AI Agent全流程17步:可落地实战指南

作者:谁偷走了我的奶酪2026.11.17 03:30浏览量:0

简介:本文围绕AI Agent从提示词到报告的17步流程,给出任务规划、工具调用、SQL查询、数据校验、图表生成与结果整合的实操方法,并补充提示词模板、异常处理、成本控制与评估指标,帮助开发者构建更稳定、可追溯的智能体应用。

AI Agent的17步流程,本质上是把一句自然语言需求转化为可执行任务、工具调用、数据校验和最终结果交付的闭环。它不是简单的聊天问答,而是一个包含意图理解、任务规划、记忆、工具调用、权限控制、质量检查和成本治理的小型执行系统。若要让Agent真正落地,不能只看它是否能生成一段漂亮回答,而要看它是否能在真实业务中稳定完成“输入、执行、校验、交付、复盘”的全链路。

agent-">一、先建立全局认知:Agent不是聊天框,而是任务执行系统

很多人第一次接触AI Agent时,会把它理解为“会聊天的机器人”。但在真实业务里,Agent更像是一个任务执行系统。它需要理解用户意图、拆解任务、调用工具、处理数据、生成结果,并在必要时记住上下文。

可以用一个公式概括:

  1. AI Agent = 大模型 + 任务规划 + 记忆机制 + 工具调用 + 结果反馈

其中,大模型负责理解、推理和生成;工具负责连接数据库、搜索、代码执行、图表渲染等外部能力;任务规划决定执行顺序;记忆机制让Agent能够理解多轮对话和历史操作;结果反馈则用于质量检查和后续优化。

例如,用户输入“帮我分析下周销量”,Agent不能只回答一段泛泛的文字,而应该完成:识别时间范围、确定指标口径、查询销售数据、计算指标、生成图表、输出分析结论,并标注数据来源与不确定性。

二、端到端流程:先看清全链路,再拆解每一步

在开始17步拆解前,可以先建立一个端到端流程图。下面这张图展示Agent从接收用户输入到返回报告的完整链路,并标注每一步的输入、输出和失败处理思路。

  1. 用户输入提示词
  2. -> 意图识别与任务解析
  3. 输入:自然语言需求
  4. 输出:结构化任务对象
  5. 失败处理:缺省补全、追问澄清或给出假设
  6. -> 任务规划与推理
  7. 输入:结构化任务对象
  8. 输出:执行计划
  9. 失败处理:缩小任务范围、降级为模板流程或转人工
  10. -> 选择工具与接口
  11. 输入:执行计划
  12. 输出:工具列表与调用策略
  13. 失败处理:切换备用工具、使用规则引擎或提示能力受限
  14. -> 构造标准化请求
  15. 输入:工具选择结果
  16. 输出:参数化请求或SQL模板
  17. 失败处理:参数校验失败时回退到默认口径或请求确认
  18. -> 调用大模型理解任务
  19. 输入:用户目标、工具描述、历史上下文
  20. 输出:下一步动作或结构化结果
  21. 失败处理:重试、切换模型、减少上下文或使用固定模板
  22. -> 执行数据库查询
  23. 输入:标准化查询请求
  24. 输出:业务数据
  25. 失败处理:超时重试、只读降级、返回空数据说明
  26. -> 返回并校验数据
  27. 输入:数据库返回结果
  28. 输出:校验通过的数据集
  29. 失败处理:提示异常、自动调整查询或停止分析
  30. -> 数据清洗与指标计算
  31. 输入:原始数据
  32. 输出:可分析指标
  33. 失败处理:标注缺失字段、使用保守口径或跳过不可靠指标
  34. -> 结合大模型进行推理分析
  35. 输入:指标数据和业务规则
  36. 输出:分析结论与风险提示
  37. 失败处理:降低结论强度、标注假设和不确定性
  38. -> 生成图表配置
  39. 输入:分析目标
  40. 输出:图表规格
  41. 失败处理:改为表格或文字说明
  42. -> 渲染图表并生成解释
  43. 输入:图表规格
  44. 输出:图表和图表说明
  45. 失败处理:仅输出数据表或文字结论
  46. -> 组织报告结构
  47. 输入:结论、数据、图表
  48. 输出:结构化报告
  49. 失败处理:缺少关键信息时标注待补充
  50. -> 生成自然语言总结
  51. 输入:结构化报告
  52. 输出:面向读者的总结
  53. 失败处理:调整风格模板或缩短输出
  54. -> 整合数据、图表与结论
  55. 输入:数据、图表、文字结论
  56. 输出:一致性检查结果
  57. 失败处理:发现冲突时回退修正
  58. -> 质量检查与来源标注
  59. 输入:完整报告
  60. 输出:可交付报告
  61. 失败处理:阻断输出并要求修复
  62. -> 返回用户并支持追问
  63. 输入:最终报告与上下文
  64. 输出:多轮交互结果
  65. 失败处理:保留上下文、重新规划任务或转人工

三、AI Agent全流程17步拆解

1. 用户输入提示词

一切开始于用户的自然语言输入,例如:

  1. 帮我分析下周销量,并给出可能的原因。

提示词既是用户需求,也是Agent的初始指令。它决定了后续任务的目标、边界和输出形式。

这一步的输入是用户原始表达,输出是初始任务文本。若用户表达不完整,Agent不应直接猜测,而应进入缺省补全或澄清流程。

2. 意图识别与任务解析

Agent首先要判断用户到底想做什么。这里的“下周销量”可能涉及:

  • 时间范围:下周具体是哪几天;
  • 数据指标:销售额、订单量、客单价、退款金额;
  • 分析目标:预测、对比、异常检测、归因分析;
  • 输出形式:文字总结、表格、图表、完整报告。

为了减少反复追问,Agent可以设置默认规则。例如,如果用户只说“下周”,可以按当前日期确定下一自然周,即从下周一00:00:00到下周日23:59:59。如果用户没有明确指标,可以默认分析净销售额,即支付成功金额减去退款金额;订单量默认统计支付成功订单;客单价默认等于净销售额除以订单量。若涉及促销、库存等假设,应明确标注为假设条件,而不是直接当成事实。

3. 任务规划与推理

Agent开始拆解任务,例如:

  1. 1. 确认下周时间范围
  2. 2. 确定销售数据口径
  3. 3. 查询下周与上周销售数据
  4. 4. 计算净销售额、订单量和客单价
  5. 5. 找出销量变化较大的品类
  6. 6. 生成趋势图表
  7. 7. 输出分析报告

这一步是Agent区别于普通问答模型的关键。它不是直接回答,而是先规划“怎么做”。好的任务规划应输出结构化计划,例如任务目标、输入参数、执行步骤、依赖工具、失败回退方案。

4. 选择工具与接口

根据任务规划,Agent需要选择合适的工具:

  • 数据库查询工具:获取业务数据;
  • 知识库搜索工具:检索制度、产品说明或历史文档;
  • 网络搜索工具:获取外部信息;
  • 代码执行工具:进行复杂计算;
  • 图表工具:生成可视化结果;
  • 文件工具:导出表格、报告或附件。

以某大模型平台提供的Response API或knowledge_search类工具为例,使用前需要确认适用版本、能力边界和调用条件。具体包括:接口版本是否支持工具调用;账号是否开通对应能力;知识库是否完成索引和权限配置;调用是否受并发、超时或计费限制;返回结构是否稳定;是否满足审计和脱敏要求。如果平台不支持所需能力,应改用数据库工具、搜索工具或规则引擎,而不是让模型自行猜测。

5. 构造标准化请求

Agent不会随意执行自然语言,而是将任务转换为结构化请求。数据库查询场景尤其要注意参数化、只读权限、字段脱敏和SQL校验。

错误示例:

  1. {
  2. "tool": "database_query",
  3. "arguments": {
  4. "sql": "SELECT category, SUM(amount) FROM sales WHERE week = 'next_week' GROUP BY category"
  5. }
  6. }

这种写法无法对应真实数据库字段,也不适合直接执行。更稳妥的方式是使用明确日期区间和参数化查询:

  1. SELECT category,
  2. SUM(paid_amount - refund_amount) AS net_sales,
  3. COUNT(DISTINCT order_id) AS order_count
  4. FROM sales_orders
  5. WHERE order_time >= TIMESTAMP '2026-06-22 00:00:00'
  6. AND order_time < TIMESTAMP '2026-06-29 00:00:00'
  7. AND status = 'paid'
  8. GROUP BY category
  9. ORDER BY net_sales DESC;

更工程化的请求可以写成:

  1. {
  2. "tool": "database_query",
  3. "arguments": {
  4. "sql_template": "SELECT category, SUM(paid_amount - refund_amount) AS net_sales, COUNT(DISTINCT order_id) AS order_count FROM sales_orders WHERE order_time >= :start_time AND order_time < :end_time AND status = :status GROUP BY category ORDER BY net_sales DESC",
  5. "params": {
  6. "start_time": "2026-06-22 00:00:00",
  7. "end_time": "2026-06-29 00:00:00",
  8. "status": "paid"
  9. }
  10. }
  11. }

同时必须满足以下安全要求:

  • 数据库连接使用只读账号;
  • 查询字段经过白名单校验;
  • SQL必须经过模板校验或语法解析;
  • 敏感字段如手机号、身份证、地址需要脱敏;
  • 对查询结果设置最大行数限制;
  • 记录查询日志,便于审计和问题追踪。

6. 调用大模型理解任务

大模型在这一步承担“大脑”角色。它需要理解用户目标,并生成下一步动作。例如:

  • 判断是否需要查询数据库;
  • 生成SQL查询语句;
  • 决定是否需要调用知识库;
  • 规划图表类型和分析维度;
  • 根据工具返回结果决定继续查询还是生成报告。

如果任务复杂,Agent可以多次调用大模型,而不是一次性完成所有推理。例如,第一次调用用于生成任务计划,第二次调用用于根据数据结果生成分析,第三次调用用于润色报告。

7. 执行数据库查询

Agent根据大模型生成的查询语句访问数据库。实际落地时需要注意:

  • 使用只读账号;
  • 限制查询范围;
  • 对SQL进行校验;
  • 避免全表扫描;
  • 对敏感字段做脱敏处理;
  • 设置查询超时时间;
  • 对高频查询结果做缓存。

例如,销售分析场景可以查询订单表、商品表、门店表和日期表。如果某次查询超时,Agent应返回部分结果、提示用户稍后重试,或改用预聚合表,而不是直接报错。

8. 返回并校验数据

数据库返回结果后,Agent需要进行基础校验:

  • 数据是否为空;
  • 字段类型是否正确;
  • 是否存在异常值;
  • 时间范围是否符合用户要求;
  • 指标口径是否一致;
  • 是否存在退款、取消、测试订单等需要排除的数据。

如果数据异常,Agent应提示用户,或自动尝试备用查询方案。例如,若主表无数据,可以检查日期表或分区表;若净销售额为负,可以检查是否集中出现退款订单,并向用户说明口径。

9. 数据清洗与指标计算

原始数据往往不能直接用于分析。Agent可能需要:

  • 去除重复订单;
  • 处理退款订单;
  • 补全缺失日期;
  • 计算销售额、订单量、客单价;
  • 计算环比、同比、增长率;
  • 标记异常值和低样本量维度。

例如:

  1. 净销售额 = 支付成功金额 - 退款金额
  2. 订单量 = 支付成功订单数
  3. 客单价 = 净销售额 / 订单量
  4. 环比增长率 =(本期净销售额 - 上期净销售额)/ 上期净销售额

如果上期净销售额为0,则环比增长率应标注为“不可计算”或“无上期基数”,而不是生成无穷大或误导性结论。

10. 结合大模型进行推理分析

得到数据后,Agent需要让大模型进行解释和总结。但这里要避免模型凭空编造原因。更稳妥的方式是让模型基于查询结果、历史数据、业务规则和明确假设进行分析。

例如,可以这样表达:

  1. 在假设活动投放、季节波动和渠道补货条件成立,并且销售额口径为支付金额减退款金额的前提下,下周净销售额可能环比增长约8%;家电品类因库存不足可能带来约5%的下滑风险。该结论依赖历史数据质量和业务假设,不是确定预测。

这种表达比直接说“下周销量会增长8%”更可靠,因为它同时给出了数据口径、假设条件和不确定性。

11. 生成图表配置

Agent可以根据分析目标选择图表类型:

  • 折线图:看趋势;
  • 柱状图:看对比;
  • 饼图:看占比;
  • 热力图:看区域分布;
  • 漏斗图:看转化流程;
  • 堆积柱状图:看品类结构。

例如:

  1. {
  2. "chart_type": "line",
  3. "x_axis": "order_date",
  4. "y_axis": "net_sales",
  5. "series": [
  6. {
  7. "name": "本周期",
  8. "data_source": "sales_summary"
  9. }
  10. ],
  11. "title": "下周销量趋势",
  12. "annotations": [
  13. {
  14. "text": "周三和周五可能为流量高峰",
  15. "position": "peak"
  16. }
  17. ]
  18. }

图表配置应避免模糊描述,例如只写“展示销售趋势”,而忽略时间粒度、指标口径和对比周期。

12. 渲染图表并生成解释

图表生成后,Agent还需要为图表添加说明,例如:

  1. 从趋势看,周三和周五可能是销量高峰,建议提前准备库存和客服资源。

图表不是目的,帮助用户理解和决策才是目的。因此,图表说明应尽量回答三个问题:

  1. 图表展示了什么;
  2. 哪些异常值得关注;
  3. 用户下一步可以做什么。

如果图表渲染失败,Agent可以降级为表格展示,并说明“因图表服务异常,当前以数据表代替可视化”。

13. 组织报告结构

Agent将结果整合成结构化报告,常见结构包括:

  1. 核心结论;
  2. 数据概览;
  3. 图表分析;
  4. 异常说明;
  5. 风险与假设;
  6. 行动建议。

例如:

  1. 结论:下周净销售额预计环比增长8%,主要受促销活动和渠道补货影响。
  2. 数据概览:支付金额、退款金额、订单量、客单价和品类分布。
  3. 图表分析:周三、周五为潜在高峰,家电品类存在下滑风险。
  4. 异常说明:部分门店数据缺失,已使用区域均值补全。
  5. 风险与假设:假设库存能够及时补充,活动预算不超支。
  6. 建议:提前补货,并关注周三、周五流量高峰。

14. 生成自然语言总结

大模型将结构化结果转化为用户易读的文字。此时需要控制输出风格:

  • 面向管理层:简洁、结论优先;
  • 面向运营人员:指标、维度、动作明确;
  • 面向技术人员:可附带查询逻辑、数据口径和执行链路;
  • 面向一线销售:减少技术术语,增加行动建议。

例如,面向管理层可以输出:

  1. 下周销售预计小幅增长,建议优先保障热销品类库存,并重点关注周三、周五流量高峰。

面向技术人员则可以补充:

  1. 本次分析使用只读账号查询订单表,时间范围为2026-06-22至2026-06-29,销售额口径为支付金额减退款金额。

15. 整合数据、图表与结论

Agent需要确保数据、图表和文字结论一致。例如,文字中说“销量增长”,图表和底层数据也应支持这一判断;文字中说“家电下滑”,则相应品类数据必须存在下滑事实。

这一步是质量检查的重要环节,避免出现“图对了但结论错了”或“结论对了但数据来源不对”的情况。建议Agent在生成报告后做一次自动一致性检查:

  • 结论是否引用了正确指标;
  • 图表是否包含对应指标;
  • 同比、环比周期是否一致;
  • 百分比是否使用正确基数;
  • 是否存在样本量过小的误导性结论。

16. 质量检查与来源标注

正式返回前,Agent应检查:

  • 是否回答了用户问题;
  • 是否遗漏关键约束;
  • 是否引用了正确数据源;
  • 是否存在模型幻觉;
  • 是否暴露了敏感信息;
  • 是否标注了假设条件;
  • 是否说明数据口径和生成时间。

为了提高可追溯性,报告中建议包含以下来源字段:

  1. {
  2. "data_source": "sales_orders",
  3. "sql_id": "sales_weekly_summary_v1",
  4. "model_version": "agent-analysis-model-v0.3",
  5. "prompt_version": "sales-analysis-prompt-v1",
  6. "generated_at": "2026-06-22 10:00:00",
  7. "metric_definition": {
  8. "net_sales": "支付成功金额 - 退款金额",
  9. "order_count": "支付成功订单数",
  10. "customer_price": "净销售额 / 订单量"
  11. },
  12. "assumptions": [
  13. "假设下周促销预算不变",
  14. "假设库存可及时补货"
  15. ],
  16. "uncertainty": "部分门店数据缺失,可能影响品类结论稳定性"
  17. }

在知识库问答场景中,来源标注同样重要。例如,应标明命中文档、章节、版本和更新时间,避免把过期制度或错误口径直接输出给用户。

17. 返回用户并支持追问

最终,Agent将报告返回给用户。用户可能继续追问:

  1. 为什么家电品类下滑?
  2. 帮我按门店拆分。
  3. 把这份报告导出成表格。
  4. 为什么客单价下降?

此时,Agent需要结合上下文记忆继续处理,而不是重新从零开始。对于追问,Agent应优先复用前一步任务、查询结果和图表配置,只补充用户新增要求。例如,用户要求按门店拆分时,Agent可以复用原时间范围和指标口径,只新增门店维度,从而提升响应速度并降低Token成本。

四、提示词设计:决定Agent是否“听话”

提示词不是简单的一句话,而是Agent的行为说明书。一个高质量提示词通常包含五个部分:

  1. 角色:你是谁
  2. 任务:你要做什么
  3. 约束:你不能做什么
  4. 工具:你可以调用什么
  5. 输出:你需要返回什么格式

示例:

  1. 你是一名销售数据分析助手。
  2. 请根据用户问题查询销售数据库,并生成分析报告。
  3. 你必须基于查询结果回答,不得编造数据。
  4. 如果时间范围不明确,请按下周一至周日作为默认时间窗口,并标注假设。
  5. 如果需要图表,请输出图表配置。
  6. 最终输出包括:核心结论、关键指标、趋势分析、异常说明和行动建议。

提示词越清晰,Agent越稳定。对于复杂任务,还可以把提示词拆成系统提示词、任务提示词和工具提示词,避免把所有要求堆在一段话里。

五、MCP与工具生态:让Agent真正“动手”

大模型本身只能理解和生成内容,真正连接现实世界的,是工具。常见工具包括:

  • 网络搜索;
  • 数据库查询;
  • 知识库检索;
  • 代码执行;
  • 文件读写;
  • 图表生成;
  • 第三方业务API;
  • 消息通知和工单系统。

MCP,即模型上下文协议,用于标准化Agent与工具之间的交互方式。它的价值在于让工具可以被不同Agent复用,减少重复适配。实际开发中,应关注工具的权限边界、输入输出结构、超时策略、失败重试和审计日志。工具越多,Agent能力越强,但安全、成本和稳定性风险也会同步上升,因此需要建立统一的工具注册、权限校验和监控机制。

六、模型选型与成本控制:不要用一个模型打天下

Agent流程中不同步骤对模型能力的要求不同:

环节 推荐能力 说明
意图识别 轻量、快速 对延迟敏感
任务规划 推理能力较强 需要拆解复杂任务
SQL生成 结构化输出能力 需要稳定生成查询语句
报告总结 长文本生成能力 需要逻辑清晰
多轮对话 上下文理解能力 需要记忆和追问
质量检查 强遵循指令 需要发现冲突和漏项

成本控制方面,可以考虑:

  • 简单任务使用轻量模型;
  • 复杂推理使用能力更强的模型;
  • 对重复请求做缓存;
  • 精简上下文,避免无效Token消耗;
  • 将长任务拆分为多个短任务;
  • 对工具调用结果进行摘要后再传给模型;
  • 对高频问题建立标准答案模板;
  • 对低频复杂问题才触发完整Agent链路。

如果你需要比较不同模型的调用成本和性能表现,可以参考公开评测、内部基准测试或平台提供的价格说明。模型选型不应只看价格,而应综合考虑任务成功率、延迟、稳定性、上下文长度、工具调用能力和数据合规要求。

七、一个可复用的销量分析Agent示例

以下代码只是流程示意,用于说明Agent的输入、输出和异常处理思路,不保证可直接运行。真实执行需要依赖数据库客户端、模型服务、图表渲染服务、配置中心、日志监控和权限系统。

  1. # 流程示意,不是可直接运行的完整工程代码。
  2. # 输入:
  3. # user_input: 用户自然语言需求
  4. # db_client: 只读数据库客户端
  5. # llm: 模型客户端,支持分析和总结
  6. # chart_renderer: 图表渲染服务
  7. # 输出:
  8. # report 字典,包含 conclusion、data、chart、assumptions、source_info
  9. # 异常:
  10. # 数据库异常时重试一次并返回降级说明;
  11. # 模型异常时使用模板结论;
  12. # 图表异常时仅返回表格和文字;
  13. # 空数据时返回“无数据”而不是编造结论。
  14. def run_sales_agent(user_input: str, db_client, llm, chart_renderer) -> dict:
  15. plan = agent_plan(user_input)
  16. params = plan["params"]
  17. data = db_client.query(plan["sql"], params=params)
  18. if not data:
  19. return {
  20. "conclusion": "当前时间范围内未查询到有效数据。",
  21. "data": [],
  22. "chart": None,
  23. "assumptions": plan.get("assumptions", []),
  24. "source_info": plan.get("source_info", {})
  25. }
  26. analysis = llm.analyze(
  27. data=data,
  28. instruction="基于指标口径分析,不得编造数据,并标注不确定性"
  29. )
  30. chart = None
  31. if analysis.get("chart_spec"):
  32. chart = chart_renderer.render(analysis["chart_spec"])
  33. report = {
  34. "conclusion": analysis["conclusion"],
  35. "data": data,
  36. "chart": chart,
  37. "assumptions": plan.get("assumptions", []),
  38. "source_info": plan.get("source_info", {})
  39. }
  40. return report

这个示例的重点不是代码本身,而是展示了Agent的基本闭环:

  1. 用户输入 → 任务规划 → 工具调用 → 数据分析 → 图表生成 → 报告输出

八、常见问题与优化建议

1. Agent答非所问

原因通常是提示词不够明确,或任务解析时没有锁定核心目标。建议补充任务目标、输出格式、限制条件和默认口径。

2. 工具调用不稳定

建议使用结构化输出,例如JSON Schema,并对工具调用失败设置重试机制。同时记录工具入参、出参和错误码,便于后续定位问题。

3. 数据结果不可靠

应让Agent基于真实查询结果回答,并在报告中标注数据来源、统计口径、查询时间和模型版本。对于关键指标,建议增加二次校验。

4. 上下文过长导致成本上升

可以对历史对话进行摘要,只保留与当前任务相关的信息。对于重复问题,可以缓存结果或复用已有查询计划。

5. 多模型接入复杂

可以通过统一API网关或平台化方式管理不同模型,减少重复开发。同时应建立模型注册、版本管理、灰度发布和回滚机制。

6. 图表与结论不一致

在生成报告后增加一致性检查,确保文字结论、图表配置和底层数据相互对应。若出现冲突,应优先以数据和口径为准。

九、建议补充的评估指标

为了让Agent从“能演示”走向“能上线”,建议建立量化评估体系。常用指标包括:

  • 任务成功率:成功交付并通过质量检查的任务占比;
  • 工具调用失败率:工具调用失败次数占总调用次数比例;
  • 数据口径错误率:因口径不清导致结论偏差的比例;
  • 平均延迟与P95延迟:影响用户体验的关键性能指标;
  • Token成本:每个任务平均消耗的输入和输出Token;
  • 缓存命中率:高频请求复用缓存的比例;
  • 追问解决率:用户二次提问后问题被解决的比例;
  • 人工接管率:需要人工介入处理的任务占比。

这些指标可以帮助团队判断Agent是否真正稳定,而不仅仅是演示效果良好。

十、总结:从入门到精通的关键是闭环与迭代

AI Agent的17步流程,并不是固定不变的代码步骤,而是一套从需求理解到结果交付的方法论。真正高质量的Agent,需要同时具备:

  • 清晰的提示词;
  • 稳定的任务规划;
  • 可靠的工具调用;
  • 可追溯的数据来源;
  • 可控的成本结构;
  • 可迭代的评估机制。

对于初学者,可以先从一个简单场景开始,例如“销量分析”“知识库问答”“日报生成”;对于进阶开发者,则需要进一步关注工具协议、记忆机制、权限控制、模型选型、调用成本和运行监控。通过不断测试、评估和复盘,Agent才能从“能演示”走向“能上线”,并在真实业务中持续创造价值。