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。
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:
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。
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:
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:
agent = AgentBuilder(name = "business-agent",model = OpenAICompatibleModel(base_url = env("MODEL_BASE_URL"),api_key = env("MODEL_API_KEY"),model_name = env("MODEL_NAME"),),)
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。
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:
query_order、query_refund_rule、create_ticket。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:
{"status": "error","error_code": "TIMEOUT","message": "订单系统响应超时","retryable": true}
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。
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:
角色:你是差旅报销助手。目标:根据发票、行程和费用明细,判断是否符合报销规则。工具:判断前必须调用 query_reimbursement_rule 查询标准。约束:1. 不得编造报销标准。2. 信息不足时,先向用户提问,不直接给结论。3. 最终输出必须为 JSON。输出格式:{"eligible": true 或 false,"missing_info": [],"reason": "","suggestion": ""}
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。
Demo 阶段只需要一次调用,生产阶段则要回答以下问题:
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:
与