智能代理

Note: ⚠️ 本文档由 AI 自动翻译。如有任何不准确之处，请参考英文原版。

智能代理节点让你的大型语言模型自主控制工具，使其能够迭代决定使用哪些工具以及何时使用它们。智能代理不是预先规划每一步，而是动态地推理问题，根据需要调用工具来完成复杂任务。

智能代理策略

智能代理策略定义了你的智能代理如何思考和行动。选择最适合你的模型能力和任务需求的方法。

函数调用:

使用大型语言模型的原生函数调用能力，通过工具参数直接传递工具定义。大型语言模型使用其内置机制决定何时以及如何调用工具。

最适合像 GPT-4、Claude 3.5 和其他具有强大函数调用支持的模型。

推理与行动 (ReAct):

使用结构化提示词来引导大型语言模型通过明确的推理步骤。遵循**思维 → 行动 → 观察**循环进行透明的决策制定。

适用于可能没有原生函数调用能力的模型，或者当你需要明确推理轨迹时。

Info:

从应用市场 → 智能代理策略安装其他策略，或向社区仓库贡献自定义策略。

配置

模型选择

选择支持你所选智能代理策略的大型语言模型。更强大的模型能更好地处理复杂推理，但每次迭代成本更高。如果使用函数调用策略，请确保你的模型支持函数调用。

工具配置

配置你的智能代理可以访问的工具。每个工具需要：

授权 - 在工作空间中配置的外部服务的 API 密钥和凭据

描述 - 清楚说明工具的作用以及何时使用它（这指导智能代理的决策制定）

参数 - 工具接受的必需和可选输入，带有适当的验证

指令和上下文

使用自然语言指令定义智能代理的角色、目标和上下文。使用 Jinja2 语法引用上游工作流节点的变量。

查询指定智能代理应该处理的用户输入或任务。这可以是来自先前工作流节点的动态内容。

执行控制

最大迭代次数设置安全限制以防止无限循环。根据任务复杂性进行配置 - 简单任务需要 3-5 次迭代，而复杂研究可能需要 10-15 次。

记忆控制智能代理使用 TokenBufferMemory 记提供更多上下文，但会增加标记成本。这使得对话连续性成为可能，用户可以引用以前的行动。

工具参数自动生成

工具可以将参数配置为自动生成或手动输入。自动生成的参数（auto: false）由智能代理自动填充，而手动输入参数需要明确的值，这些值成为工具永久配置的一部分。