智能体Agent
从模型对话，走向有边界的任务执行。
平台怎么选，框架怎么用，资料如何进入回答，多智能体何时值得引入——沿着一条任务链理解 Agent 的构建与应用。
观察结果 → 调整／结束
边界由权限、预算、状态与验收共同约束。
能够行动，不代表可以任意行动。
先分清：模型、工作流、智能体
不以角色名称判断能力，先看谁决定下一步，以及结果怎样验证。
广义的智能体（Agent）能够感知环境并采取行动，以完成目标。本专题聚焦基于大模型的 AI Agent 软件系统：模型在应用提供的工具与规则范围内决定下一步，根据执行反馈继续处理任务；并不要求每个系统都具备长期记忆或完全自主运行。[5]
从人工智能的基本概念入门，再区分模型的生成能力与应用层的执行控制，有助于读懂不同产品对 Agent 的定义。
| 类型 | 控制方式 | 常见起点 |
|---|---|---|
| 模型对话 | 应用把输入发送给 AI大模型，模型返回内容；可能再结合文件或工具。 | 起草、解释、分类；先验证单次调用能否满足需求。 |
| 预定义工作流 | 步骤、分支与执行顺序主要由规则或代码控制。 | 固定审批、表单处理、定时报告；含模型的步骤也可能不确定。 |
| 工具型 Agent | 模型在给定权限内动态选择工具与后续步骤。 | 开放式调研、代码任务或需要根据中间结果调整路径的工作。 |
| Multi-Agent | 多个独立职责与上下文的智能体由代码或协调者组织。 | 可以明确拆分、独立验收或并行处理的复杂任务。 |
这是一种工程上的区分，不是全行业统一命名标准。固定流程可包含 Agent 节点；单 Agent 也可调用一段确定的工作流。先用简单方案建立基线，只有明确收益时再增加自主性和协作层。[5][27]
智能体平台：先看交付方式，再看功能清单
以下是不同方向的代表，不是热度榜或性能排名。平台功能与授权范围以官方当前文档为准。
Dify
可视化应用与工作流扣子 Coze
智能体、工作流与应用开发阿里云百炼
云端 Agent／Workflow 应用Microsoft Copilot Studio
企业低代码智能体FastGPT
知识库与可视化 AI 编排n8n
业务自动化与 AI 连接扣子特别说明：官方资料将“扣子开发平台”称为扣子编程的旧版本，并保留低代码项目入口。知识库与工作流教程需对应当前入口阅读，不能把旧路径当成所有账户的现行界面。[20]
Agent 开发框架：按控制需求选择
框架为模型循环、工具和状态提供构件，不能替代业务权限与质量验收。
LangChain
模型、工具与 Agent 循环LangChain：提供模型与工具集成及可配置的 Agent harness，用于组织提示词、工具和模型循环。LangChain Agent 构建于 LangGraph 之上，但两个项目的抽象层次不同。[41]
LangGraph
有状态、可恢复的执行编排LangGraph：面向长期运行、有状态智能体的低层编排框架与运行时，支持持久化、恢复、流式输出和人工介入，也可不依赖 LangChain 使用。[26]
OpenAI Agents SDK
轻量工具调用与委派OpenAI Agents SDK：提供 Agent、工具、handoff、会话与 tracing 等构件，可以用代码组织串行、并行和专长委派。[28]
Google ADK
Agent 工作流与协作Google ADK：Agent Development Kit 支持组合智能体与执行节点，提供图式、动态、协作和模板等工作流路径，并配套开发、评估与部署资料。[37]
Microsoft Agent Framework
企业系统与多 Agent 工作流Microsoft Agent Framework：提供智能体、显式工作流、会话状态和工具集成等构件，并支持多个模型提供方。微软将其定位为 AutoGen 与 Semantic Kernel 的后继框架。[31]
CrewAI
Flow 控制过程，Crew 协作执行CrewAI：Flow 用于管理状态、事件与控制流；Crew 以智能体、工具和任务组织协作。其过程文档区分顺序执行与层级管理。[34]
LlamaIndex
数据增强、RAG 与 AgentLlamaIndex：围绕数据连接、索引、检索与生成构建应用，提供预置 Agent、工具和事件驱动 Workflows，用于资料问答与数据增强的任务执行。[40]
工具输入和返回值可通过JSON 数据交换格式等结构化方式传递；格式正确不代表参数合法，执行前仍需校验资源范围与权限。
OpenAI Agents SDK 的 agent 级 guardrails 与 tool 级检查作用点不同；并行输入检查可能在模型或工具步骤已开始后才完成。有副作用操作仍须在服务端执行独立鉴权、参数校验与必要审批。[46]
RAG：先把资料管好，再让模型回答
检索增强生成是应用架构，不是把私有文档直接训练进模型。
RAG（检索增强生成） 在回答时检索外部资料，把相关内容交给模型。两步 RAG 先检索再生成；Agentic RAG 则让智能体决定何时检索、怎样改写问题或继续搜索。后者更灵活，也可能带来更多调用与不可预测的延迟。[7][47]
资料与权限
确定资料来源、更新负责人、文档归属及可见范围。访问权限应贯穿索引、召回、缓存和引用展示。
解析与切分
处理网页、PDF、表格等格式，保留标题、页码、版本和来源。扫描件与复杂表格应单独检查解析质量。
重排与上下文
按任务选择重排序、去重与相关性过滤，将有效片段提供给模型。不要用不断增大 Top-K 掩盖检索问题。
回答与引用
约束回答范围，保留可追溯的资料出处；没有依据时说明缺失，不能编造来源补齐答案。
评测与更新
分别检查检索命中、回答依据、引用准确、权限泄漏、耗时与成本。资料撤回或过期后，同步处理索引与缓存。
上面六步是将检索、索引、查询与评估展开后的实施建议，不是某个产品固定的按钮流程。[7][47]
| 容易混淆的点 | 准确理解 |
|---|---|
| RAG 与微调 | RAG 在运行时提供资料；微调改变模型参数。二者可组合，解决的问题不同。 |
| 向量检索与 RAG | 向量检索是可选的检索方式之一。已有 SQL、关键词搜索或文档系统，也可以作为 RAG 的信息源。 |
| 资料多与答案好 | 资料量不能替代相关性与权限管理；召回片段、回答依据和引用正确性应分别检查。 |
| 知识库与长期记忆 | 知识库面向检索资料；记忆可保存用户偏好或任务历史，但不应绕过有效期和隐私限制。 |
采用向量检索时，可进一步了解向量数据库的存储与检索机制，以及 Milvus 向量数据库、Pinecone 向量检索服务 等方案；是否需要独立数据库，应按现有数据源、规模与权限要求决定。这些名称是延伸查阅入口，不是本专题实测推荐。
资料可能来自 Obsidian 本地笔记、思源笔记知识管理或语雀在线文档。接入前需检查导出或接口方式、访问授权与更新机制，并不代表任意平台都自带这些连接器。
Multi-Agent：协作结构比角色数量更重要
先证明单 Agent 的瓶颈，再决定是否分工。
多智能体可用于上下文隔离、独立维护与并行处理，但不保证优于单智能体。协作模式规定谁执行、谁掌握控制权、看哪些资料及怎样合并结果；最终仍要用任务结果、耗时、成本和失败恢复进行比较。[27][14]
专家 B：检查规则
专家 C：运行测试
验收 / 人工确认
| 协作模式 | 怎样运行 | 设计约束 |
|---|---|---|
| 顺序交接 | 前一环节将任务或控制权交给下一智能体，例如咨询分流到售后。 | 交接对象、上下文和权限要明确；避免重复处理和交接循环。 |
| 主管—专家 | 主管分配子任务，专家返回结果，主管汇总；适合边界可分解的复杂任务。 | 定义子任务输入输出与证据格式；主管应验证结果，而非直接相信成功声明。 |
| 并行分工 | 多个智能体处理彼此独立的资料源、代码模块或检查维度，再进行归并。 | 隔离写入资源，处理重复结果与共享状态；并发不等于总成本更低。 |
| 生成—审查 | 一个环节起草，另一个环节按规则或测试审查，再决定接受或返工。 | 审查角色应使用依据、规则和测试；反复互相认同不能证明结论正确。 |
| 独立运行与协议互通 | 不同服务中的智能体通过协议发现能力、委派任务并交换结果。 | 需另做身份认证、授权、超时与版本协商；不是只要接入协议就能可靠协作。 |
Handoff 常意味着将当前处理控制权交给专长智能体；agents-as-tools 通常由主智能体保留控制权并汇总子任务。不同框架对返回与状态的定义可能不同，不能仅凭同名接口认定语义一致。[29][27]
MCP 与 A2A 也不是同一层：MCP 连接应用和工具、资源；A2A 面向独立智能体的通信与互操作。二者可以组合，但协议接通不等于权限正确、任务可靠或自动实现共享记忆。[8][23]
辩论、多轮审查或多数投票可以作为设计模式尝试，但共享错误来源的多个智能体仍可能一起出错。应限制轮数、保留证据，并使用独立规则、测试或人员复核，不能把“达成一致”当成事实正确。[45]
四类应用实践：从可验收的小任务开始
以下是应用设计范例，不是本站已经部署或测得的产品效果。
网站知识库客服
用可引用的产品资料回答常见问题，并把无法确认的问题转给人工。
实现思路
先采用两步 RAG。涉及订单查询时再添加只读业务接口；退款、改地址或变更套餐等操作单独进入受控流程。
验收要点
用现行、过期、无答案、跨权限与恶意指令样例验证。必须能拒绝越权资料，且引用可回到实际文档。
风险边界
不要让检索内容直接改变系统规则，也不要把客服的问答权限扩大成任意修改订单。
编辑部资料整理与审稿
把多来源资料转成可核查的选题卡与草稿，保留编辑的发布决定权。
实现思路
来源彼此独立时可并行检索；用统一的标题、URL、时间、原文片段格式汇总。未经证实的信息不能在汇总阶段变成确定事实。
验收要点
检查链接是否真能打开、引文是否支持对应结论、数据是否注明口径。最终发布前由编辑复核。
风险边界
多智能体相互引用可能把同一条错误信息放大；来源数量不能代替来源质量。
服务器告警与故障辅助
整理告警、日志与变更线索，生成排查建议，而非默认自动修复生产环境。
实现思路
先只读连接监控和脱敏日志，输出证据与建议命令。确需执行时，使用白名单、隔离环境和预先定义的回滚步骤。
验收要点
重放已知故障，检查证据链、误报处理和停止条件；输出建议与实际执行记录必须分开保存。
风险边界
禁止从日志中的文字直接生成任意 shell 执行；密钥、用户信息与生产权限需要独立保护。
表单、工单与协作自动化
将分类、字段提取、草拟回复等步骤嵌入现有流程，减少人工搬运。
实现思路
流程已知时优先用工作流，模型只承担语义判断。给事件设置幂等键，区分可重试读操作和有副作用写操作。
验收要点
重复发送同一事件不应重复建单或发信；缺字段、接口超时与模型格式错误应进入可追踪的失败分支。
风险边界
自动发送、删除、付款等操作应有审批与审计；不要把“调用成功”当作业务状态已正确更新。
实践中的检索与编排机制可参考本页官方资料；关于工具权限、外部输入与高风险操作的约束，另见 OWASP 的提示注入及过度代理风险说明。[7][24][25]
上线前：把可观察、可停止、可恢复写进设计
演示成功一次，不是生产验收。把失败路径和权限边界一起测试。
| 检查面 | 建议验收内容 |
|---|---|
| 任务边界 | 输入、预期产物、成功标准与停止条件明确；超轮次、超时或超预算时能够安全退出。 |
| 工具与身份 | 每次调用检查当前用户权限、参数和目标资源；写操作默认不继承宽泛管理员身份。 |
| 数据与检索 | 跨用户、跨租户、过期文档与无答案样例纳入测试；检索引用不能泄漏不可见内容。 |
| 重试与恢复 | 按工具类型定义重试，写操作考虑幂等、去重与补偿；不要从中断点自动重复付款、发文或发信。 |
| 测试与评估 | 比较单调用、工作流、单 Agent 与多 Agent 基线；分别记录完成质量、引用、延迟与费用。 |
| 链路与审计 | 记录工具、参数摘要、输出与审批轨迹；对日志做脱敏，并定义保留和访问策略。 |
| 部署与供应链 | 检查依赖、插件、镜像和版本。Docker 或自托管只是一种部署方式，不自动保证全部数据留在本地。 |
| 发布与回退 | 先灰度或影子运行，保留人工接管；模型、提示词、工具和资料变更后进行回归测试。 |
外部网页、邮件、日志、知识库片段，甚至其他智能体的返回，都可能携带不可信指令。RAG 和微调不能完整消除提示注入风险；有副作用的操作应通过独立于模型输出的鉴权、审批和限制执行。[25][24]
代码接入可从Python 程序开发与RESTful API 接口设计入手；部署时分别核对服务器运行环境、Docker 容器部署和云计算服务的数据边界，不能由应用自托管推断所有模型调用都留在本地。
术语速查与常见问题
把模型能力、运行时机制与安全责任分开阅读。
| 术语 | 说明 |
|---|---|
| Agent loop | 模型基于状态选择下一步、请求工具并读取结果的迭代过程，应设置轮次、预算与终止条件。[5] |
| Tool／Function calling | 模型提出结构化工具请求；应用执行鉴权、参数校验与实际调用，并返回结果。[5] |
| State／Memory | 运行状态、会话历史与长期资料不是同一回事；持久化、有效期与读写权限应分别设计。[5] |
| Checkpoint | 保存可恢复的执行状态，不等于为外部副作用自动提供事务或回滚。[26] |
| Handoff | 将任务或执行控制转交给另一个智能体；应定义转交边界和随附上下文。[29] |
| Human-in-the-loop | 在审批、异常处理或高风险执行节点引入人员，不是上线前看一次演示。[24] |
| MCP | 连接 AI 应用与外部工具、资源的开放标准；不是模型，也不能代替授权与安全边界。[8] |
| A2A | 面向智能体之间通信与互操作的协议，与 MCP 的工具连接侧重点不同，可组合使用。[23] |
| Trace／Evaluation | Trace 记录执行链路，Evaluation 判断任务质量；看得到过程不等于结果一定正确。[28] |
智能体一定要有记忆、规划器和多个工具吗？
不一定。智能体没有统一的固定组件清单。本专题聚焦基于大模型的工具型智能体，系统复杂度应由任务决定。
工作流、RAG 与 Agent 是互斥方案吗？
不是。工作流可以包含 RAG 和智能体节点；智能体也可以把检索或一段确定流程当作工具调用。
把同一个模型换几个角色，就是多智能体了吗？
不同角色可以构成多智能体系统，但价值取决于任务边界、独立上下文、可验证输出与执行控制。角色数量本身不是效果指标。
RAG 能彻底消除幻觉和提示注入吗？
不能。检索可能遗漏、资料可能错误，模型也可能误读。外部文档中的恶意指令仍需作为不可信数据处理。
选好框架就能直接上线吗？
不能。框架不替你完成业务权限、数据治理、测试集、重试策略、审计或成本控制。上线需要验证完整链路。
本页为什么不列固定价格与版本排名？
产品入口、功能、许可和价格会变动。本页提供架构与选型线索，不把某个时点的套餐或跑分写成长期结论。
官方资料
附注：Google ADK 的能力需按语言和版本核对，CrewAI 此处链接为读取时的版本化文档；具体使用时应与安装版本对应。下列资料用于核实能力与方法，不构成性能实测。[42][38]