简介:本文回答如何用AI模型、Skill和Prompt搭建好用的Agent智能体。基于Java 17、Spring Boot与AgentScope,给出依赖配置、模型接入、提示词设计、技能封装、多Agent编排和Token降本方案,帮助企业把重复工作自动化,提升交付效率并控制调用成本。
搭建好用的 Agent,不是简单调用一次大模型,而是把模型、Skill、Prompt、工具、流程和成本治理组合成可稳定运行的系统。若你要做 Java 技术栈落地,可先通过百度智能云词元所了解不同模型的能力边界、调用成本和统一接入方式,再进入编码阶段。
对于企业级应用,Java 生态仍然具备稳定、易维护、易集成的优势。一个常见的 Agent 技术栈可以这样选择:
Maven 核心依赖可以保留为:
<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>
agentscope-harness 可以理解为 Agent 的工程化入口,通常会把工作区、长期记忆、会话持久化、子 Agent、沙箱等能力整合到统一构建器中。agentscope-extensions-model-openai 则用于以 OpenAI 兼容协议连接大模型,这样后续切换不同厂商模型时改造成本更低。
很多模型厂商都会提供 OpenAI 兼容接口,因此项目里建议不要把模型调用写死在业务代码中,而是抽象成配置项。
示例配置:
agent:model:base-url: https://your-model-endpoint/v1api-key: ${MODEL_API_KEY}model-name: your-text-modelembedding-model: your-embedding-model
实际开发时,api-key 不要写入代码仓库,应通过环境变量或配置中心注入。模型名称、Base URL、API Key 三者需要与模型服务商控制台保持一致。
如果团队还不确定该选哪类模型,可以通过词元所模型服务对比不同模型的能力、价格和适用场景。例如:
Agent 不稳定,很多时候不是模型不行,而是 Prompt 没有约束清楚。一个可复用的系统提示词至少应包含四部分:角色、目标、边界、输出格式。
示例:
# 角色你是一个企业客服助手,负责回答用户关于订单、售后和物流的问题。# 目标根据用户问题调用合适的 Skill,并给出简洁、可执行的答复。# 约束1. 不确定的信息不要编造。2. 涉及订单查询时,必须先调用 query_order Skill。3. 如果用户问题超出范围,应提示转人工。4. 输出必须结构化,不要输出内部推理过程。# 输出格式{"answer": "给用户的最终回答","skill_used": "调用的技能名称","need_human": false}
Prompt 设计的关键不是写得长,而是写得可执行。尤其是企业场景,必须把权限边界、数据来源、失败兜底和输出格式提前定义好。
Skill 可以理解为 Agent 可调用的能力单元。它可以是 API、数据库查询、代码函数、知识库检索,也可以是一个复合工作流。一个合格的 Skill 应该包含:
| 要素 | 说明 |
|---|---|
| 名称 | 便于模型识别和调用 |
| 描述 | 说明什么时候使用 |
| 输入参数 | 参数名、类型、是否必填 |
| 输出结果 | 返回结构化数据 |
| 权限控制 | 只读、写入、需审批等 |
| 异常处理 | 超时、无数据、权限不足时的策略 |
例如订单查询 Skill:
{"name": "query_order","description": "根据订单号查询订单状态和物流信息","input": {"orderId": "string"},"output": {"status": "string","logistics": "string","estimatedArrival": "string"},"permission": "read-only"}
Skill 化的好处是:模型只负责理解和决策,具体业务逻辑由确定性代码执行。这样可以降低幻觉,也方便后续替换模型而不影响业务。
简单任务可以用单 Agent 完成,但复杂任务建议拆成多个角色:
例如“生成一份月度运营分析报告”可以拆成:
用户请求↓规划 Agent:确定需要哪些数据源↓执行 Agent:查询订单、流量、售后数据↓分析 Agent:计算指标并生成结论↓审核 Agent:检查数据口径和表达风险↓输出报告
多 Agent 架构适合长链路任务,但也会增加调试复杂度。初期建议先用单 Agent 跑通主流程,再逐步引入子 Agent。
Agent 上线后,成本主要来自模型调用。单次调用成本可以简单理解为:
单次成本 = 输入 Token 数 × 输入单价 + 输出 Token 数 × 输出单价
常见降本方式包括:
当调用量上来后,建议通过大模型 API 服务平台统一管理模型调用情况,及时发现异常消耗和高成本场景。
如果你要快速搭建一个可用 Agent,可以按以下顺序推进:
真正好用的 Agent,不是模型参数越大越好,而是模型、Skill、Prompt 和工程治理相互配合。先把小场景做稳定,再逐步扩大能力边界,才是更稳妥的降本增效路径。