AI代理设计指南

本指南将代理设计分解为五个实际难度级别，每个级别均提供可运行的代码示例。

AI大模型观察站

专注于人工智能大模型的最新进展，涵盖Transformer架构、LLM训练优化、推理加速、多模态应用等核心技术领域。通过深度解析论文、开源项目和行业动态，揭示大模型技术的演进趋势，助力开发者、研究者和AI爱好者把握前沿创新。

42篇原创内容

公众号

无论开发者是初学者还是处理现实世界的复杂任务，本指南都能帮助避免常见陷阱，构建真正有效的代理。

这些级别包括：

•级别1：带工具和指令的代理•级别2：带知识和记忆的代理•级别3：带长期记忆和推理的代理•级别4：多代理团队•级别5：代理系统

以下逐一介绍各级别。

级别1：带工具和指令的代理

此级别为基础设置，涉及一个遵循指令并在循环中调用工具的大语言模型（LLM）。当提到“代理是LLM加上工具使用”时，通常指这一级别，反映了基础但功能有限的实现。

指令明确代理的任务，工具赋予其行动能力，例如获取数据、调用API或触发工作流程。尽管简单，此设置已足以自动化某些任务。

from agno.agent importAgent
from agno.models.openai importOpenAIChat
from agno.tools.duckduckgo importDuckDuckGoTools

agno_assist =Agent(
  name="Agno AGI",
  model=OpenAIChat(id="gpt-4.1"),
  description=dedent("""\
Agno AGI是一个利用Agno框架构建代理的自主AI代理。其目标是通过提供解释、可运行的代码示例以及可选的视觉和音频解释，帮助开发者理解和使用Agno的关键概念。"""),
  instructions="搜索网络以获取关于Agno的信息。",
  tools=[DuckDuckGoTools()],
  add_datetime_to_instructions=True,
  markdown=True,
)
agno_assist.print_response("Agno是什么？", stream=True)

级别2：带知识和记忆的代理

许多任务需要模型不具备的外部信息。由于上下文容量有限，代理需在运行时获取知识，这通过代理式RAG或动态少样本提示实现。

搜索采用混合模式（全文+语义），并需重新排序。混合搜索结合重新排序是代理式检索的最佳即插即用方案。

存储功能为代理提供记忆。LLM默认无状态，存储过去的行动、消息和观察结果使代理具备状态，能够参考历史信息并优化决策。

... imports
# 可参考 https://docs.agno.com/llms-full.txt 获取完整文档
knowledge_base =UrlKnowledge(
  urls=["https://docs.agno.com/introduction.md"],
  vector_db=LanceDb(
    uri="tmp/lancedb",
    table_name="agno_docs",
    search_type=SearchType.hybrid,
    embedder=OpenAIEmbedder(id="text-embedding-3-small"),
    reranker=CohereReranker(model="rerank-multilingual-v3.0"),
),
)
storage =SqliteStorage(table_name="agent_sessions", db_file="tmp/agent.db")

agno_assist =Agent(
  name="Agno AGI",
  model=OpenAIChat(id="gpt-4.1"),
  description=...,
  instructions=...,
  tools=[PythonTools(),DuckDuckGoTools()],
  add_datetime_to_instructions=True,
# 当提供“knowledge”时，默认启用代理式RAG
  knowledge=knowledge_base,
# 将代理会话存储在sqlite数据库中
  storage=storage,
# 将聊天历史添加到消息中
  add_history_to_messages=True,
# 历史运行次数
  num_history_runs=3,
  markdown=True,
)

if __name__ =="__main__":
# 加载知识库，首次运行后可注释
# agno_assist.knowledge.load(recreate=True)
  agno_assist.print_response("Agno是什么？", stream=True)

级别3：带长期记忆和推理的代理

长期记忆使代理能够跨会话回忆细节，例如用户偏好、过去行为或失败尝试，并随时间适应，从而实现个性化和连续性。自我学习——基于过去经验优化行为——是此级别的重要潜力。

推理能力进一步提升代理表现，帮助分解问题、优化决策并更可靠地执行多步骤指令。推理不仅关乎理解，还能提高每一步的成功率，是严肃代理开发者必须掌握的核心技能。

... imports

knowledge_base =...

memory =Memory(
# 使用任意模型创建记忆
  model=OpenAIChat(id="gpt-4.1"),
  db=SqliteMemoryDb(table_name="user_memories", db_file="tmp/agent.db"),
  delete_memories=True,
  clear_memories=True,
)

storage =...

agno_assist =Agent(
  name="Agno AGI",
  model=Claude(id="claude-3-7-sonnet-latest"),
# 用于记忆的用户ID
  user_id="ava",
  description=...,
  instructions=...,
# 赋予代理推理能力
  tools=[PythonTools(),DuckDuckGoTools(),
ReasoningTools(add_instructions=True)],
...
# 将记忆存储在sqlite数据库中
  memory=memory,
# 让代理管理其记忆
  enable_agentic_memory=True,
)

if __name__ =="__main__":
# 首次运行后可注释，代理会记住
  agno_assist.print_response("总是以‘hi ava’开始你的消息", stream=True)
  agno_assist.print_response("Agno是什么？", stream=True)

级别4：多代理

代理在专注于单一领域并配备精简工具集（理想少于10个）时表现最佳。为应对复杂或广泛任务，可将多个代理组成团队，每个代理处理问题的一部分，共同覆盖更广领域。

然而，若团队领导者缺乏强大推理能力，处理细微问题时易失败。当前，自主多代理系统的可靠性不足，成功率低于50%，尚无法满足实际需求。

AI大模型观察站

专注于人工智能大模型的最新进展，涵盖Transformer架构、LLM训练优化、推理加速、多模态应用等核心技术领域。通过深度解析论文、开源项目和行业动态，揭示大模型技术的演进趋势，助力开发者、研究者和AI爱好者把握前沿创新。

某些架构可简化协调。例如，Agno支持协调、路由和协作三种执行模式，并提供内置的记忆和上下文管理。谨慎设计仍不可或缺，但这些功能使多代理工作更具可行性。

... imports

web_agent =Agent(
  name="Web Search Agent",
  role="处理网页搜索请求",
  model=OpenAIChat(id="gpt-4o-mini"),
  tools=[DuckDuckGoTools()],
  instructions="始终包含来源",
)

finance_agent =Agent(
  name="Finance Agent",
  role="处理金融数据请求",
  model=OpenAIChat(id="gpt-4o-mini"),
  tools=[YFinanceTools()],
  instructions=[
"你是一个金融数据专家。提供简洁准确的数据。",
"使用表格展示股票价格、基本面（市盈率、总市值）",
],
)

team_leader =Team(
  name="Reasoning Finance Team Leader",
  mode="coordinate",
  model=Claude(id="claude-3-7-sonnet-latest"),
  members=[web_agent, finance_agent],
  tools=[ReasoningTools(add_instructions=True)],
  instructions=[
"使用表格展示数据",
"仅输出最终答案，不包含其他文本。",
],
  show_members_responses=True,
  enable_agentic_context=True,
  add_datetime_to_instructions=True,
  success_criteria="团队已成功完成任务。",
)

if __name__ =="__main__":
  team_leader.print_response(
"""\
分析近期美国关税对以下关键行业市场表现的影响：
-钢铁和铝业：(X, NUE, AA)
-技术硬件：(AAPL, DELL, HPQ)

对每个行业：
1.比较关税实施前后的股票表现
2.识别供应链中断和成本影响百分比
3.分析公司的战略应对（回岸生产、价格调整、供应商多元化）""",
  stream=True,
  stream_intermediate_steps=True,
  show_full_reasoning=True,
)

级别5：代理系统

代理系统标志着代理从工具转变为基础设施。此级别涉及完整API，接受用户请求，启动异步工作流程，并流式返回生成的结果。

理论上流程清晰，实际操作极具挑战。需在请求时持久化状态，启动后台作业，跟踪进度，并流式输出结果。WebSocket可提供支持，但扩展和维护难度较大，后端复杂性常被低估。

这一级别是将代理转化为实际产品的关键，不仅是构建功能，而是打造完整系统。

从失败到成功：代理设计的关键经验教训

构建AI代理的核心在于夯实基础，而非追逐潮流或堆砌功能。从基本工具使用到完全异步的代理系统，每一级别需建立在稳固的架构之上，方能增强能力。

失败往往源于忽视基础原则：清晰的模块边界、扎实的推理、有效的记忆管理，以及适时引入人工干预。

通过从简单开始，逐步有针对性地增加复杂性，仅在解决实际问题时引入新功能，开发者能够构建出不仅有趣且真正可靠的代理系统。

如何学习AI大模型？

大模型时代，火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业？”“谁的饭碗又将不保了？”等问题热议不断。

不如成为「掌握AI工具的技术人」，毕竟AI时代，谁先尝试，谁就能占得先机！

想正式转到一些新兴的 AI 行业，不仅需要系统的学习AI大模型。同时也要跟已有的技能结合，辅助编程提效，或上手实操应用，增加自己的职场竞争力。

但是LLM相关的内容很多，现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学，学习成本和门槛很高

那么针对所有自学遇到困难的同学们，我帮大家系统梳理大模型学习脉络，将这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

👉[CSDN大礼包🎁：全网最全《LLM大模型入门+进阶学习资源包》免费分享（安全链接，放心点击）]()👈

学习路线

第一阶段： 从大模型系统设计入手，讲解大模型的主要方法；

第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；

第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；

第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；

第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；

第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；

第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。

👉学会后的收获：👈

• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。

1.AI大模型学习路线图
2.100套AI大模型商业化落地方案
3.100集大模型视频教程
4.200本大模型PDF书籍
5.LLM面试题合集
6.AI产品经理资源合集

👉获取方式：
😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓