数据、订单历史和知识库文章
诸如退款或更新工单等操作可以以编程方式处理
可以通过用户定义的解决方案明确衡量成功
2 编码智能体
软件开发领域已经展示了 LLM 功能的巨大潜力，其能力从代码补全发展到自主问题解决。智能体特别有效，因为：
代码解决方案可以通过自动化测试进行验证
智能体可以使用测试结果作为反馈迭代解决方案
问题空间是明确定义和结构化的
输出质量可以客观衡量
如何学习大模型 AI ？
由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。
但是具体到个人，只能说是：
“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。
这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。
我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】
为什么要学习大模型？
我国在A大模型领域面临人才短缺,数量与质量均落后于发达国家。2023年，人才缺口已超百万，凸显培养不足。随着AI技术飞速发展，预计到2025年,这一缺口将急剧扩大至400万,严重制约我国AI产业的创新步伐。加强人才培养,优化教育体系,国际合作并进是破解困局、推动AI发展的关键。
大模型入门到实战全套学习大礼包
1、大模型系统化学习路线
作为学习AI大模型技术的新手，方向至关重要。 正确的学习路线可以为你节省时间，少走弯路；方向不对，努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划，带你从零基础入门到精通！
2、大模型学习书籍&文档
学习AI大模型离不开书籍文档，我精选了一系列大模型技术的书籍和学习文档（电子版），它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。
3、AI大模型最新行业报告
2025最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。
4、大模型项目实战&配套源码
学以致用，在项目实战中检验和巩固你所学到的知识，同时为你找工作就业和职业发展打下坚实的基础。
5、大模型大厂面试真题
面试不仅是技术的较量，更需要充分的准备。在你已经掌握了大模型技术之后，就需要开始准备面试，我精心整理了一份大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。
适用人群
第一阶段（10天）：初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么？
- 大模型是怎样获得「智能」的？
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例：向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段（30天）：高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示（Embeddings）
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段（30天）：模型训练
恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。
到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2：手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段（20天）：商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身：基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例：如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。
如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。
