注：本文作为Datawhale/动手学Agent应用开发的作业，旨在了解智能体（Agent）的定义、划分、组成模块与国内外相关产品。

同系列文章：

Agent学习Day1——产品拆解

Agent学习Day3——Dify内容审核工作流

（PPT原文与教程见文末“特别鸣谢”）

目录

Agent的定义

Agentic System的架构划分

Agentic System 组成模块

分析对象：MetaGPT|研究员Agent

核心功能

架构流程图

模式拆解

1. 提示链（Prompt Chain）

2. 路由（Routing）

3. 并行任务（Parallel Tasks）

4. 协调者-工作者（Coordinator-Worker）

5. 评估-优化循环（Evaluate-Optimize Loop）

国内外Agent平台、框架、产品

全代码框架：

低代码平台：

 

---

Agent的定义

原文中讲了很多，我最喜欢的是吴恩达&Horrison的定义：

“不必拘泥于‘是否属于 Agent’ ，而应关注其具备‘agentic’的程度”

这句话看似逃避了Agent的定义，但却也将我们带出了思维怪圈。跳出学术论文，比起Agent的定义是什么，我们更关心它能在多大程度上“智能”地替我们解决实际问题。

对于“智能程度”的量化分级，原课程PPT内采用了Langchain团队给出的定义，但笔者找到了更加权威的《企业级智能体产业落地研究报告》分级标准，该报告由腾讯云、腾讯研究院联合国际权威研究机构Gartner共同发布，是新出的行业白皮书，值得参考。

（文末附夸克网盘下载链接）

---

Agentic System的架构划分

这部分其实很简单，总结如下：

• 工作流（Workflow）：通过预定义代码路径编排 LLM 和工具，适合任务步骤明确的场景。
• 自主智能体（Autonomous Agent）：LLM 动态控制决策和工具使用，自主规划任务，适合任务步骤难以预知的场景

“杀鸡蔫用宰牛刀”

---

Agentic System 组成模块

PPT内进行了简单的工作流模式拆解+自主智能体的设计理念

但笔者作为新手小白，只是知道了概念显然不够，于是像第一课那样找个项目进行了拆解研究。

分析对象：MetaGPT|研究员Agent

核心功能

根据用户查询总结从互联网收集的信息来进行研究，并生成研究报告。

架构流程图

（图片来源：MetaGPT官方代码库）

模式拆解

1. 提示链（Prompt Chain）

在这个角色中，“提示链”指的是多个 LLM 提示／交互串联，用于分解任务、生成子问题、摘要内容、整合报告等。

运作方式

• 用户输入研究主题 → 系统提示 “请分解主题” → LLM 返回关键词列表。

• 针对每个关键词调用检索工具（search engine）→ 得到 URL 列表。

• 对每个 URL 用浏览工具＋提示生成摘要。

• 最后把所有摘要作为 “内容” 输入 LLM，再生成完整报告。

---

2. 路由（Routing）

“路由”指的是在多任务或多路径情况下，根据条件／角色选择不同的处理路径。在该实现中，也有“哪一个 Action 执行／执行顺序”或者“哪个子问题用哪个链接摘要”之类的路由逻辑。

运作方式

• 主流程：CollectLinks → WebBrowseAndSummarize → ConductResearch。

• 在 CollectLinks 中，生成多个子问题，每个子问题生成 URL 列表 → 每个 URL 成为一个 “子任务” 路由到下一阶段。

• 在 WebBrowseAndSummarize 中，zip(query, urls) → 生成多个浏览和摘要任务。

• 最后，所有摘要汇总后路由到 ConductResearch 生成最终报告。

---

3. 并行任务（Parallel Tasks）

并行任务指的是在同一阶段中同时处理多个子任务，以加快整体流程。该 “Researcher” 实现确实包含并行执行的步骤。

运作方式

• 在子问题分解后，调度多个关键词同时调用搜索引擎。

• 在获取链接后，针对每个链接同时调用网页浏览和摘要动作。

• 并行完成后再统一整合结果。

---

4. 协调者-工作者（Coordinator-Worker）

这指的是一个“协调者”角色负责调度、分配任务，若干“工作者”角色执行子任务。虽然这个实现不是明确拆成多个 agent 协作，但结构上也体现了类似的逻辑：Researcher 角色（协调者） + 多个 Actions（工作者）承担不同子任务。

运作方式

• 用户启动 Researcher → Researcher 初始化所有 Actions，设定顺序。

• Researcher 执行 CollectLinks → 得到链接列表。

• Researcher 调度 WebBrowseAndSummarize 对每个链接执行摘要。

• Researcher 最后调度 ConductResearch 将摘要整合成报告。

• 每个阶段由研究者“调度”不同 Action，形成协调-工作结构。

---

5. 评估-优化循环（Evaluate-Optimize Loop）

这一模式指的是在任务执行后，有反馈／评估机制，然后根据评估结果优化下一轮任务或流程。虽然在该页面中没有一个显式的 “自动优化” 子模块，但我们可以看到若干可视为“评估”或“质量控制”机制，并且可以作为优化入口。

运作方式

• 系统执行完报告生成后，自动或人工对报告进行评分/评估（例如“是否覆盖核心子问题”“是否引用可靠来源”）。

• 若评分低，则回到“子问题分解”或“链接筛选”阶段，调整关键词数、增加 url_per_query、引入更强检索工具。

• 触发下一轮工作流，直至输出报告质量满意。

为了让大家更好的从“模式拆解”的角度来理解这个工作流，笔者简陋地绘制了一个Mermaid流程图，应该可以让逻辑更加清晰：

---

国内外Agent平台、框架、产品

这里的三个词汇，平台指低代码平台、框架指全代码框架，而产品则是使用二者构建出的最终产物。笔者还是个Agent小白，没有实力为大家讲经验，但可以分享一些自己的学习路径。

全代码框架：

优先选择Langchain，在1.0版本大更新后，其将LangGraph作为新的底层架构，并重构了许多底层代码，大大降低了学习成本。

学习路径上，看官方文档当然是最好的，但新手入门可以看看我个人很喜欢的B站“九天老师”！贴一个他最新的Langchain入门教程【核心API重构！最新LangChain 1.0快速入门与Agent开发实战！从零搭建工业级智能体，最新中间件功能详解，MCP、RAG工业级实践！】

低代码平台：

国内优推Coze，使用简单，功能也相对丰富（但基座模型是硬伤）。

有魔法的小伙伴可以使用Dify，拥有更加完善的生态与本地LLM支持。

学习路径上，建议在平台上找最热门的Agent，学习其工作流编排方法；有了自己的灵感后，可以寻找同类型的Agent，做一个“Agent裁缝”取长补短。

---

特别鸣谢：

Datawhale/Agent应用开发与落地全景

《企业级智能体产业落地研究报告》下载链接：
我用夸克网盘给你分享了「Agent行业好文」，点击链接或复制整段内容，打开「夸克APP」即可获取。