Agent

Agent 节点让你的大型语言模型自主控制工具，使其能够迭代决定使用哪些工具以及何时使用它们。Agent 不是预先规划每一步，而是动态地推理问题，根据需要调用工具来完成复杂任务。

Agent 策略#

Agent 策略定义了你的 Agent 如何思考和行动。选择最适合你的模型能力和任务需求的方法。

配置#

模型选择#

选择支持你所选 Agent 策略的大型语言模型。更强大的模型能更好地处理复杂推理，但每次迭代成本更高。如果使用函数调用策略，请确保你的模型支持函数调用。

工具配置#

配置你的 Agent 可以访问的工具。每个工具需要：

授权 - 在工作空间中配置的外部服务的 API 密钥和凭据

描述 - 清楚说明工具的作用以及何时使用它（这指导 Agent 的决策制定）

参数 - 工具接受的必需和可选输入，带有适当的验证

指令和上下文#

使用自然语言指令定义 Agent 的角色、目标和上下文。使用 Jinja2 语法引用上游工作流节点的变量。

查询 指定 Agent 应该处理的用户输入或任务。这可以是来自先前工作流节点的动态内容。

执行控制#

最大迭代次数 设置安全限制以防止无限循环。根据任务复杂性进行配置 - 简单任务需要 3-5 次迭代，而复杂研究可能需要 10-15 次。

记忆 通过 TokenBufferMemory 控制 Agent 记住多少条历史消息。更大的记忆窗口提供更多上下文，但会增加 token 成本。这使得对话可以连续，用户能够引用之前的操作。

工具参数自动生成#

工具可以将参数配置为 自动生成 或 手动输入。自动生成的参数（auto: false）由 Agent 自动填充，而手动输入参数需要明确的值，这些值成为工具永久配置的一部分。

输出变量#

Agent 节点提供全面的输出，包括：

最终答案 - Agent 对查询的最终响应

工具输出 - 执行期间每次工具调用的结果

推理轨迹 - 逐步决策过程（推理与行动策略特别详细）在 JSON 输出中可用

迭代计数 - 使用的推理循环次数

成功状态 - Agent 是否成功完成任务

Agent 日志 - 带有元数据的结构化日志事件，用于调试和监控工具调用

用例#

研究与分析 - Agent 可以自主搜索多个来源，综合信息，并提供全面的答案。

故障排除 - 诊断任务，Agent 需要收集信息、测试假设，并根据发现调整其方法。

多步数据处理 - 复杂的工作流，其中下一个行动取决于中间结果。

动态 API 集成 - API 调用序列取决于无法预先确定的响应和条件的场景。

最佳实践#

清晰的工具描述 帮助 Agent 了解何时以及如何有效使用每个工具。

适当的迭代限制 防止失控成本，同时为复杂任务提供足够的灵活性。

详细的指令 提供关于 Agent 角色、目标以及任何约束或偏好的上下文。

记忆管理 根据你的用例要求平衡上下文保留与标记效率。

新 Agent 节点将一个 Agent 作为工作流中的一步来运行。与经典节点「模型加工具」的组合不同，这里请来的是一名自带能力和沙箱的完整员工。

你选定 Agent 并告诉它要做什么；它自主完成任务，再把结果交还给流程的其余部分。

选择 Agent#

添加节点时，先选定由谁来干活：

之后可随时更换 Agent。

给它派任务#

在 Agent 任务 中描述这一步需要什么，就像向同事交代一件事那样。这与 Agent 自身的提示词及能力相互独立。输入 / 可引用之前节点的输出。

假设你邀请的是一个客服 Agent：它已熟悉你的产品文档、掌握你们的客服语气，工作流会把客户来信交给它。任务只需说明这一步要做什么：

阅读 {{customer_email}} 中的客户邮件，起草一封回复，逐一回应邮件中的问题，不超过 150 字。

声明输出#

Agent 节点默认只返回一个输出 text，即 Agent 对任务的回复文本。当后续步骤需要更具体的内容，比如一个具体的值或某份文件，可将它声明为独立输出。

在 Agent 任务 中输入 /，选择 新建输出，然后就地命名并选择类型。每个声明的输出，下游节点都可单独引用。

声明的输出就写在任务文本里，因此你可明确告诉 Agent 该往里面放什么。下面的任务中，{{vendor_name}} 和 {{quote_file}} 就是声明的输出：

对比 {{vendor_quotes}} 中的三份供应商报价并给出推荐。把胜出供应商的名称放入 {{vendor_name}}，其报价 PDF 放入 {{quote_file}}。

Agent 返回的文件，单个不超过 50 MB。