从0到1开发一个商用 Agent（智能体）

本文完整展示如何从0到1手搓一个 AI Agent 的搭建过程​

​

🌐

•

在具体动手实操的过程中，重点问大家展示从需求分析到如何搭建​

•

需求分析中包含如何识别AI提效场景和梳理提效场景流程​

•

如何搭建中包含工作流创建、智能体创建、智能体发布​

​

1.1 Agent设计​

下面以Demo中的几个典型Agent为例，详细介绍设计思路与实现方式，基于Eino框架快速落地多智能体协作系统。​

​

​

​

📌

智能体规划 Agent 使用经典的 ReAct 框架实现。​

​

能够检索目的地内容。在此之上，增加节点等待用户下一轮对于行程规划的建议和追问。​

​

​

50%

​

​

​

​

50%

​

​

​

1.2 深度搜索​

​

​

​

📌

深度搜索 Agent 利用大模型对复杂问题进行多角度分析，边推理边搜索。​

​

在执行流程内部，通过ChatModel:think进行问题分析，并判断上下文的资料是否足够回答用户问题，​

如果不够那么输出关键词借助搜索工具获取资料补充上下文，​

如果足够，通过ChatModel:summary模型，输出分析总结报告。​

​

​

​

1.3 意图识别​

​

​

​

📌

这种设计让意图识别Agent具备了高度的灵活性和可扩展性。​

​

•

一方面，它能够根据用户需求动态选择并对接不同类型的下游专家Agent，实现多智能体间的高效协作与任务流转；​

•

另一方面，专家Agent采用标准化A2A协议进行封装，具备天然的可插拔能力，通过AgentCard描述能力让意图识别Agent进行判断当前的任务类型，支持在系统运行时无缝添加、替换或扩展新的专家Agent。​

​

​

​

​

1.4 连接生态​

Connector是A2A多Agent系统实现"能力复用"和"生态扩展"的关键。​

​

它的核心目标是将标准化的Agent能力，通过协议适配、接口封装等方式，快速对接到不同的外部平台和应用场景，实现"写一次，处处可用"。​

​

​

📌

​

​

1.6 接入Cherry Studio​

​

​

​

​

📌

通过实现 OpenAI 兼容的 Connector，将 Agent 能力以标准 chat/completion 协议对外暴露。​

​

可以直接在 Cherry Studio 客户端中便捷地接入和调试 Agent，实时体验其交互效果与能力表现，极大提升了开发和测试的效率与直观性。​

​

​

​

实现chat/completion接口，获取model作为Agent名字，调用A2AServer，将任务执行结果，使用SSE协议流式输出到chat/completion响应里​

​

代码块​

Go

func (s *Server) chatHandler(c *gin.Context) {​

var req api.ChatRequest​

if err := c.ShouldBindJSON(&req); errors.Is(err, io.EOF) {​

c.AbortWithStatusJSON(http.StatusBadRequest, gin.H{"error": "missing request body"})​

return​

} else if err != nil {​

c.AbortWithStatusJSON(http.StatusBadRequest, gin.H{"error": err.Error()})​

return​

}​

​

​

​

配置Cherry Studio模型，连接 connector 服务​

​

​

​

1.7Agent观测​

数据看板：通过Dashboard，可以实时查看LLM应用的质量、成本、延迟等多维度指标，全面监控和分析智能体系统的运行状态。​

​

​

​

二、工作流搭建​

​

📌

接下来进入了实操环节，在 Coze 上如何一步步的搭建这个 AI Agent（智能体）。​

​

整个搭建过程分为工作流搭建、智能体搭建。​

先做一个工作流，把我们上一步的流程在工作流中创建。​

然后在创建一个智能体，将工作流嵌入进去。​

​

​

​

2.1创建工作流​

首先，我们开始搭建工作流。​

​

先点击“资源库”，鼠标停在右侧的“资源”上，点击“工作流”。​

​

​

​

在弹出的如下界面中，填写“工作流名称”和“工作流描述”​

​

​

点击“确认”后，进入一个空白页面，根据我们前面梳理的流程图，开始用 Coze 的组件编辑流程。​

​

​

📌

编辑好的流程如下：​

​

“开始”和“结束”的节点是必须的，创建的时候默认就有，也不能删除，从“开始”到“结束”之间必须要有连线，没有连线，就相当于现实中两个地方之间没有路，没有路就没法走。​

​

​

​

​

​

​

​

📌

在一开始的时候，点击每个流程节点的右侧的圆圈，可以出现下图的窗口。​

​

​

​

​

​

接下来，我们看一下每个流程节点是怎么做的。​

​

2.1.1开始​

​

​

📌

下图中的“开始”节点，在右侧的配置那里是没有输出，它主要是为这个工作启动准备数据。​

​

这个例子我们设定了一个变量名 url，智能体在调用这个工作流的时候，会自动从聊天内容中获取到 url ，传给它。​

​

​

​

​

​

​

2.1.2工具：抓取内容​

红框 1：是插件，“工具：抓取内容”是在这个节点我自己定义的名称。​

​

它的作用是给它一个 url ，它会把这个 url 页面的内容帮你抓取出来。​

​

​

红框 2：点击“插件详情”，可以查看这个插件的详细介绍，以及输入和输出的介绍。​

​

除了开始结束，每个节点都有输入和输出，输入和输出的参数都不一样。​

​

​

红框 3：是插件的输入，“*”是必须要填写的。​

​

url 就是我们需要“开始”节点中定义的 url。​

​

​

红框 4：是插件的输出，每一项都是一个数据变量。​

​

在后面的节点中会引用，具体每个变量什么意思，一个是看插件中的说明，此外可以从英文也可以看出大体意思。这个例子可以看到 title 就是 url 中文章中的标题，content 就是 url 中的文章内容。​

​

​

​

​

2.1.3大模型：总结文章​

​

这个节点就是大模型的配置，在这里需要大模型帮我总结文章内容，提炼文章关键词。​

​

红框 1：此处可以选择不同的模型来处理。​

​

不同的提示词在不同的模型下表现有时候是不一致的，所以这里需要注意的是在当前这个场景下根据大模型的特点，选定模型后，再去写系统提示词和用户提示词。​

​

​

红框 2：输入，可以将上个节点输出的参数标题和内容传到这里。​

​

红框 4：输出，是大模型的返回输出，大模型返回的都是字符串。​

​

在这里，输出可以定义格式，这里我选择的是 JSON，因为方便后面来引用，但是输出如果是 JSON，需要我们在红框 3 的提示词中定义输出结构。​

​

​

​

​

​

系统提示词：​

​

📌

主要描述的是如果你把大模型看成一个你目前需要它帮助的人。​

​

​

它是什么角色，应该具备什么技能，你需要它按照什么格式回复给你。​

所以看到在提示词中的技能 2，约定了大模型输出格式是 JSON，并给出了示例，​

并且 JSON 中的定义的 summary 和 tags 与上面输出格式中定义的名称一样。​

​

​

​

​

📌

用户提示词：就是你需要大模型回答的具体问题了。​

​

因为这里我在系统提示词中已经定义了需要大模型帮我们干什么，所以这里我就只把标题和内容放在这里。​

{{}}中的放的是上面输入中定义的参数。​

​

​

​

​

​

2.1.4工具：转为 JSON​

在这里的工具用的是代码，因为需要将前面的标题、内容、标签等转换成一个 JSON 格式，所以只能用代码进行转换。​

​

那么这个 JSON 格式具体内容取决于下一个节点“工具：保存到飞书”用到的插件中的说明。​

​

​

📌

可以看一下这个插件详细说明中的参数 records 类型是一个数组，数组中的 fields 对应的就是飞书表格中每一列的列名。​

​

​

下图为 add_records 介绍：​

​

​

​

飞书多维表格：​

​

​

​

继续看看“工具：转为 JSON”的配置，这是一个“代码”节点。​

​

红框 2：输入区域，可以增加多个参数。​

​

每个参数都可以调用前面节点的参数，它也是红框 4 中代码中传入的参数。​

​

​

红框 3：输出区域。​

​

参数设定需要和红框 4 代码中返回的参数保持一致。​

​

​

​

​

上图红框 4 中的代码。​

​

可以看到具体的传入参数和输出参数在代码中的体现。​

​

​

​

​

Python 代码片段，类似的需要做数据转换的，都可以采用这个代码片段，只需要替换传入的参数和输出的参数就可以。​

​

代码块​

Plain Text

# 在这里，您可以通过 ‘args’ 获取节点中的输入变量，并通过 'ret' 输出结果​

# 'args' 和 'ret' 已经被正确地注入到环境中​

# 下面是一个示例，首先获取节点的全部输入参数params，其次获取其中参数名为‘input’的值：​

# params = args.params; ​

# input = params.input;​

​

​

2.1.5工具：保存到飞书​

这个节点就是前面已经提到的“飞书多维表格”的保存数据的插件。​

​

红框 2：参数名中 app_token​

​

（打开创建好的飞书多维表格，复制 url 到此处）和 records（选择前面转为 JSON 节点输出的 record_info）是必须要填写的。​

​

​

​

​

2.1.6结束​

最后一个节点，主要是返回内容，它分两种方式，一种方式为返回变量，另外一种方式为返回文本。​

​

返回变量模式下，​

​

工作流运行结束后会以 JSON 格式输出所有返回参数，适用于工作流绑定卡片或作为子工作流的场景。​

​

​

返回文本模式下，​

​

工作流运行结束后，智能体中的模型将直接使用指定的内容回复对话。​

​

​

​

​

2.2创建智能体​

下一步来创建智能体，将工作流引入到智能体中。​

​

什么是 AI 智能体，就是给智能体一个目标，它自己会根据当前的认知能力，自主规划，自主调用工具，最终达到目标。​

​

​

​

📌

用“素材收集”的智能体例子来说​

​

假如还引入了短视频平台的视频收集工作流，那么这个智能体会根据我们发送的内容，自动识别，是调用文章收集的工作流，还是视频收集的工作流。​

​

​

​

回到这个智能体的创建上来，根据下图提示，创建智能体。​

​

​

创建后会进到如下页面。​

​

红框 1：和标题写的一样，人设和回复逻辑。​

​

就是定义这个智能体的角色、技能、如何回复等信息，来指导大模型可以干哪些事情，怎么干，不能干哪些等。​

​

​

红框 2：我们只介绍一下这个智能体用到的。​

​

就是工作流，我们可以将上面我们创建的工作增加上去，这样我们和智能体聊天的时候，发给它一个链接，他会调用我们上面做的工作流，将内容进行总结，保存到飞书中。​

​

​

红框 3：可以直接与我们做的智能体进行聊天测试了。​

​

到这里，智能体工作流已做好，测试没有问题后，可以点击发布了。​

发布的时候，AI 会帮我们自动填写这些信息，我们可以根据实际情况进行修改，点击确定，可以选择发布到的平台。​

​

​

​

​