48页Agent手册看懂两类AI Agent

作者:半吊子全栈工匠2026.11.16 10:50浏览量:0

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。

agent-ai-agent">48页Agent手册看懂两类AI Agent

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。

一、对比背景:同样是Agent,实现路线并不相同

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:

  • 案例1:企业知识库问答助手。 面向制造企业经验难沉淀、问题重复犯的痛点,围绕”经验随手问”搭建知识管理平台,让企业逐步形成自己的”错题本”。它主要解决”企业自有知识怎么用起来”。
  • 案例2:金融分析Agent。 手册介绍的开源项目采用四层架构,集成多源大模型并智能调度最合适的LLM。无论市场趋势分析还是投资策略生成,都为分析师提供支持。它主要解决”复杂任务怎么拆解、怎么分析、怎么产出结论”。
  • 案例3:智能客服对话系统。 以汽车售前咨询为例,在FAQ之外结合知识图谱实现精准问答,追求”有据可依、鲁棒可控”。它主要解决”面向用户的回答如何既准确又可解释”。

据此可抽象出两条代表性路线:

  • 知识库型Agent(检索增强路线):以企业文档、FAQ、图谱等知识资产为核心,回答之前先”查资料”。
  • 编排型Agent(多模型调度路线):以任务规划为核心,根据任务需要调用多个模型、数据和工具,再汇总产出结论。

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。

二、对象定义:两条路线各自解决什么问题

1. 知识库型Agent:让”企业经验”成为可检索、可引用的答案

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:

  1. 把散落在个人和文档中的经验沉淀下来。
  2. 减少重复咨询和重复踩坑。

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。

2. 编排型Agent:让模型”规划并执行”复杂任务

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:

  1. 先把任务分解为子任务。
  2. 为不同环节匹配合适的模型或工具。
  3. 汇总中间结果,形成结构化结论。

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。

三、相同点:两条路线共享的Agent底层逻辑

两条路线差异明显,但在底层逻辑上高度一致。

1. 都遵循”感知—规划—执行”的智能体范式

  • 知识库型Agent的感知输入是用户问题,规划体现为”是否检索、检索什么”,执行是检索与生成。
  • 编排型Agent的感知范围更广,包括结构化数据、行情或业务接口、外部工具;规划体现为任务拆解、模型选型与工具调用;执行覆盖检索、计算、调用与生成的全过程。

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。

2. 都以大模型为生成内核,并依赖配套基础设施

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。

3. 都强调”有据可依、鲁棒可控”

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”。

四、核心差异:规划方式不同,带来连锁差异

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。

1. 技术架构

知识库型Agent的链路相对线性,可分为五个环节:

  1. 文档处理:解析、清洗、切分,并记录来源、更新时间、所属部门、密级等元数据。
  2. 向量化入库:文档片段转为向量写入向量存储,关键词索引与向量索引并存。
  3. 检索与重排:先召回候选片段,再借助重排模型提升相关性。
  4. 上下文组装:把片段与系统提示词、对话历史拼接后交给模型。
  5. 受控生成:模型基于给定材料作答,并标注引用出处。

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:

  • 任务规划器:负责拆解任务并决定下一步动作。
  • 模型路由:按任务性质、难度与响应要求选择模型,例如事实性抽取交给轻量模型,复杂推理交给能力更强的模型。
  • 工具执行器:对接数据查询、计算、检索、代码执行等工具。
  • 结构化输出校验:对数值、单位和格式进行检查。

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。

2. 功能能力与可解释性

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:

  • 切分不当,导致上下文割裂;
  • 存在多个冲突版本,检索到过时文档;
  • 存在知识盲区,模型自行补全。

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。

3. 鲁棒性与容错策略

  • 知识库型Agent:主要风险来自”无答案”和”答非所问”,如用户问法口语化、缺少同义词、文档缺失。应对手段包括查询改写与扩展、关键词与向量混合检索、置信度阈值控制(检索不到相关内容时引导转人工),以及人工反馈回流更新知识库。
  • 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:

    • 为关键步骤设置重试与超时;
    • 校验工具入参,并对失败路径做兜底;
    • 设置最大迭代轮数,避免循环调用;
    • 对涉及写入或对外操作的工具增加人工确认。

    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。

4. 性能与响应延迟

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。

  • 知识库型Agent:单次推理为主,延迟 = 检索耗时 + 一次模型生成耗时。主要成本在首包延迟,后续以输出速度为主。向量库规模较大时,检索环节需要关注召回质量与响应时间的平衡。
  • 编排型Agent:常包含规划、工具调用、中间结果生成、最终汇总等多个模型调用。端到端延迟约为各次调用耗时之和,主要成本在端到端完成时间,对超时设置和异步化设计更敏感。

并发扩展方面,两者都受益于无状态化的服务设计与缓存:

  • 知识库型可缓存高频问答与检索结果;
  • 编排型可缓存工具查询结果和中间步骤。

5. 接入方式与开发改造量

  • 知识库型Agent:改造重点在数据侧,即文档接入、清洗与切分规则;代码侧以检索与提示词调试为主。
  • 编排型Agent:改造重点在系统侧,即工具接口封装、参数校验、调用链管理与异常处理,工程量通常更大。

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。

6. 安全与合规

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:

  • 知识库型Agent:核心风险是”越权看到不该看的内容”,需要在文档级或片段级落实访问控制,检索前先做权限过滤,而不仅是生成后再过滤。还要防止模型把保密内容写进回答,并注意提示词注入,例如文档中夹带”忽略以上指令”类文本。
  • 编排型Agent:核心风险是”工具被越权调用”,需要最小权限、调用审批,以及对写入、删除等敏感操作的二次确认。涉及模型路由时,还要评估不同模型与数据在合规、留存策略上的差异。

两者都应记录完整的调用日志,便于审计和问题回溯。

7. 运维成本与成本结构

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。

五、对比表格:一张表看清关键差异

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

六、典型场景选择:从业务特征反推路线

场景1:制造企业经验沉淀与知识问答

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。

场景2:汽车售前咨询

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。

场景3:金融趋势分析与投资策略辅助

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。

场景4:业务流程型助手

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。

七、选型建议:用四个问题定位适合的方案

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。

问题1:任务的”重心”在知识还是在动作?

  • 如果主要需求是”找到并理解企业已有的经验、制度、文档”,知识库型Agent通常更直接。
  • 如果主要需求是”完成分析、计算、查询、生成报告”等多步骤任务,编排型Agent更能发挥规划与执行能力。

问题2:数据是否实时变化?

  • 数据需要实时获取时,应优先考虑具备工具调用能力的方案,否则知识库可能滞后于业务。
  • 数据以相对稳定的文档为主时,知识库路线足以覆盖大多数问答需求。

问题3:团队的能力结构与运维条件如何?

  • 团队更熟悉业务知识和数据治理、运维人力有限时,托管化程度更高、接入配置更轻的知识库方案更易落地。
  • 团队具备较强的后端与算法能力、能承担工具开发和调用链运维时,编排型方案的收益更容易兑现。

问题4:合规与风险容忍度如何?

  • 回答需要逐句溯源、面向大量一线员工时,知识库型Agent的引用机制更直接。
  • 涉及敏感操作时,无论哪种路线都应加入审批与人工确认,不应让Agent全自动执行高风险动作。

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。

八、迁移与使用注意事项

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。

1. 数据迁移与知识治理

  • 文档清洗:迁移前应去除重复、失效、冲突版本,明确文档的负责人与更新周期。
  • 切分策略:按语义段落切分,保留标题层级、表格和图片说明等结构信息,避免关键信息被截断。
  • 权限元数据:文档所属部门、密级、可见范围应随文档一并入库,并在检索阶段执行过滤。
  • 索引重建:更换模型或调整切分策略后,需要重新生成向量,这是一次性但不可忽略的成本。

2. 接口与兼容性

  • 统一工具接口:编排型Agent对接的外部系统接口不一致,需要统一封装、参数校验和超时重试机制。
  • 保留原始能力:从纯知识库问答迁移到编排架构时,原有检索问答链路应作为工具保留,便于回退与对比。
  • 关注模型差异:更换模型后,提示词、输出格式和工具调用约定都可能受影响,需要准备回归测试用例。

3. 权限与数据安全

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:

  1. 以身份认证体系为基础,结合组织架构和文档密级进行细粒度控制。
  2. 对敏感问题记录访问日志,定期审计。
  3. 评估外部模型服务的数据使用与留存策略,确保符合企业的合规要求。

4. 稳定性与可观测性

  • 降级策略:模型服务限流、超时或工具不可用时,应能切换到备用模型、返回检索片段或转人工,而不是直接报错。
  • 调用链追踪:记录每次请求的检索命中、模型调用、工具入参与返回,便于定位问题环节。
  • 持续评测:建立覆盖典型问题、边界问题和对抗性问题的评测集,在提示词、模型或流程变更后定期回归。

5. 成本与容量规划

上线前应结合以下因素估算成本:

  • 预期调用量与峰值并发;
  • 平均任务轮次与上下文长度;
  • 知识库规模与更新频率。

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。

6. 组织与使用规范

技术之外,还需要配套的使用规范:

  • 明确Agent输出的定位是辅助建议而非最终决策,涉及财务、法务、医疗等专业领域时需由专业人员确认;
  • 为一线员工提供反馈入口,把”答得不好”的问题回流为知识优化或流程改进的输入;
  • 在金融分析等场景中提示模型幻觉风险,关键数据应通过工具获取,而不是由模型凭记忆生成。

九、总结

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:

  1. 模仿一个贴近自身业务的案例;
  2. 用小规模评测集验证效果;
  3. 在数据治理和权限控制逐步完善的过程中扩展能力。

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。