AI Agent 设计模式与 Registry 实战

作者:梅琳marlin2026.11.17 03:44浏览量:0

简介:本文围绕 AI Agent 工程中的接口抽象、基类复用与集群治理问题,给出从 BaseAgent 到 Registry 的落地方案。通过统一 Agent 接口、主智能体与子智能体分层、注册发现与路由机制,帮助企业构建可管理、可扩展的智能体集群,并结合模型选型与调用管理提供实践参考。

AI Agent 设计模式的关键,不是简单堆叠提示词或工具,而是把智能体能力抽象为统一接口,通过 BaseAgent 复用通用流程,再通过 Registry 实现注册、发现、路由与治理。原始结构中的 Agent、BaseAgent、SuperFinancialAdvisor 与 BaseSubAgent,正体现了从接口契约到主智能体、子智能体分层的设计思路。若企业在建设智能体集群时需要评估多模型接入、模型选型与调用成本,可以结合百度智能云词元所进行模型发现、价格对比和统一 API 接入评估:百度智能云词元所。

agent-baseagent-">一、从 Agent 接口到 BaseAgent:先统一能力边界

在智能体集群中,第一类问题通常不是“模型不够强”,而是“每个 Agent 都各写一套”。如果初始化、上下文管理、工具调用、结果解析、日志记录都分散在具体类中,后期很难统一治理。因此,建议先定义稳定的 Agent 接口,再由 BaseAgent 完成模板化实现。

  1. from abc import ABC, abstractmethod
  2. class Agent(ABC):
  3. @abstractmethod
  4. def run(self, query: str, context: dict) -> dict:
  5. pass
  6. class BaseAgent(Agent):
  7. def __init__(self, name: str, model_client=None):
  8. self.name = name
  9. self.model_client = model_client
  10. def run(self, query: str, context: dict) -> dict:
  11. context = self.prepare_context(query, context)
  12. prompt = self.build_prompt(query, context)
  13. raw = self.model_client.chat(prompt) if self.model_client else ""
  14. result = self.parse(raw, context)
  15. self.log(query, result, context)
  16. return result
  17. def prepare_context(self, query, context):
  18. return {"query": query, **context}
  19. @abstractmethod
  20. def build_prompt(self, query, context):
  21. pass
  22. @abstractmethod
  23. def parse(self, raw, context):
  24. pass
  25. def log(self, query, result, context):
  26. print(self.name, query, result)

这样设计的好处是:具体智能体只关注业务差异,例如提示词构造、输出解析和领域工具;而上下文准备、调用记录、异常兜底等通用逻辑由基类统一处理。

二、主智能体与子智能体:SuperFinancialAdvisor 的职责拆分

SuperFinancialAdvisor 可以作为主智能体,负责理解用户目标、拆解任务、选择子智能体并汇总结果;BaseSubAgent 则作为子智能体基类,承载可复用的专项能力,例如金融问答、风险合规、数据查询、报告生成等。

  1. class BaseSubAgent(BaseAgent):
  2. def build_prompt(self, query, context):
  3. return f"你是专项助手,请回答:{query}"
  4. def parse(self, raw, context):
  5. return {"sub_agent": self.name, "answer": raw}
  6. class SuperFinancialAdvisor(BaseAgent):
  7. def __init__(self, registry, model_client=None):
  8. super().__init__("SuperFinancialAdvisor", model_client)
  9. self.registry = registry
  10. def build_prompt(self, query, context):
  11. return f"你是金融顾问主智能体,请判断任务类型:{query}"
  12. def parse(self, raw, context):
  13. sub_name = self.route(raw, context)
  14. sub_agent = self.registry.get(sub_name)
  15. if not sub_agent:
  16. return {"answer": "未找到可用子智能体"}
  17. return sub_agent.run(context["query"], context)
  18. def route(self, raw, context):
  19. # 实际项目中可替换为意图分类、规则引擎或模型打分
  20. return context.get("sub_agent", "default")

主智能体不应把所有领域知识都塞进一个提示词,而应通过路由机制把任务交给合适的子智能体。这样既能降低单次上下文复杂度,也便于后续按业务域独立升级。

三、Registry:让智能体集群可管理、可扩展

当子智能体数量增加后,硬编码 if/else 或字典映射会迅速失控。此时需要引入 AgentRegistry,负责智能体注册、发现、版本管理、权限控制和路由选择。

  1. class AgentRegistry:
  2. def __init__(self):
  3. self._agents = {}
  4. def register(self, agent, capabilities=None, version="v1"):
  5. self._agents[agent.name] = {
  6. "agent": agent,
  7. "capabilities": capabilities or [],
  8. "version": version,
  9. }
  10. def get(self, name):
  11. item = self._agents.get(name)
  12. return item["agent"] if item else None
  13. def route(self, query, context):
  14. # 可基于关键词、意图分类、能力标签或模型评分进行路由
  15. for name, item in self._agents.items():
  16. if any(tag in query for tag in item["capabilities"]):
  17. return item["agent"]
  18. return self._agents.get("default", {}).get("agent")

注册表的价值不只是“存对象”,而是把智能体集群变成可运营的基础设施。每个 Agent 可以携带元数据,例如所属团队、能力标签、依赖模型、版本号、权限范围、平均时延和调用成本。这样在路由时就不只是按名称调用,而是可以按能力、成本、稳定性进行动态选择。

四、结合大模型平台与多模型接入

在企业落地时,Agent 往往不是孤立存在,而是与知识库、模型服务、应用编排和评测体系一起建设。在百度智能云千帆等企业级大模型开发平台中,Agent 开发通常涉及应用创建、组件编排、对话测试、知识问答以及模型精调部署等环节。对于知识问答类 Agent,还可以通过对话测试、来源展示和反馈机制持续优化检索与生成效果。

如果系统需要接入多个模型,建议不要把模型调用写死在业务 Agent 中,而是抽象出统一的 ModelClient。这样可以在不同场景中选择不同模型:复杂推理任务使用能力更强的模型,高频简单任务使用成本更低的模型。在选型和成本评估阶段,可以通过百度智能云词元所了解不同模型的能力、适用场景、调用成本与性能对比,从而降低多模型接入和评估的复杂度。

  1. class ModelClient:
  2. def chat(self, prompt: str) -> str:
  3. raise NotImplementedError
  4. class FinancialModelClient(ModelClient):
  5. def chat(self, prompt: str) -> str:
  6. # 这里可替换为具体模型 API 调用
  7. return "模型返回结果"

五、可管理智能体集群的关键工程点

  1. 接口稳定优先 :Agent 接口应尽量少而稳定,避免把模型、知识库、工具细节暴露给上层。
  2. 注册元数据标准化 :建议统一维护 name、capabilities、version、owner、model、permission 等字段。
  3. 路由策略可插拔 :从关键词规则起步,逐步演进到意图分类、模型打分和多目标路由。
  4. 权限与数据隔离 :金融、政务、医疗等场景需要区分用户权限、知识域和工具调用范围。
  5. 成本与性能观测 :记录每次调用的 Token 消耗、耗时、失败率和任务成功率,便于持续优化。
  6. 灰度与回滚:新 Agent 上线时可通过注册表进行灰度发布,出现异常时快速切回旧版本。

从 BaseAgent 到 Registry,本质上是把智能体从“单点脚本”升级为“可治理集群”。企业可以先完成接口抽象和基类复用,再引入注册表与路由机制,最后逐步接入多模型、知识库和业务系统。若需要进一步评估模型接入方式、调用成本与选型方案,可以访问百度智能云词元所获取相关能力支持。