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。
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:
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。
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。
用户输入提示词-> 意图识别与任务解析输入:自然语言需求输出:结构化任务对象失败处理:缺省补全、追问澄清或给出假设-> 任务规划与推理输入:结构化任务对象输出:执行计划失败处理:缩小任务范围、降级为模板流程或转人工-> 选择工具与接口输入:执行计划输出:工具列表与调用策略失败处理:切换备用工具、使用规则引擎或提示能力受限-> 构造标准化请求输入:工具选择结果输出:参数化请求或SQL模板失败处理:参数校验失败时回退到默认口径或请求确认-> 调用大模型理解任务输入:用户目标、工具描述、历史上下文输出:下一步动作或结构化结果失败处理:重试、切换模型、减少上下文或使用固定模板-> 执行数据库查询输入:标准化查询请求输出:业务数据失败处理:超时重试、只读降级、返回空数据说明-> 返回并校验数据输入:数据库返回结果输出:校验通过的数据集失败处理:提示异常、自动调整查询或停止分析-> 数据清洗与指标计算输入:原始数据输出:可分析指标失败处理:标注缺失字段、使用保守口径或跳过不可靠指标-> 结合大模型进行推理分析输入:指标数据和业务规则输出:分析结论与风险提示失败处理:降低结论强度、标注假设和不确定性-> 生成图表配置输入:分析目标输出:图表规格失败处理:改为表格或文字说明-> 渲染图表并生成解释输入:图表规格输出:图表和图表说明失败处理:仅输出数据表或文字结论-> 组织报告结构输入:结论、数据、图表输出:结构化报告失败处理:缺少关键信息时标注待补充-> 生成自然语言总结输入:结构化报告输出:面向读者的总结失败处理:调整风格模板或缩短输出-> 整合数据、图表与结论输入:数据、图表、文字结论输出:一致性检查结果失败处理:发现冲突时回退修正-> 质量检查与来源标注输入:完整报告输出:可交付报告失败处理:阻断输出并要求修复-> 返回用户并支持追问输入:最终报告与上下文输出:多轮交互结果失败处理:保留上下文、重新规划任务或转人工
一切开始于用户的自然语言输入,例如:
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。
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:
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。
Agent开始拆解任务,例如:
1. 确认下周时间范围2. 确定销售数据口径3. 查询下周与上周销售数据4. 计算净销售额、订单量和客单价5. 找出销量变化较大的品类6. 生成趋势图表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。
根据任务规划,Agent需要选择合适的工具:
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。
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:
{"tool": "database_query","arguments": {"sql": "SELECT category, SUM(amount) FROM sales WHERE week = 'next_week' GROUP BY category"}}
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:
SELECT category,SUM(paid_amount - refund_amount) AS net_sales,COUNT(DISTINCT order_id) AS order_countFROM sales_ordersWHERE order_time >= TIMESTAMP '2026-06-22 00:00:00'AND order_time < TIMESTAMP '2026-06-29 00:00:00'AND status = 'paid'GROUP BY categoryORDER BY net_sales DESC;
更工程化的请求可以写成:
{"tool": "database_query","arguments": {"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","params": {"start_time": "2026-06-22 00:00:00","end_time": "2026-06-29 00:00:00","status": "paid"}}}
同时必须满足以下安全要求:
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:
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。
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:
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。
数据库返回结果后,Agent需要进行基础校验:
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。
原始数据往往不能直接用于分析。Agent可能需要:
例如:
净销售额 = 支付成功金额 - 退款金额订单量 = 支付成功订单数客单价 = 净销售额 / 订单量环比增长率 =(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。
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:
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。
Agent可以根据分析目标选择图表类型:
例如:
{"chart_type": "line","x_axis": "order_date","y_axis": "net_sales","series": [{"name": "本周期","data_source": "sales_summary"}],"title": "下周销量趋势","annotations": [{"text": "周三和周五可能为流量高峰","position": "peak"}]}
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。
图表生成后,Agent还需要为图表添加说明,例如:
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:
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”。
Agent将结果整合成结构化报告,常见结构包括:
例如:
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。数据概览:支付金额、退款金额、订单量、客单价和品类分布。图表分析:周三、周五为潜在高峰,家电品类存在下滑风险。异常说明:部分门店数据缺失,已使用区域均值补全。风险与假设:假设库存能够及时补充,活动预算不超支。建议:提前补货,并关注周三、周五流量高峰。
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:
例如,面向管理层可以输出:
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:
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。
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:
正式返回前,Agent应检查:
为了提高可追溯性,报告中建议包含以下来源字段:
{"data_source": "sales_orders","sql_id": "sales_weekly_summary_v1","model_version": "agent-analysis-model-v0.3","prompt_version": "sales-analysis-prompt-v1","generated_at": "2026-06-22 10:00:00","metric_definition": {"net_sales": "支付成功金额 - 退款金额","order_count": "支付成功订单数","customer_price": "净销售额 / 订单量"},"assumptions": ["假设下周促销预算不变","假设库存可及时补货"],"uncertainty": "部分门店数据缺失,可能影响品类结论稳定性"}
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。
最终,Agent将报告返回给用户。用户可能继续追问:
为什么家电品类下滑?帮我按门店拆分。把这份报告导出成表格。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。
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:
角色:你是谁任务:你要做什么约束:你不能做什么工具:你可以调用什么输出:你需要返回什么格式
示例:
你是一名销售数据分析助手。请根据用户问题查询销售数据库,并生成分析报告。你必须基于查询结果回答,不得编造数据。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。如果需要图表,请输出图表配置。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。
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:
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。
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:
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。
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。
# 流程示意,不是可直接运行的完整工程代码。# 输入:# user_input: 用户自然语言需求# db_client: 只读数据库客户端# llm: 模型客户端,支持分析和总结# chart_renderer: 图表渲染服务# 输出:# report 字典,包含 conclusion、data、chart、assumptions、source_info# 异常:# 数据库异常时重试一次并返回降级说明;# 模型异常时使用模板结论;# 图表异常时仅返回表格和文字;# 空数据时返回“无数据”而不是编造结论。def run_sales_agent(user_input: str, db_client, llm, chart_renderer) -> dict:plan = agent_plan(user_input)params = plan["params"]data = db_client.query(plan["sql"], params=params)if not data:return {"conclusion": "当前时间范围内未查询到有效数据。","data": [],"chart": None,"assumptions": plan.get("assumptions", []),"source_info": plan.get("source_info", {})}analysis = llm.analyze(data=data,instruction="基于指标口径分析,不得编造数据,并标注不确定性")chart = Noneif analysis.get("chart_spec"):chart = chart_renderer.render(analysis["chart_spec"])report = {"conclusion": analysis["conclusion"],"data": data,"chart": chart,"assumptions": plan.get("assumptions", []),"source_info": plan.get("source_info", {})}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:
用户输入 → 任务规划 → 工具调用 → 数据分析 → 图表生成 → 报告输出
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。
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。
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。
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。
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。
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。
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:
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。
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:
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。