智能体是什么?一份从概念到落地的搭建指南
作者:问答酱2026.11.17 03:42浏览量:0简介:智能体(Agent)能自主规划、调用工具并循环推进任务,与一问一答的大模型应用不同。本文拆解智能体的四个核心组件和六步搭建流程,提供可运行的工具调用循环代码,并给出 Token 成本估算方法、模型选型思路与常见踩坑清单,帮你判断何时该用智能体,以及如何把它稳定地放进业务。
一、智能体是什么
Agent 这个词早于大模型。哲学中它指具有行动能力的实体。人工智能领域沿用了这一含义,把它定义为能够感知环境、自主决策并采取行动的计算实体。它有三个关键特征:自主性,即无需人逐步指挥;反应性,即能根据环境变化调整行为;目标导向,即围绕明确的目标持续推进。
在大模型时代,智能体与普通 LLM 应用的区别在于控制权。
- LLM 应用:流程由开发者写死,一次调用,一次输出。
- 智能体:模型自己决定下一步做什么,循环调用工具,直到目标达成或触发终止条件。
2023 年后,智能体概念快速普及,主要因为三项能力同时成熟:推理能力较强的基座模型、标准化的工具调用协议(Function Calling),以及明显下降的推理成本。三者缺一,智能体很难稳定地跑完一个长任务。
二、智能体的四个核心组件
| 组件 | 作用 | 常见实现 |
|---|---|---|
| 规划 Planning | 把目标拆解为可执行的子任务 | ReAct、Plan-and-Execute、任务树 |
| 记忆 Memory | 短期保存对话上下文,长期保存用户偏好与历史结论 | 上下文窗口 + 向量库 |
| 工具 Tools | 让模型能够执行动作,如查库、调用 API、计算、看图 | Function Calling、MCP、插件 |
| 反思 Reflection | 校验结果,失败后重试或换路径 | 自我批判、结果打分、重试策略 |
四个组件缺一,系统就会退化成带界面的聊天框。没有工具,模型只能描述操作,无法执行。没有规划,长任务容易跑偏。没有反思,早期错误会被后续步骤放大。
三、什么时候该用智能体
适合智能体的任务通常有三个特征:步骤数量事先无法确定;需要根据中间结果决定下一步;需要调用多个外部系统。
如果流程是固定的,比如每天固定时间生成一份报表,直接写脚本或工作流更便宜,也更可控。智能体的不确定性,正是它的成本和风险来源。
通用大模型直接上业务时容易出问题。它对行业术语、企业内部制度和业务系统都不了解。可靠的做法是分工:模型负责推理和表达,知识库负责事实,工具负责执行动作。
举例来说,一个”合同条款审查 Agent”中,模型负责判断风险等级并生成说明;条款原文从企业知识库检索得到,避免模型凭记忆编造;最终结论由工具写回合同系统。三者分离后,每一部分都可以单独替换和审计。
四、搭建智能体的六步流程
第 1 步:定义场景与边界。 明确输入、输出和成功标准,并列出不允许做的事,例如不允许直接转账,不允许删除数据。边界模糊是 Agent 项目失败的常见原因。
第 2 步:选择模型。 复杂推理用能力较强的模型,分类、抽取、路由等环节用轻量模型。长文档场景要确认模型的上下文长度是否足够。选型时不要只比较单价,要比较完成一次任务的总成本。
第 3 步:定义工具。 模型依靠工具的 description 判断何时调用,所以 description 比参数更重要。下面是一组对比:
- 差的写法:
"description": "查询订单" - 好的写法:
"description": "根据订单编号查询订单状态和物流信息。用户询问订单进度、物流位置或是否已发货时调用。不用于退款、修改地址等操作。"
好的写法同时说明了调用时机和不应调用的情形。参数的 description 也要写清含义和格式,例如”订单编号,格式为 A 开头加 5 位数字”。
第 4 步:接入知识。 用检索增强生成(RAG)把企业文档切片、向量化并检索召回,解决模型不了解企业内部信息的问题。检索结果要保留来源,便于人工核对。
第 5 步:编排循环。 设置最大步数、单次超时和失败重试次数。每一步都应记录日志,超限时写入告警,避免死循环持续消耗 Token。
第 6 步:评测与迭代。 建立测试集,用量化指标决定优化方向。每条测试样本建议包含以下字段:
| 字段 | 说明 | 示例 |
|---|---|---|
| input | 用户输入 | “A10001 到哪了?” |
| expected_tool | 期望调用的工具,无则留空 | query_order |
| expected_keywords | 最终回答应包含的关键信息 | 已发货 |
| allow_refusal | 是否允许拒答 | 否 |
核心指标包括任务成功率、工具选择准确率、平均轮数和单任务 Token 成本。指标下降时,再决定是修改 Prompt、更换模型,还是做微调。
五、最小可运行示例:工具调用循环
import jsonimport loggingimport osfrom openai import OpenAI # 需要 openai>=1.0logging.basicConfig(level=logging.INFO)logger = logging.getLogger("agent")client = OpenAI(base_url=os.environ.get("LLM_BASE_URL"),api_key=os.environ["LLM_API_KEY"], # 从环境变量读取,不写死在代码里)# 演示数据,替换为真实的订单查询逻辑ORDER_DB = {"A10001": {"status": "已发货", "logistics": "顺丰 SF1234567890"},}TOOLS = [{"type": "function","function": {"name": "query_order","description": "根据订单编号查询订单状态与物流信息。用户询问订单进度、物流位置或是否已发货时调用。不用于退款、修改地址等操作。","parameters": {"type": "object","properties": {"order_id": {"type": "string", "description": "订单编号,格式为 A 开头加 5 位数字"}},"required": ["order_id"],},},}]def query_order(args: dict) -> str:order = ORDER_DB.get(args.get("order_id", ""))if order is None:return json.dumps({"error": "未找到该订单"}, ensure_ascii=False)return json.dumps(order, ensure_ascii=False)TOOL_HANDLERS = {"query_order": query_order}def run_tool(name, raw_args):try:args = json.loads(raw_args or "{}")handler = TOOL_HANDLERS.get(name)if handler is None:return json.dumps({"error": f"未知工具:{name}"}, ensure_ascii=False)return handler(args)[:2000] # 截断超长结果,控制上下文长度except Exception as e: # 把错误回传给模型,而不是让程序崩溃return json.dumps({"error": f"工具执行失败:{e}"}, ensure_ascii=False)def agent_loop(user_input: str, max_steps: int = 6) -> str:messages = [{"role": "user", "content": user_input}]for step in range(1, max_steps + 1):resp = client.chat.completions.create(model=os.environ.get("LLM_MODEL", "your-model-name"),messages=messages,tools=TOOLS,)msg = resp.choices[0].messagemessages.append(msg.model_dump(exclude_none=True))if not msg.tool_calls: # 无工具调用,表示已给出最终答复return msg.content or ""for call in msg.tool_calls: # 执行工具并回填结果logger.info("step=%d tool=%s args=%s", step, call.function.name, call.function.arguments)result = run_tool(call.function.name, call.function.arguments)messages.append({"role": "tool", "tool_call_id": call.id, "content": result})logger.warning("达到最大步数 max_steps=%d,任务中止", max_steps)return "已达到最大步数,任务未完成,请稍后重试或转人工处理"if __name__ == "__main__":print(agent_loop("帮我查一下订单 A10001 到哪了"))
运行前需要注意三点。第一,安装依赖 pip install "openai>=1.0",代码基于 openai 1.x 接口编写。第二,通过环境变量设置密钥,不要把密钥写进代码或提交到代码仓库。第三,把 ORDER_DB 替换为真实的查询逻辑,并确认该工具只拥有查询权限。
代码中有几处设计需要说明。resp.choices 是列表,需要用 [0] 取出第一个元素。max_steps 必须设置,超限时返回明确提示,而不是静默结束。工具结果需要截断或摘要,超长内容会快速占满上下文。参数解析失败、工具不存在或执行异常时,都把错误信息回传给模型,让模型有机会换路径。工具权限也要最小化:查询类工具和写入类工具分开定义,写入类操作应加入人工确认环节。
六、落地路径:低代码还是自研
低代码平台适合快速验证想法。以百度智能云千帆为例,其 AppBuilder 可以创建并测试 Agent,ModelBuilder 支持模型精调与部署。本文作者所在团队提供该平台的服务,因此这里属于推广性质的举例,读者可以自行比较其他平台。
低代码路径的适用边界如下:
- 适合:流程相对标准、团队缺少工程人员、需要快速验证。
- 不适合:需要复杂的权限体系、多 Agent 协作,或数据不允许离开内网。
- 风险:存在平台锁定,迁移成本较高;按用量计费时,需要持续监控成本。
自研路径适合深度定制。使用上面的循环骨架,可以自行管理上下文、多 Agent 协作和权限体系。代价是需要投入工程资源持续维护。
多模态需求可以把图像理解模型作为 Agent 的一个视觉工具,用于看图问答。对数据不能出域的场景,可以选择私有化部署,在专有网络中集成。
七、成本估算:智能体放大 Token 消耗
Agent 的成本不等于单次对话的成本。一次任务的成本可以粗略估算为:
单次任务成本 = (输入 Token × 输入单价 + 输出 Token × 输出单价) × 平均交互轮数
每一轮都会把历史消息和工具结果重新放入输入,因此输入 Token 会随轮数增加。工具返回的内容越长,成本越高。具体的放大倍数取决于任务步数和工具输出长度,无法一概而论,应当用真实样本实测。
四条优化手段如下:
- 上下文裁剪:只保留必要历史,工具结果先摘要再回填。
- 分级模型:路由和分类用小模型,复杂推理才调用旗舰模型。
- 缓存复用:对高频且结果稳定的查询做缓存,避免重复调用。
- 先测后定:用小样本测出平均轮数和 Token 分布,再制定预算。
选型时,建议以”完成一次业务任务的成本”作为决策指标,而不是只看每千 Token 单价。
八、常见问题与排查清单
- 工具太多:工具数量增加会提高模型选错工具的概率。建议按场景分组,由路由节点先判断请求属于哪一组,再交给对应的 Agent 处理。
- 没有评测集:只凭感觉调 Prompt,容易改一版坏一版。
- 权限过大:Agent 能写库、能转账,却没有审批和审计,风险很高。
- 一步到底:复杂任务硬塞进单次调用,效果不稳定。可以拆成多个 Agent 分工,各自负责规划、执行和检查。
排查问题时,可以按以下顺序检查:
- 工具是否被调用,参数是否正确。
- 工具返回是否符合预期,内容是否过长。
- 是否触发了 max_steps,日志中的步骤轨迹显示在哪一步开始偏离。
- 模型的最终回答是否基于工具结果,还是凭记忆编造。
九、结论
智能体的核心是模型、工具、知识和控制循环的组合。先用小范围场景跑通闭环,再用评测集量化效果,最后根据瓶颈决定是否更换模型、做微调或深度定制。这条路径比一开始就搭建复杂框架更稳妥。

登录后可评论,请前往 登录 或 注册