詳解：ReAct、Plan-Execute、Text2SQL等8類Agent實(shí)現(xiàn)原理完全指南)
人工智能大模型AI 應(yīng)用AI AgentRAG后端前端【免費(fèi)下載鏈接】AgentChatAgentChat 是一個(gè)基于 LLM 的智能體交流平臺(tái)內(nèi)置默認(rèn) Agent 并支持用戶自定義 Agent。通過多輪對(duì)話和任務(wù)協(xié)作Agent 可以理解并協(xié)助完成復(fù)雜任務(wù)。項(xiàng)目集成 LangChain、Function Call、MCP 協(xié)議、RAG、Memory、HITL、Skill、Milvus 和 ElasticSearch 等技術(shù)實(shí)現(xiàn)高效的知識(shí)檢索與工具調(diào)用使用 FastAPI 構(gòu)建高性能后端服務(wù)。項(xiàng)目地址https://gitcode.com/gh_mirrors/age/AgentChat點(diǎn)擊查看免費(fèi)下載AgentChat 是一個(gè)基于 LLM 的智能體交流平臺(tái)其多智能體架構(gòu)內(nèi)置了 ReAct、Plan-Execute、CodeAct、Text2SQL、MCP、Skill 等 8 類 Agent通過推理-行動(dòng)循環(huán)與規(guī)劃-執(zhí)行兩種核心范式配合工具調(diào)用、知識(shí)檢索與沙箱執(zhí)行讓 AI 能夠自主完成復(fù)雜任務(wù)。本文用通俗語言拆解這 8 類 Agent 的實(shí)現(xiàn)原理與適用場景幫助新手快速理解多智能體系統(tǒng)的運(yùn)作機(jī)制。如上圖所示AgentChat 采用分層架構(gòu)最上層是應(yīng)用交互層中間是智能體編排層ReAct 推理與行動(dòng)、規(guī)劃與執(zhí)行、HITL 人機(jī)協(xié)同底層則是能力模型層、知識(shí)記憶層和數(shù)據(jù)基礎(chǔ)設(shè)施。所有 Agent 都運(yùn)行在智能體編排層這一核心位置。一、8類Agent總覽一張表看懂分工AgentChat 的智能體代碼集中在 src/backend/agentchat/core/agents/ 目錄下每個(gè) Agent 對(duì)應(yīng)一個(gè)獨(dú)立模塊官方參考文檔見 docs/reference/core.md。Agent核心范式一句話原理典型場景ReactAgentReAct 循環(huán)思考→選工具→看結(jié)果→再思考循環(huán)直到出答案通用對(duì)話、實(shí)時(shí)工具調(diào)用GeneralAgentReAct 中間件把工具/MCP/Skill/知識(shí)庫統(tǒng)一組裝成一個(gè)智能體用戶自建 Agent 的默認(rèn)引擎PlanExecuteAgent規(guī)劃-執(zhí)行先讓 LLM 生成完整 JSON 計(jì)劃再逐步執(zhí)行多步驟復(fù)雜任務(wù)CodeActAgent代碼即行動(dòng)讓模型直接寫 Python 代碼丟進(jìn)沙箱執(zhí)行數(shù)據(jù)分析、計(jì)算類任務(wù)MCPAgent協(xié)議接入把 MCP 服務(wù)作為子 Agent動(dòng)態(tài)加載外部工具調(diào)用高德、搜索等外部服務(wù)SkillAgent文檔驅(qū)動(dòng)以 SKILL.md 為技能手冊(cè)按需讀取參考文件固定工作流寫報(bào)告、審代碼StructuredResponseAgent結(jié)構(gòu)化輸出強(qiáng)制模型輸出符合 Pydantic 定義的 JSON計(jì)劃生成等需要機(jī)器可讀結(jié)果的環(huán)節(jié)Text2SQLAgent生成-執(zhí)行-自糾自然語言→SQL→執(zhí)行報(bào)錯(cuò)就帶著錯(cuò)誤信息重試數(shù)據(jù)庫自然語言查詢用戶在智能體頁面看到的每一個(gè) Agent 卡片背后都由上表中的引擎驅(qū)動(dòng)。二、ReAct Agent最經(jīng)典的思考-行動(dòng)循環(huán)ReActReasoning Acting是當(dāng)前最主流的智能體范式react_agent.py 基于 LangGraph 實(shí)現(xiàn)核心是兩張狀態(tài)圖節(jié)點(diǎn)call_tool_node推理節(jié)點(diǎn)把用戶消息和可用工具一起交給模型模型要么發(fā)起tool_calls要調(diào)哪個(gè)工具、傳什么參數(shù)要么直接給出最終回答execute_tool_node執(zhí)行節(jié)點(diǎn)真正調(diào)用工具把結(jié)果作為ToolMessage塞回上下文再跳回推理節(jié)點(diǎn)。條件邊_should_continue負(fù)責(zé)判斷循環(huán)是否繼續(xù)只要模型還在發(fā)起工具調(diào)用就繼續(xù)轉(zhuǎn)圈一旦模型不再調(diào)用工具流程走向END。這個(gè)設(shè)計(jì)有兩個(gè)新手友好的細(xì)節(jié)全程流式事件每次選工具/執(zhí)行工具都會(huì)通過stream_writer發(fā)出 START/END/ERROR 事件前端因此能實(shí)時(shí)展示正在調(diào)用插件工具 xxx的過程兜底容錯(cuò)工具執(zhí)行失敗時(shí)錯(cuò)誤信息會(huì)作為ToolMessage回傳給模型讓它有機(jī)會(huì)換一條路。會(huì)話界面底部的工具過程提示正是 ReAct 循環(huán)中這些流式事件驅(qū)動(dòng)的。三、GeneralAgent把一切能力組裝成一個(gè)Agent如果說 ReactAgent 是發(fā)動(dòng)機(jī)那么 general_agent.py 中的 GeneralAgent 就是整車——它是用戶自定義 Agent 的實(shí)際執(zhí)行引擎職責(zé)是把各種能力拼裝起來插件工具從數(shù)據(jù)庫按tool_ids加載用戶自定義的 OpenAPI 工具會(huì)自動(dòng)適配成標(biāo)準(zhǔn) ToolMCP 子 Agent每個(gè)綁定的 MCP 服務(wù)被封裝成一個(gè)工具由 MCPAgent 負(fù)責(zé)執(zhí)行Skill 子 Agent每個(gè) Skill 也被包裝成工具由 SkillAgent 執(zhí)行知識(shí)庫綁定了知識(shí)庫后會(huì)自動(dòng)多出一個(gè)檢索知識(shí)庫工具RAG 檢索智能工具搜索當(dāng)工具數(shù)量超過閾值MAX_TOOLS_SIZE 10時(shí)會(huì)先只暴露一個(gè)search_available_tools搜索工具先搜出相關(guān)工具再激活避免大量工具描述撐爆上下文。它通過create_agent 中間件Middleware機(jī)制實(shí)現(xiàn)事件上報(bào)和工具名美化展示例如把mcp_filesystem展示成執(zhí)行MCP文件系統(tǒng)。四、Plan-Execute Agent先畫地圖再開車plan_execute_agent.py 實(shí)現(xiàn)了規(guī)劃-執(zhí)行范式分兩個(gè)階段階段一規(guī)劃。借助 StructuredResponseAgent 讓模型輸出一個(gè)結(jié)構(gòu)化 JSON 計(jì)劃PlanToolFlow內(nèi)容以 step_1、step_2 組織每一步聲明要調(diào)用的工具、參數(shù)來源和推理依據(jù)。規(guī)劃提示詞completion.py 中的PLAN_CALL_TOOL_PROMPT特別約定了三類情況串行調(diào)用工具 B 依賴工具 A 的輸出 → 分步執(zhí)行并行調(diào)用多個(gè)工具互不影響 → 放在同一個(gè) step參數(shù)缺失主動(dòng)調(diào)用call_user向用戶追問缺失參數(shù)。階段二執(zhí)行。按計(jì)劃逐步調(diào)用工具每步執(zhí)行結(jié)果累積進(jìn)上下文供后續(xù)步驟引用。如果模型輸出的 JSON 格式壞了還會(huì)觸發(fā)一個(gè)JSON 自動(dòng)修復(fù)流程把原 JSON 和報(bào)錯(cuò)信息交給模型重新修復(fù)后再解析。適合查天氣→對(duì)比→給建議這種長鏈條任務(wù)簡單問題則直接輸出空計(jì)劃跳過工具調(diào)用。五、CodeAct Agent讓模型直接寫代碼codeact_agent.py 采用CodeActCode as Action思路與其讓模型一個(gè)一個(gè)調(diào)工具不如讓它直接寫 Python 代碼然后在Pyodide 沙箱WebAssembly 版 CPython中執(zhí)行。工作流程模型輸出要么是一段代碼塊要么是最終文字回答代碼被提取后注入沙箱可引用上一步定義的變量和所有工具函數(shù)執(zhí)行結(jié)果stdout / 報(bào)錯(cuò)回傳給模型繼續(xù)迭代。代碼在瀏覽器端的沙箱里跑天然隔離了風(fēng)險(xiǎn)適合數(shù)據(jù)分析、批量計(jì)算等用代碼比用工具調(diào)用更高效的任務(wù)。六、MCP Agent把外部服務(wù)接入智能體MCPAgent 是 MCPModel Context Protocol協(xié)議的智能體封裝。它通過MCPManager動(dòng)態(tài)連接 SSE / HTTP 類型的 MCP 服務(wù)拉取遠(yuǎn)端工具列表后掛載到 ReAct 循環(huán)上。兩個(gè)值得新手注意的設(shè)計(jì)中間件注入用戶配置像高德地圖、郵箱這類需要鑒權(quán)的 MCP 服務(wù)會(huì)通過中間件在每次工具調(diào)用前自動(dòng)把該用戶的個(gè)人配置如 API Key合并進(jìn)參數(shù)用戶無感知終止協(xié)議MCP 子 Agent 使用專門的CALL_END_PROMPT要求它在完成任務(wù)后只輸出固定終止語防止子 Agent 搶戲替主 Agent 回答用戶。七、Skill Agent用一份文檔定義一種能力SkillAgent 的靈感來自技能文件夾每個(gè) Skill 是一個(gè)目錄核心是SKILL.md技能說明文檔旁邊可附帶參考資料。它的工作方式很樸素但有效把SKILL.md內(nèi)容作為系統(tǒng)提示詞告訴模型你現(xiàn)在的職責(zé)和標(biāo)準(zhǔn)作業(yè)流程只給模型兩個(gè)工具list_skill_files列出技能文件和get_file_content按需讀取文件模型在回答時(shí)缺什么資料就查什么文件實(shí)現(xiàn)漸進(jìn)式加載避免一次性把所有資料塞進(jìn)上下文。內(nèi)置的研究報(bào)告、代碼審查、郵件寫作等 Skill見 src/backend/agentchat/config/skills/都是這種結(jié)構(gòu)。八、StructuredResponse 與 Text2SQL兩個(gè)專科醫(yī)生StructuredResponseAgentstructured_response_agent.py用 Pydantic 模型作為模具強(qiáng)制模型輸出合法的結(jié)構(gòu)化 JSON。它本身就是 Plan-Execute 規(guī)劃階段的幕后功臣——計(jì)劃能不能穩(wěn)定生成靠的就是它。Text2SQLAgenttext2sql_agent.py實(shí)現(xiàn)自然語言查數(shù)據(jù)庫內(nèi)置了一個(gè)自我修正循環(huán)自動(dòng)讀取數(shù)據(jù)庫 Schema表結(jié)構(gòu)注入提示詞讓模型生成 SQL并只允許 SELECT語句執(zhí)行防止誤操作執(zhí)行報(bào)錯(cuò)時(shí)把錯(cuò)誤信息連同原 SQL 回傳給模型修正最多重試 3 次查詢成功后再讓模型把結(jié)果翻譯成自然語言回答。九、多智能體如何協(xié)作Agent as ToolAgentChat 多智能體架構(gòu)最巧妙的地方是Agent as Tool模式GeneralAgent 并不把所有 MCP 工具、Skill 工具平鋪到同一個(gè)上下文里而是把每個(gè)子能力封裝成一個(gè)子 Agent再把這個(gè)子 Agent 當(dāng)作工具掛到主 Agent 上。好處很直觀上下文隔離MCP 子 Agent 和 Skill 子 Agent 各自有獨(dú)立的提示詞與消息歷史互不污染按需深入主 Agent 只看到高德地圖 MCP、研究報(bào)告 Skill這樣的入口決定需要時(shí)才下鉆調(diào)用統(tǒng)一事件流所有子 Agent 的執(zhí)行事件都通過流式通道上報(bào)用戶能看到完整的任務(wù)推進(jìn)過程。在工作臺(tái)發(fā)起的復(fù)雜任務(wù)如深度調(diào)研就是由這套主 Agent 子 Agent 工具的編排體系在后臺(tái)協(xié)作完成的。十、新手選型指南該用哪種Agent你的需求推薦 Agent原因日常問答 少量工具ReactAgent / GeneralAgent循環(huán)輕量、響應(yīng)快工具、MCP 服務(wù)很多GeneralAgent內(nèi)置智能工具搜索省 Token多步驟長任務(wù)調(diào)研、規(guī)劃PlanExecuteAgent先規(guī)劃后執(zhí)行步驟可控?cái)?shù)據(jù)計(jì)算、批量處理CodeActAgent代碼比多次工具調(diào)用更高效接入外部 API 服務(wù)MCPAgent標(biāo)準(zhǔn)協(xié)議動(dòng)態(tài)加載工具固定工作流寫報(bào)告等SkillAgent文檔即流程穩(wěn)定可復(fù)用查數(shù)據(jù)庫Text2SQLAgent自動(dòng) Schema 感知 自糾錯(cuò)總結(jié)AgentChat 的多智能體架構(gòu)可以概括為一句話用 ReAct 循環(huán)解決怎么調(diào)工具用 Plan-Execute 解決先想后做用 Agent-as-Tool 解決誰來協(xié)調(diào)誰。8 類 Agent 各司其職共享同一套模型管理ModelManager、流式事件和 Token 統(tǒng)計(jì)回調(diào)既保證了擴(kuò)展性也讓新手無需理解全部細(xì)節(jié)就能在界面上組合出符合自己場景的智能體。想深入代碼細(xì)節(jié)建議按這個(gè)順序閱讀react_agent.py → general_agent.py → plan_execute_agent.py再配合 docs/reference/core.md 的架構(gòu)說明基本就能掌握整個(gè)多智能體體系。贊分享人工智能大模型AI 應(yīng)用AI AgentRAG后端前端【免費(fèi)下載鏈接】AgentChatAgentChat 是一個(gè)基于 LLM 的智能體交流平臺(tái)內(nèi)置默認(rèn) Agent 并支持用戶自定義 Agent。通過多輪對(duì)話和任務(wù)協(xié)作Agent 可以理解并協(xié)助完成復(fù)雜任務(wù)。項(xiàng)目集成 LangChain、Function Call、MCP 協(xié)議、RAG、Memory、HITL、Skill、Milvus 和 ElasticSearch 等技術(shù)實(shí)現(xiàn)高效的知識(shí)檢索與工具調(diào)用使用 FastAPI 構(gòu)建高性能后端服務(wù)。項(xiàng)目地址https://gitcode.com/gh_mirrors/age/AgentChat點(diǎn)擊查看免費(fèi)下載相關(guān)推薦AutoGen AgentChat實(shí)戰(zhàn)指南快速構(gòu)建多智能體對(duì)話系統(tǒng)AutoGen AgentChat實(shí)戰(zhàn)指南快速構(gòu)建多智能體對(duì)話系統(tǒng) 還在為構(gòu)建復(fù)雜的多智能體應(yīng)用而頭疼AutoGen AgentChat框架為你提供了一套完人工智能AI AgentAgent 框架多智能體工具調(diào)用TradingAgents-CN多智能體系統(tǒng)架構(gòu)與實(shí)現(xiàn)原理TradingAgents CN是一個(gè)基于多智能體LLM的中文金融交易框架通過先進(jìn)的多智能體系統(tǒng)架構(gòu)實(shí)現(xiàn)智能化的投資決策和風(fēng)險(xiǎn)管理。這個(gè)多智能體交易系統(tǒng)將市場人工智能大模型AI Agent多智能體金融科技后端前端Qwen-Agent 的 Agent 類完全指南從 Assistant 單智能體、GroupChat 多智能體到自定義 Agent 開發(fā)實(shí)戰(zhàn)Qwen Agent 的 Agent 類完全指南從 Assistant 單智能體、GroupChat 多智能體到自定義 Agent 開發(fā)實(shí)戰(zhàn) Qwen Age人工智能大模型AI AgentAgent 框架工具調(diào)用RAGAgent 評(píng)測MCP Clients創(chuàng)作聲明：本文部分內(nèi)容由AI輔助生成（AIGC），僅供參考 AgentChat多智能體架構(gòu)詳解：ReAct、Plan-Execute、Text2SQL等8類Agent實(shí)現(xiàn)原理完全指南
人工智能大模型AI 應(yīng)用AI AgentRAG后端前端【免費(fèi)下載鏈接】AgentChatAgentChat 是一個(gè)基于 LLM 的智能體交流平臺(tái)內(nèi)置默認(rèn) Agent 并支持用戶自定義 Agent。通過多輪對(duì)話和任務(wù)協(xié)作Agent 可以理解并協(xié)助完成復(fù)雜任務(wù)。項(xiàng)目集成 LangChain、Function Call、MCP 協(xié)議、RAG、Memory、HITL、Skill、Milvus 和 ElasticSearch 等技術(shù)實(shí)現(xiàn)高效的知識(shí)檢索與工具調(diào)用使用 FastAPI 構(gòu)建高性能后端服務(wù)。項(xiàng)目地址https://gitcode.com/gh_mirrors/age/AgentChat點(diǎn)擊查看免費(fèi)下載AgentChat 是一個(gè)基于 LLM 的智能體交流平臺(tái)其多智能體架構(gòu)內(nèi)置了 ReAct、Plan-Execute、CodeAct、Text2SQL、MCP、Skill 等 8 類 Agent通過推理-行動(dòng)循環(huán)與規(guī)劃-執(zhí)行兩種核心范式配合工具調(diào)用、知識(shí)檢索與沙箱執(zhí)行讓 AI 能夠自主完成復(fù)雜任務(wù)。本文用通俗語言拆解這 8 類 Agent 的實(shí)現(xiàn)原理與適用場景幫助新手快速理解多智能體系統(tǒng)的運(yùn)作機(jī)制。如上圖所示AgentChat 采用分層架構(gòu)最上層是應(yīng)用交互層中間是智能體編排層ReAct 推理與行動(dòng)、規(guī)劃與執(zhí)行、HITL 人機(jī)協(xié)同底層則是能力模型層、知識(shí)記憶層和數(shù)據(jù)基礎(chǔ)設(shè)施。所有 Agent 都運(yùn)行在智能體編排層這一核心位置。一、8類Agent總覽一張表看懂分工AgentChat 的智能體代碼集中在 src/backend/agentchat/core/agents/ 目錄下每個(gè) Agent 對(duì)應(yīng)一個(gè)獨(dú)立模塊官方參考文檔見 docs/reference/core.md。Agent核心范式一句話原理典型場景ReactAgentReAct 循環(huán)思考→選工具→看結(jié)果→再思考循環(huán)直到出答案通用對(duì)話、實(shí)時(shí)工具調(diào)用GeneralAgentReAct 中間件把工具/MCP/Skill/知識(shí)庫統(tǒng)一組裝成一個(gè)智能體用戶自建 Agent 的默認(rèn)引擎PlanExecuteAgent規(guī)劃-執(zhí)行先讓 LLM 生成完整 JSON 計(jì)劃再逐步執(zhí)行多步驟復(fù)雜任務(wù)CodeActAgent代碼即行動(dòng)讓模型直接寫 Python 代碼丟進(jìn)沙箱執(zhí)行數(shù)據(jù)分析、計(jì)算類任務(wù)MCPAgent協(xié)議接入把 MCP 服務(wù)作為子 Agent動(dòng)態(tài)加載外部工具調(diào)用高德、搜索等外部服務(wù)SkillAgent文檔驅(qū)動(dòng)以 SKILL.md 為技能手冊(cè)按需讀取參考文件固定工作流寫報(bào)告、審代碼StructuredResponseAgent結(jié)構(gòu)化輸出強(qiáng)制模型輸出符合 Pydantic 定義的 JSON計(jì)劃生成等需要機(jī)器可讀結(jié)果的環(huán)節(jié)Text2SQLAgent生成-執(zhí)行-自糾自然語言→SQL→執(zhí)行報(bào)錯(cuò)就帶著錯(cuò)誤信息重試數(shù)據(jù)庫自然語言查詢用戶在智能體頁面看到的每一個(gè) Agent 卡片背后都由上表中的引擎驅(qū)動(dòng)。二、ReAct Agent最經(jīng)典的思考-行動(dòng)循環(huán)ReActReasoning Acting是當(dāng)前最主流的智能體范式react_agent.py 基于 LangGraph 實(shí)現(xiàn)核心是兩張狀態(tài)圖節(jié)點(diǎn)call_tool_node推理節(jié)點(diǎn)把用戶消息和可用工具一起交給模型模型要么發(fā)起tool_calls要調(diào)哪個(gè)工具、傳什么參數(shù)要么直接給出最終回答execute_tool_node執(zhí)行節(jié)點(diǎn)真正調(diào)用工具把結(jié)果作為ToolMessage塞回上下文再跳回推理節(jié)點(diǎn)。條件邊_should_continue負(fù)責(zé)判斷循環(huán)是否繼續(xù)只要模型還在發(fā)起工具調(diào)用就繼續(xù)轉(zhuǎn)圈一旦模型不再調(diào)用工具流程走向END。這個(gè)設(shè)計(jì)有兩個(gè)新手友好的細(xì)節(jié)全程流式事件每次選工具/執(zhí)行工具都會(huì)通過stream_writer發(fā)出 START/END/ERROR 事件前端因此能實(shí)時(shí)展示正在調(diào)用插件工具 xxx的過程兜底容錯(cuò)工具執(zhí)行失敗時(shí)錯(cuò)誤信息會(huì)作為ToolMessage回傳給模型讓它有機(jī)會(huì)換一條路。會(huì)話界面底部的工具過程提示正是 ReAct 循環(huán)中這些流式事件驅(qū)動(dòng)的。三、GeneralAgent把一切能力組裝成一個(gè)Agent如果說 ReactAgent 是發(fā)動(dòng)機(jī)那么 general_agent.py 中的 GeneralAgent 就是整車——它是用戶自定義 Agent 的實(shí)際執(zhí)行引擎職責(zé)是把各種能力拼裝起來插件工具從數(shù)據(jù)庫按tool_ids加載用戶自定義的 OpenAPI 工具會(huì)自動(dòng)適配成標(biāo)準(zhǔn) ToolMCP 子 Agent每個(gè)綁定的 MCP 服務(wù)被封裝成一個(gè)工具由 MCPAgent 負(fù)責(zé)執(zhí)行Skill 子 Agent每個(gè) Skill 也被包裝成工具由 SkillAgent 執(zhí)行知識(shí)庫綁定了知識(shí)庫后會(huì)自動(dòng)多出一個(gè)檢索知識(shí)庫工具RAG 檢索智能工具搜索當(dāng)工具數(shù)量超過閾值MAX_TOOLS_SIZE 10時(shí)會(huì)先只暴露一個(gè)search_available_tools搜索工具先搜出相關(guān)工具再激活避免大量工具描述撐爆上下文。它通過create_agent 中間件Middleware機(jī)制實(shí)現(xiàn)事件上報(bào)和工具名美化展示例如把mcp_filesystem展示成執(zhí)行MCP文件系統(tǒng)。四、Plan-Execute Agent先畫地圖再開車plan_execute_agent.py 實(shí)現(xiàn)了規(guī)劃-執(zhí)行范式分兩個(gè)階段階段一規(guī)劃。借助 StructuredResponseAgent 讓模型輸出一個(gè)結(jié)構(gòu)化 JSON 計(jì)劃PlanToolFlow內(nèi)容以 step_1、step_2 組織每一步聲明要調(diào)用的工具、參數(shù)來源和推理依據(jù)。規(guī)劃提示詞completion.py 中的PLAN_CALL_TOOL_PROMPT特別約定了三類情況串行調(diào)用工具 B 依賴工具 A 的輸出 → 分步執(zhí)行并行調(diào)用多個(gè)工具互不影響 → 放在同一個(gè) step參數(shù)缺失主動(dòng)調(diào)用call_user向用戶追問缺失參數(shù)。階段二執(zhí)行。按計(jì)劃逐步調(diào)用工具每步執(zhí)行結(jié)果累積進(jìn)上下文供后續(xù)步驟引用。如果模型輸出的 JSON 格式壞了還會(huì)觸發(fā)一個(gè)JSON 自動(dòng)修復(fù)流程把原 JSON 和報(bào)錯(cuò)信息交給模型重新修復(fù)后再解析。適合查天氣→對(duì)比→給建議這種長鏈條任務(wù)簡單問題則直接輸出空計(jì)劃跳過工具調(diào)用。五、CodeAct Agent讓模型直接寫代碼codeact_agent.py 采用CodeActCode as Action思路與其讓模型一個(gè)一個(gè)調(diào)工具不如讓它直接寫 Python 代碼然后在Pyodide 沙箱WebAssembly 版 CPython中執(zhí)行。工作流程模型輸出要么是一段代碼塊要么是最終文字回答代碼被提取后注入沙箱可引用上一步定義的變量和所有工具函數(shù)執(zhí)行結(jié)果stdout / 報(bào)錯(cuò)回傳給模型繼續(xù)迭代。代碼在瀏覽器端的沙箱里跑天然隔離了風(fēng)險(xiǎn)適合數(shù)據(jù)分析、批量計(jì)算等用代碼比用工具調(diào)用更高效的任務(wù)。六、MCP Agent把外部服務(wù)接入智能體MCPAgent 是 MCPModel Context Protocol協(xié)議的智能體封裝。它通過MCPManager動(dòng)態(tài)連接 SSE / HTTP 類型的 MCP 服務(wù)拉取遠(yuǎn)端工具列表后掛載到 ReAct 循環(huán)上。兩個(gè)值得新手注意的設(shè)計(jì)中間件注入用戶配置像高德地圖、郵箱這類需要鑒權(quán)的 MCP 服務(wù)會(huì)通過中間件在每次工具調(diào)用前自動(dòng)把該用戶的個(gè)人配置如 API Key合并進(jìn)參數(shù)用戶無感知終止協(xié)議MCP 子 Agent 使用專門的CALL_END_PROMPT要求它在完成任務(wù)后只輸出固定終止語防止子 Agent 搶戲替主 Agent 回答用戶。七、Skill Agent用一份文檔定義一種能力SkillAgent 的靈感來自技能文件夾每個(gè) Skill 是一個(gè)目錄核心是SKILL.md技能說明文檔旁邊可附帶參考資料。它的工作方式很樸素但有效把SKILL.md內(nèi)容作為系統(tǒng)提示詞告訴模型你現(xiàn)在的職責(zé)和標(biāo)準(zhǔn)作業(yè)流程只給模型兩個(gè)工具list_skill_files列出技能文件和get_file_content按需讀取文件模型在回答時(shí)缺什么資料就查什么文件實(shí)現(xiàn)漸進(jìn)式加載避免一次性把所有資料塞進(jìn)上下文。內(nèi)置的研究報(bào)告、代碼審查、郵件寫作等 Skill見 src/backend/agentchat/config/skills/都是這種結(jié)構(gòu)。八、StructuredResponse 與 Text2SQL兩個(gè)專科醫(yī)生StructuredResponseAgentstructured_response_agent.py用 Pydantic 模型作為模具強(qiáng)制模型輸出合法的結(jié)構(gòu)化 JSON。它本身就是 Plan-Execute 規(guī)劃階段的幕后功臣——計(jì)劃能不能穩(wěn)定生成靠的就是它。Text2SQLAgenttext2sql_agent.py實(shí)現(xiàn)自然語言查數(shù)據(jù)庫內(nèi)置了一個(gè)自我修正循環(huán)自動(dòng)讀取數(shù)據(jù)庫 Schema表結(jié)構(gòu)注入提示詞讓模型生成 SQL并只允許 SELECT語句執(zhí)行防止誤操作執(zhí)行報(bào)錯(cuò)時(shí)把錯(cuò)誤信息連同原 SQL 回傳給模型修正最多重試 3 次查詢成功后再讓模型把結(jié)果翻譯成自然語言回答。九、多智能體如何協(xié)作Agent as ToolAgentChat 多智能體架構(gòu)最巧妙的地方是Agent as Tool模式GeneralAgent 并不把所有 MCP 工具、Skill 工具平鋪到同一個(gè)上下文里而是把每個(gè)子能力封裝成一個(gè)子 Agent再把這個(gè)子 Agent 當(dāng)作工具掛到主 Agent 上。好處很直觀上下文隔離MCP 子 Agent 和 Skill 子 Agent 各自有獨(dú)立的提示詞與消息歷史互不污染按需深入主 Agent 只看到高德地圖 MCP、研究報(bào)告 Skill這樣的入口決定需要時(shí)才下鉆調(diào)用統(tǒng)一事件流所有子 Agent 的執(zhí)行事件都通過流式通道上報(bào)用戶能看到完整的任務(wù)推進(jìn)過程。在工作臺(tái)發(fā)起的復(fù)雜任務(wù)如深度調(diào)研就是由這套主 Agent 子 Agent 工具的編排體系在后臺(tái)協(xié)作完成的。十、新手選型指南該用哪種Agent你的需求推薦 Agent原因日常問答 少量工具ReactAgent / GeneralAgent循環(huán)輕量、響應(yīng)快工具、MCP 服務(wù)很多GeneralAgent內(nèi)置智能工具搜索省 Token多步驟長任務(wù)調(diào)研、規(guī)劃PlanExecuteAgent先規(guī)劃后執(zhí)行步驟可控?cái)?shù)據(jù)計(jì)算、批量處理CodeActAgent代碼比多次工具調(diào)用更高效接入外部 API 服務(wù)MCPAgent標(biāo)準(zhǔn)協(xié)議動(dòng)態(tài)加載工具固定工作流寫報(bào)告等SkillAgent文檔即流程穩(wěn)定可復(fù)用查數(shù)據(jù)庫Text2SQLAgent自動(dòng) Schema 感知 自糾錯(cuò)總結(jié)AgentChat 的多智能體架構(gòu)可以概括為一句話用 ReAct 循環(huán)解決怎么調(diào)工具用 Plan-Execute 解決先想后做用 Agent-as-Tool 解決誰來協(xié)調(diào)誰。8 類 Agent 各司其職共享同一套模型管理ModelManager、流式事件和 Token 統(tǒng)計(jì)回調(diào)既保證了擴(kuò)展性也讓新手無需理解全部細(xì)節(jié)就能在界面上組合出符合自己場景的智能體。想深入代碼細(xì)節(jié)建議按這個(gè)順序閱讀react_agent.py → general_agent.py → plan_execute_agent.py再配合 docs/reference/core.md 的架構(gòu)說明基本就能掌握整個(gè)多智能體體系。贊分享人工智能大模型AI 應(yīng)用AI AgentRAG后端前端【免費(fèi)下載鏈接】AgentChatAgentChat 是一個(gè)基于 LLM 的智能體交流平臺(tái)內(nèi)置默認(rèn) Agent 并支持用戶自定義 Agent。通過多輪對(duì)話和任務(wù)協(xié)作Agent 可以理解并協(xié)助完成復(fù)雜任務(wù)。項(xiàng)目集成 LangChain、Function Call、MCP 協(xié)議、RAG、Memory、HITL、Skill、Milvus 和 ElasticSearch 等技術(shù)實(shí)現(xiàn)高效的知識(shí)檢索與工具調(diào)用使用 FastAPI 構(gòu)建高性能后端服務(wù)。項(xiàng)目地址https://gitcode.com/gh_mirrors/age/AgentChat點(diǎn)擊查看免費(fèi)下載相關(guān)推薦AutoGen AgentChat實(shí)戰(zhàn)指南快速構(gòu)建多智能體對(duì)話系統(tǒng)AutoGen AgentChat實(shí)戰(zhàn)指南快速構(gòu)建多智能體對(duì)話系統(tǒng) 還在為構(gòu)建復(fù)雜的多智能體應(yīng)用而頭疼AutoGen AgentChat框架為你提供了一套完人工智能AI AgentAgent 框架多智能體工具調(diào)用TradingAgents-CN多智能體系統(tǒng)架構(gòu)與實(shí)現(xiàn)原理TradingAgents CN是一個(gè)基于多智能體LLM的中文金融交易框架通過先進(jìn)的多智能體系統(tǒng)架構(gòu)實(shí)現(xiàn)智能化的投資決策和風(fēng)險(xiǎn)管理。這個(gè)多智能體交易系統(tǒng)將市場人工智能大模型AI Agent多智能體金融科技后端前端Qwen-Agent 的 Agent 類完全指南從 Assistant 單智能體、GroupChat 多智能體到自定義 Agent 開發(fā)實(shí)戰(zhàn)Qwen Agent 的 Agent 類完全指南從 Assistant 單智能體、GroupChat 多智能體到自定義 Agent 開發(fā)實(shí)戰(zhàn) Qwen Age人工智能大模型AI AgentAgent 框架工具調(diào)用RAGAgent 評(píng)測MCP Clients創(chuàng)作聲明：本文部分內(nèi)容由AI輔助生成（AIGC），僅供參考