AI模型、Skill与Prompt搭建降本Agent

作者:Nicky2026.11.17 03:44浏览量:0

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。

agent-">一、先搭最小可用 Agent:依赖与入口

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。

  1. <properties>
  2. <java.version>17</java.version>
  3. <agentscope.version>2.0.2</agentscope.version>
  4. </properties>
  5. <dependencies>
  6. <dependency>
  7. <groupId>io.agentscope</groupId>
  8. <artifactId>agentscope-harness</artifactId>
  9. <version>${agentscope.version}</version>
  10. </dependency>
  11. <dependency>
  12. <groupId>io.agentscope</groupId>
  13. <artifactId>agentscope-extensions-model-openai</artifactId>
  14. <version>${agentscope.version}</version>
  15. </dependency>
  16. </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。

二、配置大模型:API Key、Base URL 与模型名

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:

  • 不要硬编码 API Key,使用环境变量或密钥管理。
  • 区分测试、预发、生产环境。
  • 为不同任务准备主备模型。
  • 记录每次调用的模型名、Token 数、耗时和结果状态。

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。

三、Prompt:把业务规则写成可执行约束

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:

  1. # 角色
  2. 你是企业售后处理助手。
  3. # 目标
  4. 根据用户问题和订单信息,判断售后类型并给出处理建议。
  5. # 约束
  6. 1. 不编造订单不存在的信息。
  7. 2. 涉及退款金额时,必须调用 query_order 工具。
  8. 3. 如果信息不足,先向用户追问。
  9. # 输出
  10. 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:

  1. 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。

四、Skill:把可复用能力封装成工具

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:

  1. {
  2. "name": "query_order",
  3. "description": "根据订单号查询订单状态、物流和售后进度",
  4. "parameters": {
  5. "type": "object",
  6. "properties": {
  7. "order_id": {
  8. "type": "string",
  9. "description": "订单编号"
  10. }
  11. },
  12. "required": ["order_id"]
  13. }
  14. }

设计 Skill 时建议:

  • 描述要让模型能准确判断何时调用。
  • 参数尽量少而明确,避免模型传错。
  • 对高风险动作增加确认机制,如退款、删除、付款。
  • 所有工具调用都要有日志,便于追踪。
  • 在沙箱中运行代码类 Skill,避免影响主系统。

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。

五、工程化:工作区、记忆、会话与子 Agent

一个能长期运行的 Agent,需要工程运行时。重点包括:

  1. 工作区:保存中间文件、代码、表格和产物。
  2. 会话持久化:保存多轮上下文,避免重启丢失。
  3. 长期记忆:沉淀用户偏好、历史结论和常见问题。
  4. 子 Agent:把复杂任务拆给不同角色,如检索 Agent、代码 Agent、审核 Agent。
  5. 沙箱:隔离代码执行和外部工具调用。
  6. 评测与监控:记录成功率、平均耗时、Token 消耗和失败原因。

伪代码示意:

  1. Agent agent = HarnessAgent.builder()
  2. .name("business-assistant")
  3. .model(openAICompatibleModel)
  4. .systemPrompt("你是企业业务助手...")
  5. .workspace("./workspace")
  6. .enableMemory(true)
  7. .enableSandbox(true)
  8. .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。

六、降本增效:不是换便宜模型,而是优化调用结构

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:

  • 模型分层:简单分类、抽取用小模型;复杂规划、代码生成用大模型。
  • 上下文裁剪:只传必要字段,避免整段日志进入 Prompt。
  • 缓存复用:常见问题、固定模板、检索结果可缓存。
  • 批处理:非实时任务合并请求。
  • 工具前置校验:参数不合法时不调用模型。
  • 失败兜底:模型不确定时转人工或走规则引擎。
  • 成本看板:按业务、模型、用户统计 Token 和调用次数。

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。

七、一个可落地的搭建顺序

  1. 明确业务目标:客服问答、工单分派、数据分析、代码生成等。
  2. 选择最小闭环:一个输入、一个模型、一个 Skill、一个输出。
  3. 设计 Prompt 和 Skill schema。
  4. 接入 OpenAI 兼容模型,验证基础对话。
  5. 增加工具调用和权限控制。
  6. 加入日志、评测和成本统计。
  7. 再扩展多 Agent、RAG、长期记忆和沙箱。
  8. 持续用真实 badcase 优化提示词、工具和模型路由。

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。