第六章：Agent 智能助手

6.1 Agent 概述

6.1.1 什麼是 Agent

Agent（智能代理/智能助手）是一種能夠自主完成複雜任務的 AI 應用。與普通的聊天助手不同，Agent 具備以下核心能力：

• 目標規劃：理解用户的最終目標
• 任務拆解：將複雜任務分解為可執行的子任務
• 工具調用：自主選擇和使用合適的工具
• 過程迭代：根據中間結果調整策略
• 自主完成：在沒有人類干預的情況下完成任務

Agent 利用大語言模型的推理能力，不僅能夠對話，還能夠"行動"。它可以調用搜索引擎獲取信息、執行代碼進行計算、訪問數據庫查詢數據，甚至控制外部系統完成操作。

6.1.2 Agent 的工作原理

Agent 的核心是"思考-行動-觀察"循環（Reason-Act-Observe Loop）：

用户輸入
    ↓
┌─────────────────────────┐
│  思考（Reasoning）       │
│  - 分析任務目標          │
│  - 決定下一步行動        │
│  - 選擇合適的工具        │
└───────────┬─────────────┘
            ↓
┌─────────────────────────┐
│  行動（Action）          │
│  - 調用選定的工具        │
│  - 傳遞必要的參數        │
│  - 執行具體操作          │
└───────────┬─────────────┘
            ↓
┌─────────────────────────┐
│  觀察（Observation）     │
│  - 獲取工具返回結果      │
│  - 分析執行效果          │
│  - 決定是否繼續          │
└───────────┬─────────────┘
            ↓
     是否完成任務？
      ├── 否 ──→ 返回思考
      └── 是 ──→ 輸出結果

6.1.3 Agent vs 聊天助手

6.1.4 Agent 的應用場景

數據分析：

• 從多個數據源收集數據
• 執行統計分析和計算
• 生成可視化圖表和報告

信息研究：

• 搜索最新資訊和文獻
• 整理和歸納信息
• 撰寫研究報告

自動化辦公：

• 自動處理郵件
• 安排日程會議
• 生成文檔報告

客户服務：

• 查詢訂單狀態
• 處理退換貨請求
• 協調多部門資源

代碼開發：

• 理解需求並設計方案
• 編寫和調試代碼
• 執行測試驗證

6.2 創建 Agent 應用

6.2.1 創建步驟

步驟一：創建應用

1. 進入 Dify 工作室
2. 點擊"創建空白應用"
3. 選擇"Agent"類型
4. 填寫應用名稱和描述

步驟二：選擇推理模型
Agent 的能力很大程度上取決於底層模型：

推薦模型選擇：

步驟三：配置 Agent 指令
編寫清晰的指令提示詞，定義 Agent 的角色、能力和行為規範。

6.2.2 編寫 Agent 指令

高質量的 Agent 指令應包含以下要素：

角色定義：

## 角色
你是一個專業的數據分析助手，擅長：
- 數據收集和清洗
- 統計分析和建模
- 數據可視化
- 報告撰寫

能力説明：

## 能力
你可以使用以下工具完成任務：
1. 網絡搜索：獲取最新數據和信息
2. 代碼執行：運行 Python 代碼進行計算
3. 圖表生成：創建數據可視化圖表
4. 知識庫檢索：查詢企業內部知識

工作流程：

## 工作流程
處理用户請求時，請遵循以下步驟：
1. 理解用户需求，明確分析目標
2. 制定分析計劃，列出所需數據
3. 使用工具收集和處理數據
4. 進行分析並生成可視化
5. 撰寫分析報告，給出建議

行為約束：

## 約束
- 確保數據來源可靠
- 分析結論要有數據支撐
- 遇到問題時主動説明並尋求用户確認
- 保護用户隱私和數據安全

6.2.3 配置示例

完整的 Agent 配置示例：

# 數據分析助手

## 角色定義
你是一個智能數據分析助手，幫助用户進行數據分析和洞察挖掘。

## 核心能力
1. **數據收集**：通過搜索引擎獲取公開數據
2. **數據處理**：使用 Python 進行數據清洗和轉換
3. **統計分析**：計算統計指標、進行相關性分析
4. **可視化**：生成圖表展示分析結果
5. **報告生成**：撰寫結構化的分析報告

## 工作方式
收到分析請求後：
1. 確認分析目標和範圍
2. 制定分析計劃
3. 逐步執行分析任務
4. 展示中間結果供用户確認
5. 輸出最終分析報告

## 注意事項
- 對於敏感數據，請用户確認後再處理
- 分析結論需要有數據支撐
- 不確定的內容要明確標註
- 複雜任務分步驟執行，每步説明進度

6.3 推理模式配置

6.3.1 Function Calling 模式

Function Calling（函數調用）是現代 LLM 原生支持的工具調用機制。

工作原理：

1. 將工具定義為函數 Schema 發送給模型
2. 模型判斷是否需要調用函數
3. 若需要，模型輸出結構化的函數調用
4. 系統執行函數並返回結果
5. 模型基於結果繼續推理

優勢：

• 調用準確率高
• 響應速度快
• 格式規範統一

支持的模型：

• OpenAI GPT 系列（gpt-3.5-turbo, gpt-4）
• Anthropic Claude 系列
• 部分開源模型（需特定微調）

配置方式：
在 Agent 設置中選擇支持 Function Calling 的模型，系統會自動啓用此模式。

6.3.2 ReAct 模式

ReAct（Reasoning + Acting）是一種通過提示詞引導模型進行推理和行動的框架。

工作原理：

Thought: 我需要查找最新的銷售數據
Action: search
Action Input: 2024年Q1銷售數據報告
Observation: [搜索結果內容]
Thought: 我找到了數據，現在需要進行分析...
Action: code_execution
Action Input: import pandas as pd...
Observation: [代碼執行結果]
Thought: 分析完成，我可以給出結論了
Final Answer: 根據分析...

優勢：

• 兼容性廣，支持更多模型
• 推理過程透明
• 可靈活調整策略

劣勢：

• 準確率略低於 Function Calling
• Token 消耗較多
• 需要更多迭代

配置方式：
對於不支持 Function Calling 的模型，系統自動使用 ReAct 模式。

6.3.3 迭代次數配置

Agent 執行過程可能需要多次"思考-行動-觀察"循環。

配置參數：

最大迭代次數: 5  # 防止無限循環
迭代超時: 60秒   # 單次迭代的時間限制

建議配置：

6.3.4 模式選擇建議

優先使用 Function Calling：

• 模型支持時首選
• 效果更好更穩定
• Token 消耗更少

使用 ReAct 的情況：

• 模型不支持 Function Calling
• 需要更詳細的推理過程
• 調試和分析 Agent 行為

6.4 工具配置

6.4.1 添加工具

步驟：

1. 進入 Agent 編排界面
2. 點擊"工具"配置區域
3. 點擊"添加工具"
4. 選擇需要的工具
5. 配置工具參數

6.4.2 內置工具

Dify 提供了豐富的內置工具：

搜索工具：

計算工具：

生成工具：

其他工具：

6.4.3 工具授權配置

部分工具需要配置 API Key：

配置步驟：

1. 進入"設置" → "工具"
2. 找到需要配置的工具
3. 點擊"配置憑據"
4. 輸入 API Key
5. 保存配置

示例 - 配置 Google 搜索：

工具: Google 搜索
API Key: your-google-api-key
搜索引擎 ID: your-search-engine-id

6.4.4 知識庫作為工具

可以將知識庫添加為 Agent 的工具：

配置步驟：

1. 在"上下文"區域添加知識庫
2. 配置檢索參數
3. Agent 會在需要時自動檢索

使用場景：

• 回答企業內部問題
• 查找產品信息
• 檢索歷史記錄

6.4.5 自定義工具

通過 OpenAPI 規範導入自定義 API 工具：

步驟一：準備 OpenAPI Schema

openapi: 3.0.0
info:
  title: 訂單查詢 API
  version: 1.0.0
servers:
  - url: https://api.example.com
paths:
  /orders/{orderId}:
    get:
      summary: 查詢訂單詳情
      parameters:
        - name: orderId
          in: path
          required: true
          schema:
            type: string
      responses:
        '200':
          description: 訂單信息

步驟二：導入工具

1. 進入"工具" → "自定義工具"
2. 點擊"創建自定義工具"
3. 粘貼 OpenAPI Schema
4. 配置認證方式
5. 測試並保存

6.4.6 工具使用建議

精選工具：

• 只添加必要的工具
• 工具過多會影響選擇準確性

清晰描述：

• 確保工具描述準確清晰
• 幫助 Agent 正確選擇工具

合理配置：

• 設置適當的超時時間
• 配置錯誤處理策略

6.5 Agent 調試

6.5.1 調試面板

Agent 調試面板顯示完整的執行過程：

信息展示：

• 用户輸入
• 思考過程（Thought）
• 工具調用（Action）
• 工具結果（Observation）
• 最終回答

6.5.2 日誌分析

查看位置：

1. 進入應用詳情
2. 點擊"日誌"標籤
3. 選擇具體會話

日誌內容：

會話 ID: xxx
開始時間: 2024-01-15 10:30:00
總耗時: 15.3s

執行步驟:
  1. 思考: 分析用户需求
  2. 行動: 調用搜索工具
     - 輸入: "2024年AI發展趨勢"
     - 結果: [搜索結果]
  3. 思考: 整理搜索結果
  4. 輸出: 最終回答

Token 消耗:
  - 輸入: 2341
  - 輸出: 856
  - 總計: 3197

6.5.3 常見問題排查

問題一：工具調用失敗

原因：
- API Key 無效
- 網絡連接問題
- 參數格式錯誤

解決：
- 檢查工具配置
- 驗證網絡連通性
- 查看錯誤日誌

問題二：無限循環

原因：
- 任務描述不清晰
- 工具返回結果不明確
- 迭代次數設置過高

解決：
- 優化 Agent 指令
- 改進工具描述
- 設置合理的迭代限制

問題三：選錯工具

原因：
- 工具描述不準確
- 工具數量過多
- 任務理解偏差

解決：
- 優化工具描述
- 精簡工具列表
- 在指令中明確工具用途

問題四：回答質量差

原因：
- 模型能力不足
- 提示詞設計問題
- 上下文信息不足

解決：
- 升級到更強的模型
- 優化 Agent 指令
- 提供更多背景知識

6.6 高級技巧

6.6.1 多 Agent 協作

通過工作流實現多個 Agent 協作：

架構設計：

用户請求
    ↓
主 Agent（任務分配）
    ├── 研究 Agent（信息收集）
    ├── 分析 Agent（數據分析）
    └── 寫作 Agent（報告生成）
    ↓
結果整合

實現方式：
使用工作流的 Agent 節點串聯多個 Agent。

6.6.2 記憶增強

短期記憶：

• 對話歷史自動保存
• 配置記憶窗口大小

長期記憶：

• 使用知識庫存儲重要信息
• 定期總結對話內容

6.6.3 上下文管理

動態上下文：

# 根據對話階段調整上下文
if task_phase == "收集":
    context = research_context
elif task_phase == "分析":
    context = analysis_context
else:
    context = summary_context

6.6.4 工具鏈設計

設計合理的工具組合：

信息處理鏈：

搜索 → 網頁抓取 → 文本提取 → 知識存儲

數據分析鏈：

數據獲取 → 代碼執行 → 圖表生成 → 報告撰寫

6.6.5 錯誤恢復

重試策略：

工具調用失敗時:
  - 重試次數: 3
  - 重試間隔: 遞增
  - 備選工具: 啓用

降級處理：

無法完成任務時:
  - 返回部分結果
  - 説明失敗原因
  - 建議人工介入

6.7 實戰案例

6.7.1 研究助手 Agent

功能需求：

• 根據主題搜索資料
• 整理和歸納信息
• 生成研究報告

Agent 配置：

# 研究助手

## 角色
你是一個專業的研究助手，幫助用户進行主題研究和信息整理。

## 工具
1. 網絡搜索：搜索最新資訊和學術文獻
2. 網頁抓取：獲取網頁詳細內容
3. 知識庫檢索：查詢已有資料

## 工作流程
1. 理解研究主題和目的
2. 制定信息收集計劃
3. 執行搜索和資料收集
4. 整理和歸納信息
5. 生成結構化報告

## 輸出格式
研究報告應包含：
- 主題概述
- 關鍵發現
- 詳細分析
- 結論建議
- 參考來源

6.7.2 代碼助手 Agent

功能需求：

• 理解編程需求
• 編寫代碼實現
• 調試和測試

Agent 配置：

# 代碼助手

## 角色
你是一個專業的編程助手，幫助用户編寫和調試代碼。

## 工具
1. 代碼執行：運行 Python 代碼
2. 文檔搜索：查詢 API 文檔

## 工作方式
1. 理解用户的編程需求
2. 設計解決方案
3. 編寫代碼實現
4. 執行代碼驗證
5. 根據結果調整優化

## 代碼規範
- 添加必要的註釋
- 遵循 PEP8 規範
- 處理異常情況
- 提供使用説明

6.7.3 客服 Agent

功能需求：

• 理解客户問題
• 查詢相關信息
• 提供解決方案

Agent 配置：

# 智能客服

## 角色
你是一個專業的客户服務代表，幫助客户解決問題。

## 工具
1. 知識庫檢索：查詢產品信息和FAQ
2. 訂單查詢：查詢訂單狀態
3. 工單創建：創建售後工單

## 服務流程
1. 友好問候，瞭解問題
2. 分析問題類型
3. 查詢相關信息
4. 提供解決方案
5. 確認問題是否解決
6. 必要時升級人工

## 服務標準
- 始終保持禮貌和耐心
- 回答準確、簡潔
- 主動提供幫助
- 保護客户隱私

6.8 本章小結

通過本章的學習，你應該掌握：

1. Agent 概念：理解 Agent 的工作原理和優勢
2. 創建流程：掌握 Agent 應用的創建和配置
3. 推理模式：瞭解 Function Calling 和 ReAct 的區別
4. 工具配置：熟練添加和配置各類工具
5. 調試技巧：學會調試和優化 Agent
6. 實戰應用：能夠設計和實現實際的 Agent 應用

6.9 思考與練習

1. 實踐練習：

• 創建一個研究助手 Agent
• 實現一個代碼生成和調試的 Agent
• 設計一個多工具協作的 Agent

2. 思考題：

• Agent 相比普通聊天助手有哪些優勢和挑戰？
• 如何設計工具組合以提高 Agent 效率？
• 什麼情況下應該使用 Agent 而不是工作流？

下一章預告：第七章將介紹工具與插件系統，包括插件生態、自定義工具開發和最佳實踐。