简介:手册案例背后有两条技术路线:知识库型Agent与编排型Agent。两者都是"感知—规划—执行"闭环,但在规划方式、延迟构成、权限边界和运维重点上差异明显。本文逐项拆解异同,并给出场景化选型思路与迁移注意事项。
面对一份浓缩了企业知识库问答、金融分析、智能客服等案例的48页Agent学习手册,很多开发者读完后会遇到同一个问题:这些案例都叫”Agent”,技术路线却明显不同。有的以检索企业文档为核心,有的强调四层架构和多源大模型调度,还有的在FAQ之外引入知识图谱。团队动手之前,有必要先判断业务究竟需要哪一类智能体。
手册给出的学习路径是”从案例入门→技术解析→动手实践→进阶提升”。但在模仿案例之前,需要先看清案例背后的两条主流技术路线:
据此可抽象出两条代表性路线:
案例3中FAQ与知识图谱的结合,可以看作在知识库路线内引入结构化查询能力的混合做法,下文会单独讨论。
这类Agent的典型形态是文档问答助手。系统把企业制度、技术文档、维修记录、产品资料等整理为知识资产,用户提问后,先检索相关内容,再让大模型基于检索结果作答。
其价值在于两点:
手册中”错题本”的比喻很贴切:每个被记录并解决过的问题,都可能成为下一次提问时的参考资料。这类Agent的回答原则上都应追溯到具体出处,便于用户核对。
这类Agent面对的往往是多步骤、多数据源的任务。以金融分析为例,”评估某行业的投资机会”至少涉及行业数据获取、关键指标计算、研报与新闻摘要、风险识别、结论撰写等环节。单个模型一次性回答,很难保证各环节都严谨。
编排型Agent的处理思路是:
它的核心价值在于把”回答一个问题”升级为”完成一项任务”,并能输出带有计算过程和分析依据的结论。
两条路线差异明显,但在底层逻辑上高度一致。
Agent区别于普通问答机器人的关键,就在于系统会依据中间结果动态调整后续动作,而不是按固定脚本一路执行到底。
两者通常都离不开向量存储、检索、缓存、日志与监控等通用基础设施。在云平台上有相应托管类产品可用;自建时则需要自行维护服务与扩展能力。因此两者的共性负担都集中在知识组织、提示词设计、效果评测与权限治理上。
两类Agent都要求回答可追溯、异常可处理。区别在于追溯对象不同:知识库型追溯的是”答案来自哪篇文档的哪一段”,编排型追溯的是”结论经过了哪些步骤、调用了哪些数据与工具”。
两条路线最本质的差异在于”谁来决定下一步”:知识库型由”检索—生成”这一相对固定的流程驱动;编排型由模型的任务规划驱动,并辅以工作流对关键路径进行约束。这一差异会沿架构、性能、运维和成本逐级传导。
知识库型Agent的链路相对线性,可分为五个环节:
编排型Agent通常采用分层架构:接入层、编排层、模型层、数据与工具层。关键组件包括:
部分平台还提供可视化工作流编排能力,可以把高频且路径固定的任务沉淀为可复用的流程模板。
| 能力维度 | 知识库型Agent | 编排型Agent |
|---|---|---|
| 能力边界 | 受知识库覆盖范围约束 | 受工具与数据源覆盖范围约束 |
| 核心优势 | 回答贴合企业私有知识,便于溯源 | 能完成多步骤任务并产出结论 |
| 对时效性数据的支持 | 依赖知识更新与同步 | 可通过实时工具调用获取 |
| 解释方式 | 引用原文出处 | 展示推理步骤、数据来源与计算过程 |
需要指出的是,检索环节并不保证绝对正确。以下情况仍可能产生错误:
因此,引用标注是降低误用的必要手段,而不是绝对准确的保证。
编排型Agent:主要风险来自”多步串联”。模型选择、参数生成或工具返回任一环节出错,都可能影响最终结果,需要:
对于路径固定的高频流程,用工作流约束执行顺序,通常比完全依赖模型自主规划更稳定。
两者延迟都由模型推理主导,但构成不同。以下均为一般性规律,实际表现取决于数据规模、模型规格与网络状况。
并发扩展方面,两者都受益于无状态化的服务设计与缓存:
在托管化平台上,知识库接入、检索和提示词配置等环节多可通过配置完成,编排型的工作流与工具接入也已有较成熟的模板可循,可降低部分搭建成本。不过,工具稳定性与业务逻辑适配仍需团队自行负责。
两条路线都需要覆盖身份认证、权限控制、数据加密、审计日志等通用安全能力,侧重点不同:
两者都应记录完整的调用日志,便于审计和问题回溯。
| 成本项 | 知识库型Agent | 编排型Agent |
|---|---|---|
| 主要资源开销 | 向量存储、文档存储、检索服务 | 多次模型调用、工具服务、工作流运行时 |
| 主要人力开销 | 知识治理、文档质量维护 | 工具开发与联调、编排流程维护 |
| 效果维护 | 新文档入库、切分策略调优 | 提示词与流程版本管理、模型升级后的回归测试 |
| 成本敏感因素 | 知识库规模与更新频率 | 任务复杂度与平均调用轮次 |
知识库型Agent的成本更依赖知识资产治理质量;编排型Agent的成本更依赖调用次数和任务复杂度。两类方案都存在”用更大的模型和更长的上下文换取效果”的倾向,容易推高长期开销,需要建立成本与效果的监控机制。
| 对比维度 | 知识库型Agent(检索增强路线) | 编排型Agent(多模型调度路线) |
|---|---|---|
| 核心定位 | 企业知识问答与经验复用 | 多步骤复杂任务的规划与执行 |
| 架构形态 | 文档处理—向量化—检索—重排—生成 | 接入层—编排层—模型层—数据与工具层 |
| 规划方式 | 检索—生成,辅以查询改写 | 模型自主规划,结合工作流约束与模型路由 |
| 数据依赖 | 非结构化文档、FAQ、图谱 | 结构化数据、实时接口、外部工具 |
| 解释方式 | 引用原文出处 | 推理步骤、数据来源与计算过程 |
| 主要风险 | 检索不准、知识过时、盲区编造 | 步骤出错累积、工具调用失败、迭代失控 |
| 接入改造 | 以数据接入与检索调试为主 | 以工具封装与流程编排为主 |
| 延迟特征 | 单次推理为主,关注首包延迟 | 多轮调用,关注端到端完成时间 |
| 权限重点 | 文档与片段级访问控制 | 工具与数据的细粒度调用权限 |
| 典型场景 | 企业知识库问答、售前咨询、制度查询 | 金融分析、数据分析、多工具协作 |
| 主要使用边界 | 不适合实时数据密集、需执行动作的任务 | 不适合知识频繁更新且任务单一的场景,不宜全自动执行高风险操作 |
典型特征:文档量大、更新频繁、提问方式多样,希望员工”经验随手问”。优先考虑知识库型Agent,重点在于把经验形成可检索、可追溯的知识资产。如果希望答案更精确,可在FAQ或标准条款等结构化内容上结合图谱进行精确匹配,再用向量检索补足长尾提问。
典型特征:大量问题有标准答案,也有车型配置、金融政策等结构化信息。这类系统强调”有据可依、鲁棒可控”,因此不适合完全依赖模型自由生成。建议以FAQ和知识图谱为事实底座,在必要时引入编排,按问题意图查询库存、价格、优惠政策等实时数据。
典型特征:任务链长、数据来源多、不同环节对模型能力要求不同。更适合编排型Agent,通过任务分解、模型调度和工具调用逐步推进,并输出带数据依据的分析结论。由于涉及投资决策,应明确定位为辅助分析工具,关键数据与结论需由专业人员复核。
如工单分派、审批预审、报表生成等任务,路径相对固定,可用工作流约束执行顺序。知识检索作为其中的一个环节,即”检索增强 + 工具调用”的混合形态。
不建议以”哪种更先进”作为判断标准,而应从业务特征出发逐层判断。
实际落地中两条路线并非互斥,常见做法是分阶段推进:先用知识库型Agent快速覆盖高频问答,验证数据质量与用户接受度;再在问答基础上叠加工具调用与任务编排,形成混合架构。例如先检索企业文档获取背景信息,再调用数据接口补充最新指标,最后汇总成分析结论。
无论选择哪条路线,从原型走向生产、或在两条路线之间切换,都应提前评估以下风险。
迁移过程中容易出现权限”一刀切”的问题:为了问答方便把全量文档开放给所有人。更稳妥的做法是:
上线前应结合以下因素估算成本:
知识库更新频繁时,重新生成向量会持续产生额外开销;编排链路较长时,单次任务的模型调用次数会明显放大成本。建议对单用户或单业务线的调用量设置配额与告警。
技术之外,还需要配套的使用规范:
知识库型Agent与编排型Agent的核心差异可以归结为一句话:前者回答”企业知道什么”,后者回答”系统能做什么”。
| 关注重点 | 倾向选择 |
|---|---|
| 沉淀文档经验,回答有据可查 | 知识库型Agent |
| 处理实时数据、完成多步分析、调用外部工具 | 编排型Agent |
| 既需要知识支撑,又需要实时数据 | 两者结合的混合架构 |
回到手册给出的学习建议——不要等”完全准备好”再开始。更可行的路径是:
48页手册的真正价值,不在于记住多少个架构图,而在于让读者建立起”先判断问题类型,再选择技术路线”的工程思维。带着这套思维去搭建,才能在AI时代形成可持续的工程能力。