模型、Skill与Prompt协同搭建Agent

作者:蛮不讲李2026.11.17 03:27浏览量:0

简介:本文说明如何用模型、Skill、Prompt和工程框架搭建降本增效的Agent。内容涵盖模型选型与统一接入、Skill拆分、提示词结构设计、成本控制手段和上线检查项,帮助团队搭建稳定、可控、可扩展的智能体应用。

Agent 不只是一次模型调用。要让它在业务中长期稳定运行,需要把模型、Skill、Prompt 和工程框架组合成一个可复用的闭环。本文按搭建顺序,讲清每一层的职责、接入方式和成本控制方法。

agent-">一、Agent 是任务执行系统

很多团队把大模型当成万能问答接口,以为只要 Prompt 写得够好,就能自动完成业务流程。实际上,企业级 Agent 通常由四部分构成:

  • 模型:负责理解、推理、生成和决策。
  • Skill:负责查询数据库、调用接口、检索知识库、提交工单等具体动作。
  • Prompt:约束角色、流程、输出格式和异常处理方式。
  • 工程框架:负责会话保存、工作区、记忆、沙箱、权限控制和日志追踪。

降本增效的核心在于分工。模型只处理真正需要推理的部分,确定性工作交给 Skill,流程规则放进 Prompt,基础设施交给框架。每一层都可以单独优化和替换。

二、模型接入:统一为 OpenAI 兼容接口

项目初期不宜过早绑定某一家模型厂商。推荐使用 OpenAI 兼容接口,把模型名称、Base URL 和 API Key 设为配置项。后续切换厂商或模型规格时,只需修改配置,业务代码基本不变。

接入前通常需要准备三类信息:

  1. 模型名称:文本生成模型、向量模型等,按任务选择。
  2. Base URL:模型服务的请求地址,由平台提供。
  3. API Key:调用凭证,应通过环境变量或配置中心注入,不要写进代码仓库。

下面是一段示意伪代码,用于说明配置化的思路。具体类名与依赖坐标请以所用 Agent SDK 的官方文档为准:

  1. agent = AgentBuilder(
  2. name = "business-agent",
  3. model = OpenAICompatibleModel(
  4. base_url = env("MODEL_BASE_URL"),
  5. api_key = env("MODEL_API_KEY"),
  6. model_name = env("MODEL_NAME"),
  7. ),
  8. )

这段代码的重点是模型接入可替换、可观测。如果在选型阶段需要比较不同模型的价格与性能,可以参考百度智能云词元所提供的模型发现、价格与性能对比功能。选型比较应在正式开发前完成,减少后期重构。

三、Skill 设计:把业务能力拆成小工具

Agent 能否完成任务,取决于 Skill 是否定义清楚。一个可用的 Skill 应包含以下要素:

  • 名称:语义明确,如 query_order、query_refund_rule、create_ticket。
  • 描述:说明何时应调用,供模型选择。
  • 输入参数:字段名、类型、是否必填、默认值。
  • 输出结构:使用 JSON,便于程序处理。
  • 权限范围:只访问完成任务所需的数据和接口。
  • 异常处理:超时、无结果、参数错误时的返回格式。

以电商购物助手为例,可以拆成四个 Skill:query_product_info(查询商品信息)、query_logistics(查询快递状态)、search_knowledge(检索售后政策)、create_service_ticket(创建客服工单)。每个 Skill 只做一件事,出错时便于定位。

异常时的返回也应统一格式,例如:

  1. {
  2. "status": "error",
  3. "error_code": "TIMEOUT",
  4. "message": "订单系统响应超时",
  5. "retryable": true
  6. }

若团队希望先用低代码验证流程,可以使用千帆 AppBuilder 等可视化编排工具,先跑通业务链路,再把稳定部分沉淀为代码组件。

四、Prompt 设计:用结构化模板约束行为

Prompt 应结构清晰,篇幅可以短。一个实用的 Agent Prompt 通常包含角色、目标、工具规则、约束、输出格式和异常策略。以差旅报销助手为例:

  1. 角色:你是差旅报销助手。
  2. 目标:根据发票、行程和费用明细,判断是否符合报销规则。
  3. 工具:判断前必须调用 query_reimbursement_rule 查询标准。
  4. 约束:
  5. 1. 不得编造报销标准。
  6. 2. 信息不足时,先向用户提问,不直接给结论。
  7. 3. 最终输出必须为 JSON。
  8. 输出格式:
  9. {
  10. "eligible": true 或 false,
  11. "missing_info": [],
  12. "reason": "",
  13. "suggestion": ""
  14. }

运行时,用户输入可以通过变量注入模板,例如把 {query} 替换为用户的实际问题。注入的内容需要做转义和长度限制,防止用户输入改写系统指令。

模型输出也需要做结构校验。若 JSON 解析失败,系统可以重试一次。仍然失败时,返回固定话术,例如“当前信息不足,请补充发票金额和行程日期”。固定话术可以避免模型在异常情况下自由发挥。

五、工程化:当 Demo 走向生产

Demo 阶段只需要一次调用,生产阶段则要回答以下问题:

  • 多轮对话的上下文如何保存?
  • 用户上传的文件放在哪里?
  • 子任务如何拆分,多个 Agent 如何共享状态?
  • 代码执行如何隔离?
  • 长任务失败后如何恢复?

这些问题通常由工程框架承担。AgentScope 等开源框架会封装工作区、长期记忆、会话持久化、子 Agent 和沙箱等能力,团队可以把精力放在业务逻辑上。选择框架时,应结合文档质量、社区活跃度和团队熟悉程度综合判断。

复杂任务可以拆成多个 Agent:

  • 规划 Agent:拆解用户需求。
  • 检索 Agent:查询知识库或数据库。
  • 执行 Agent:调用业务接口。
  • 审核 Agent:检查结果是否满足约束。
  • 回复 Agent:生成最终自然语言答复。

与