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。
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。
from abc import ABC, abstractmethodclass Agent(ABC):@abstractmethoddef run(self, query: str, context: dict) -> dict:passclass BaseAgent(Agent):def __init__(self, name: str, model_client=None):self.name = nameself.model_client = model_clientdef run(self, query: str, context: dict) -> dict:context = self.prepare_context(query, context)prompt = self.build_prompt(query, context)raw = self.model_client.chat(prompt) if self.model_client else ""result = self.parse(raw, context)self.log(query, result, context)return resultdef prepare_context(self, query, context):return {"query": query, **context}@abstractmethoddef build_prompt(self, query, context):pass@abstractmethoddef parse(self, raw, context):passdef log(self, query, result, context):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。
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。
class BaseSubAgent(BaseAgent):def build_prompt(self, query, context):return f"你是专项助手,请回答:{query}"def parse(self, raw, context):return {"sub_agent": self.name, "answer": raw}class SuperFinancialAdvisor(BaseAgent):def __init__(self, registry, model_client=None):super().__init__("SuperFinancialAdvisor", model_client)self.registry = registrydef build_prompt(self, query, context):return f"你是金融顾问主智能体,请判断任务类型:{query}"def parse(self, raw, context):sub_name = self.route(raw, context)sub_agent = self.registry.get(sub_name)if not sub_agent:return {"answer": "未找到可用子智能体"}return sub_agent.run(context["query"], context)def route(self, raw, context):# 实际项目中可替换为意图分类、规则引擎或模型打分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。
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。
class AgentRegistry:def __init__(self):self._agents = {}def register(self, agent, capabilities=None, version="v1"):self._agents[agent.name] = {"agent": agent,"capabilities": capabilities or [],"version": version,}def get(self, name):item = self._agents.get(name)return item["agent"] if item else Nonedef route(self, query, context):# 可基于关键词、意图分类、能力标签或模型评分进行路由for name, item in self._agents.items():if any(tag in query for tag in item["capabilities"]):return item["agent"]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。
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。
class ModelClient:def chat(self, prompt: str) -> str:raise NotImplementedErrorclass FinancialModelClient(ModelClient):def chat(self, prompt: str) -> str:# 这里可替换为具体模型 API 调用return "模型返回结果"
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。name、capabilities、version、owner、model、permission 等字段。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。