智能代理

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。

​

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。

​

输出变量

智能代理节点提供全面的输出，包括： 最终答案 - 智能代理对查询的最终响应 工具输出 - 执行期间每次工具调用的结果 推理轨迹 - 逐步决策过程（推理与行动策略特别详细）在 JSON 输出中可用 迭代计数 - 使用的推理循环次数 成功状态 - 智能代理是否成功完成任务 智能代理日志 - 带有元数据的结构化日志事件，用于调试和监控工具调用

​

用例

研究与分析 - 智能代理可以自主搜索多个来源，综合信息，并提供全面的答案。 故障排除 - 诊断任务，智能代理需要收集信息、测试假设，并根据发现调整其方法。 多步数据处理 - 复杂的工作流，其中下一个行动取决于中间结果。 动态 API 集成 - API 调用序列取决于无法预先确定的响应和条件的场景。

​

最佳实践

清晰的工具描述帮助智能代理了解何时以及如何有效使用每个工具。 适当的迭代限制防止失控成本，同时为复杂任务提供足够的灵活性。 详细的指令提供关于智能代理角色、目标以及任何约束或偏好的上下文。 记忆管理根据你的用例要求平衡上下文保留与标记效率。