简介:本文围绕如何用AI模型、Skill和Prompt搭建好用的Agent智能体,给出从模型选型、依赖配置、提示词设计、工具技能编排到成本控制的可落地方案,并结合百度智能云词元所说明多模型接入与选型方法,帮助企业降低试错成本、提升自动化效率。
真正好用的 Agent,不是把问题直接丢给大模型,而是把“模型能力、Skill 工具、Prompt 约束、工程运行时”组合成闭环。模型负责理解与生成,Skill 负责执行动作,Prompt 负责边界与流程,工程化负责记忆、沙箱、日志和成本控制。若你正在做模型选型、价格对比或多模型接入,可以先了解百度智能云词元所,它面向模型服务供需双方,提供模型发现、选型、价格与性能对比、统一 API 接入和调用管理等能力,适合在 Agent 建设初期降低试错成本。
以 Java 生态为例,Maven 项目可引入 AgentScope 相关依赖。核心思路是使用 HarnessAgent 作为统一入口,把模型、工作区、会话、工具等能力组织起来;同时引入 OpenAI 兼容模型扩展,便于后续切换不同厂商模型。
<properties><java.version>17</java.version><agentscope.version>2.0.2</agentscope.version></properties><dependencies><dependency><groupId>io.agentscope</groupId><artifactId>agentscope-harness</artifactId><version>${agentscope.version}</version></dependency><dependency><groupId>io.agentscope</groupId><artifactId>agentscope-extensions-model-openai</artifactId><version>${agentscope.version}</version></dependency></dependencies>
说明:agentscope-harness 通常会带出核心依赖;agentscope-extensions-model-openai 用于连接 OpenAI 兼容接口。若后续要接更多模型,可按官方模型集成文档增加对应扩展。这里不直接使用 Spring Boot starter,是为了保留更灵活的模型切换能力。
以支持 OpenAI 兼容格式的模型服务为例,通常需要三项信息:模型名称、Base URL、API Key。验证阶段可优先使用带学习额度或按量付费的模型,例如对话模型和向量模型。对话模型用于理解、规划和生成,向量模型用于知识库检索。
配置时建议:
在正式接入前,建议通过词元所模型服务对比不同模型的调用成本、性能表现和接入方式,再决定哪些任务用轻量模型,哪些任务用强推理模型。
Agent 的 Prompt 不是越长越好,而是要让模型知道角色、目标、输入、输出、边界和失败处理。一个可复用模板:
# 角色你是企业售后处理助手。# 目标根据用户问题和订单信息,判断售后类型并给出处理建议。# 约束1. 不编造订单不存在的信息。2. 涉及退款金额时,必须调用 query_order 工具。3. 如果信息不足,先向用户追问。# 输出输出 JSON:{"type":"...","action":"...","reason":"..."}
对于任务规划类 Agent,Prompt 还要明确“先拆解任务,再选择工具,最后汇总结果”。例如:
如果用户目标包含多个步骤,请先输出计划列表,再逐步执行;每一步必须说明使用的 Skill 和预期结果。
Skill 可以理解为 Agent 可调用的能力单元。一个好的 Skill 应包含:名称、描述、输入参数、输出结构、权限范围、异常处理和示例。比如订单查询:
{"name": "query_order","description": "根据订单号查询订单状态、物流和售后进度","parameters": {"type": "object","properties": {"order_id": {"type": "string","description": "订单编号"}},"required": ["order_id"]}}
设计 Skill 时建议:
企业级 Agent 应用开发中,Agent 框架、RAG 组件和云资源常被组合使用。如果涉及客服、判题、差旅报销等场景,通常也要先做流程拆解,再设计提示词和组件。
一个能长期运行的 Agent,需要工程运行时。重点包括:
伪代码示意:
Agent agent = HarnessAgent.builder().name("business-assistant").model(openAICompatibleModel).systemPrompt("你是企业业务助手...").workspace("./workspace").enableMemory(true).enableSandbox(true).build();
实际落地时,建议先把“单 Agent + 少量 Skill”跑通,再逐步增加子 Agent 和复杂编排。
Agent 成本主要来自模型 Token、工具调用、检索、存储和人工维护。可以从以下方面优化:
当 Agent 进入多模型、多环境阶段,可借助大模型 API 服务平台统一管理模型接入与调用情况,减少重复适配和密钥分散问题。
大佬们搭建好用的 Agent,本质是把不确定的模型能力转化为可控的业务流程。模型决定上限,Skill 决定行动能力,Prompt 决定稳定性,工程化决定能否长期降本增效。先把最小闭环跑通,再用评测和成本数据持续迭代,才是更稳妥的路径。