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。Agent 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。Agent 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。
Agent 策略
Agent 策略定义了你的 Agent 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
- 推理与行动 (ReAct)
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。
从 市场 → Agent 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 Agent 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 Agent 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 Agent 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 Agent 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 Agent 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 Agent 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 Agent 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。