Agent 节点

【Agent 】节点用于在 AI Center 的对话流智能体 / 工作流中实现“自主工具调用”。
通过集成不同的推理策略（如 Function Calling、ReAct），大语言模型可以在运行时根据任务目标动态选择与调用工具，并进行多步推理与执行。

群組1

适用场景

• 多步骤任务编排：检索 → 处理 → 汇总 → 结构化输出
• 工具编排：搜索、数据库/知识库检索、HTTP 接口、计算/脚本执行等
• 需要外部事实或动作的任务：问答、信息聚合、数据填报、自动化操作
• 对结果可解释性有要求的流程（查看每一步工具调用与中间结论）

推理策略

1. Function Calling

模型将用户意图映射到预定义的函数/工具，先决定“调用哪个工具、携带哪些参数”，再由工具返回结果。

特点与优势

• 精准：适合明确目标的定向调用（如“查价格”“查运单”“写入记录”）。
• 易集成：API/内部系统能力可封装为函数供模型调用。
• 结构化输出：以结构化的“函数名 + 参数”形式产生调用，便于后续处理与审计。

适用：参数清晰、语义明确、过程可控的业务动作。

2. ReAct（Reason + Act）

模型交替进行“思考（Reason）”与“行动（Act）”：
先基于当前状态与目标推理下一步，再选择并调用工具；工具结果反过来指导下一步推理与调用，循环直至完成。

特点与优势

• 强检索与探索能力：可逐步试探、补充信息、修正路径。
• 过程可追溯：各步“思考/调用/结果”形成链路记录。
• 覆盖面广：适合复杂任务、需要外部知识或多次动作的场景。

适用：开放式、信息不完备、需“边查边做”的复杂流程。

配置步骤

1. 添加节点

在编排画布中添加【Agent】节点，连接上游输入（通常来自「开始」或上游 LLM/检索节点）。

2. 选择策略

在节点配置中选择 Function Calling 或 ReAct。

建议

若不确定，建议从 Function Calling 起步；当任务复杂、需要多轮工具调用时再切换为 ReAct。

6.Agent节点.assets

3. 配置节点参数

1. 模型
   作为 Agent 的“中枢思维”，决定理解与决策能力。可综合考虑：上下文窗口、推理强度、时延与成本。

2. 工具

   • 添加工具：选择可用的工具。
   • 授权：按需配置 API Key、Endpoint、凭据等。
   • 描述与参数：为每个工具撰写清晰的用途描述与参数含义（名称、类型、示例/取值范围）。

描述应面向“让模型读懂并会用”的粒度，如：输入是什么、何时用、返回什么。

3. 指令（Agent 指南）
   定义 Agent 的总体目标、风格、边界和优先级。可引用上游变量。

   • 指定“何时需要检索/调用工具、何时直接回答”
   • 指定“必须遵循的数据约束或输出格式”
   • 指定“出错或无结果时的兜底策略”

4. 查询
   连接用户输入或上游节点输出（如 sys.query、改写后的查询语句、结构化需求对象）。

5. 最大迭代次数
   限制 Agent 的“思考 → 调用 → 反馈”循环步数，避免过度探索与成本失控。

   • Function Calling 通常 1–3 步足够
   • ReAct 视任务复杂度，建议 3–8 步起

6. 输出变量
   定义 Agent 的对外输出结构（文本 / 结构化 JSON / 附带引用等），供下游节点统一引用。

示例

如何使用Agent调用图表工具生成折线图

6.Agent节点.assets

点击工具设计图标，可以查看具体工具名，通过指令告知大模型进行调用

在直接回复节点中配置输出Agent节点生成的文本、文件

6.Agent节点.assets

6.Agent节点.assets

工具的按需定制

工具说明（面向模型）

• 用业务语义描述工具：能解决什么、输入是什么、返回的关键字段是什么。
• 给出选择建议：何时优先用该工具、与其他工具的关系。
• 可提供少量使用示例（自然语言到参数的映射示例），提升调用准确率。

参数配置（Reasoning Config）

每个工具的参数可设置为：

• 自动（Auto）：由模型按上下文自动补全/推理。
• 固定值（Fixed Value）：配置为某个不可更改的常量（支持静态文本或变量表达式）。

示例:

• 将 numResults 固定为 5，控制每次检索条数与成本。
• 将 api_base、response_format 固定，保证一致性与安全。
• 让 query 保持自动，交由模型根据上下文生成。

日志与可观测性

Agent 节点会记录：

• 输入 / 输出、耗时、Token 使用
• 每一轮推理与工具调用明细（含参数与返回摘要）
• 失败原因与重试信息（若启用）

这些信息可用于：

• 复盘推理链路与错误定位
• 优化工具描述与参数设计
• 调整最大迭代次数与策略选择

记忆（对话上下文）

可开启记忆以让 Agent 在多轮交互中“记住”最近的对话历史：

• 通过“记忆窗口”控制历史消息携带数量
• 提升指代消解与上下文连贯性（如“它/这个/他们”指代前文实体）
• 注意权衡上下文长度与成本

6.Agent节点.assets

设计建议与最佳实践

1. 从简单到复杂：先用 Function Calling 打通“单步工具调用”，再引入 ReAct 增强多步探索。
2. 写好工具说明：面向“模型读者”，描述“何时用/怎么用/输入输出是什么”。
3. 参数能固定就固定：减少模型推理维度，提升稳定性与一致性。
4. 输出结构化：在 Agent 输出端尽量约束为 JSON/可解析字符串，便于下游处理与校验。
5. 兜底策略：无命中/调用失败要有“可理解的降级响应”，可提示用户改写或交由人工。
6. 可控迭代：设置合适的最大迭代次数，防止“价格与时延失控”。
7. 与 RAG/模板协作：
   • 用 知识检索 提供事实基础；
   • 用 模板转换 将多工具结果“归一化/去噪/重排”；
   • 最终由 Agent 汇总决策或格式化输出。

常见问题（FAQ）

Q1：什么时候选 Function Calling，什么时候选 ReAct？

• 目标明确、已知要调用哪个工具 → Function Calling
• 需要探索与多步检索、工具之间要“边看边选” → ReAct

Q2：为什么工具经常被“误用”？

• 工具描述不清晰或过于相似；请增加差异化说明、示例和选择建议。
• 参数齐全但无默认值；请将稳定参数改为固定值，减少推理难度。

Q3：如何保证输出可被下游稳定解析？

• 采用结构化输出（JSON Schema/固定字段），并在失败时给出降级文本。
• 必要时在下游通过代码执行节点或结构化校验做二次清洗。

Q4：迭代次数如何设置？

• 简单工具调用：1–3 次
• 复杂检索/多工具链路：3–8 次；超过 10 次通常需重新拆解任务或优化工具。

小结

Agent 节点让大语言模型具备“调用工具、分步推理、按需决策”的能力：

• Function Calling：可控、精准、结构化；
• ReAct：探索、多步、可解释。

结合清晰的工具描述、合适的参数策略与结构化输出，你可以在 AI Center 中快速构建可执行、可观测、可维护的智能体工作流。