企业官网建设流程全解析

目录

一、什么是Agent

二、Agent框架介绍

三、Agent分类

1、反应式(Reactive)

CASE：私募基金运作指引问答助手

2、深思熟虑（Deliberative）

CASE：智能投研助手

3、混合式（Hybrid）

CASE：投顾AI助手

在本篇的开头，我们复习一下Agent的相关内容 初识Agent

一、什么是Agent

• 大模型是大脑，Agent 是工程系统
  DeepSeek/Kimi 这类大模型本身更像“大脑”，主要负责推理：给输入，产出判断或回答。但单个大脑不等于 Agent；Agent 是把大模型放进一个工程框架里，给它配上规划、工具、记忆等组件。

• Agent 的基本结构：Planning → Action → Memory
  复杂任务不能只想一步做一步，而要先规划再执行。Planning 负责拆解和组织步骤；Action 对应调用工具完成任务；Memory 为规划和行动提供上下文。

• Memory 分短期和长期

  • 短期记忆：还留在当前上下文/内存里的信息，典型就是多轮对话内容。

  • 长期记忆：不依赖当前上下文，写到文件、数据库或“小本本”里，之后需要时再主动查找、读取。

• Agent 的实现通常落在 SDK/工具箱里
  这些组件会被封装进工程框架，例如 LangGraph、千问 Agent、LlamaIndex 等，用来快速搭建具备规划、工具调用和记忆能力的 Agent。

二、Agent框架介绍

Agent的开发框架分为以下三种：

1）Coze, Dify=》低代码（可视化）

2）LangChain, LangGraph, Qwen-Agent, LlamaIndex=》高代码，工作中主流方式，Function Call + MCP

3）OpenClaw, Hermes, WorkBuddy,DeepAgents=》现代Agent框架(agent + skills) 或者是work agent，高代码 =》适合业务同学，主要是skill的开发。

在实现Agent时，有三个核心原则：

1. 保持智能体设计的简洁性：避免不必要的复杂性，专注于核心功能。

2. 优先考虑透明性：明确展示智能体的规划步骤，让用户清楚了解其决策过程。

3. 打造Function/MCP：打造工具，以及说明文档和测试，确保Agent与外部环境的交互。

三、Agent分类

1、反应式(Reactive)

这个也就是我们前面提到过的初识Agent React Agent。反应式架构是AI智能体设计中最简单直接的模式。在这种架构 中，一个大型语言模型（LLM）首先分析当前情况，确定下一 步要采取的行动。然后，在环境中执行该行动，产生观察结果 作为反馈。LLM处理这些观察结果，重新评估下一步行动，选 择另一个行动，并继续这个循环，直到任务完成。

反应式架构：快速决策的“直觉型”智能体

CASE：私募基金运作指引问答助手

之前我们做问答助手，是用Rag来完成的：RAG搭建本地知识库，RAG多模态知识库。今天这个示例不用Rag，使用LangChain框架，用工具的方式来完成。

Q：Rag和调用知识检索的工具这两方法的区别？

A：1.Rag的流程固定，基于Query和chunk进行相似度的匹配，结果可复现；Agent调用工具是灵活的，根据LLM的推理结果来选择

2.如果在检索过程中有新的需求，Rag没法给到支持，而Agent能灵活应对。

FUND_RULES_DB = [ { "id": "rule001", "category": "设立与募集", "question": "私募基金的合格投资者标准是什么？", "answer": "合格投资者是指具备相应风险识别能力和风险承担能力，投资于单只私募基金的金额不低于100万元且符合下列条件之一的单位和个人：\n1. 净资产不低于1000万元的单位\n2. 金融资产不低于300万元或者最近三年个人年均收入不低于50万元的个人" }, ...... } @tool def search_rules_by_keywords(keywords: str) -> str: """通过关键词搜索相关私募基金规则。输入应为相关关键词，多个关键词用逗号或空格分隔。""" ....... @tool def search_rules_by_category(category: str) -> str: """根据规则类别查询私募基金规则。输入应为类别名称，可选类别：设立与募集、监管规定。""" ....... @tool def answer_question(query: str) -> str: """在知识库中搜索并回答用户关于私募基金的问题。输入应为完整的用户问题。""" ....... def create_fund_qa_agent(): llm = ChatTongyi(model="qwen-plus", dashscope_api_key=DASHSCOPE_API_KEY) tools = [search_rules_by_keywords, search_rules_by_category, answer_question] system_prompt = """你是一个私募基金问答助手，专门回答关于私募基金规则和运作的问题。 你可以使用以下工具来查询信息： 1. search_rules_by_keywords: 通过关键词搜索相关规则 2. search_rules_by_category: 按类别查询规则（类别：设立与募集、监管规定） 3. answer_question: 直接搜索并回答问题 注意： 1. 如果知识库中没有相关信息，请明确告知用户"对不起，在我的知识库中没有关于[具体主题]的详细信息" 2. 如果你基于自己的知识提供补充信息，请用"根据我的经验"或"一般来说"等前缀明确标识 3. 回答要专业、简洁、准确""" agent = create_agent(llm, tools, system_prompt=system_prompt) return agent #--------------------------------------------------------- # user_input是用户输入的问题 response = fund_qa_agent.invoke({"messages": [HumanMessage(content=user_input)]})

在langChain中函数的定义如上所示，装饰器@tool注册函数。函数下面有三个引号包着的函数描述（python里叫注释），大模型读取这个函数描述帮助做推理（固定写法）。如上，传入三个工具search_rules_by_keywords, search_rules_by_category, answer_question，放入tools。

这里面如何调工具，怎么调用工具是LLM来推理决定的。因此选择工具是不确定的，如同一个问题，它有可能选择A工具执行，也可能选择B工具执行。因此，我们在添加工具时，尽量使工具的功能不要重叠，增强agent的稳定性。

2、深思熟虑（Deliberative）

这个类型，我理解为之前提到过的workflow型Agent。他是适合有长期价值的，多步复杂任务，

CASE：智能投研助手

这个智能体能够整合市场数据，进行多步骤分析和推理，生成投资观点和研究报告。 与反应式智能体不同，深思熟虑型智能体通过内部建模、推理和规划，制定最优行动方案，特别适合需要多步骤思考和长期目标优化的任务。

我们使用 LangGraph框架来完成。LangGraph是langChain家族的一员，可以做更丰富的链路编排（有点像扣子编程）。

主要步骤：感知阶段，建模阶段，推理阶段，决策阶段，报告阶段

Step 1，定义输出模型：各个阶段输出的内容

# 定义输出模型 class PerceptionOutput(BaseModel): """感知阶段输出的市场数据和信息""" market_overview: str = Field(..., description="市场概况和最新动态") key_indicators: Dict[str, str] = Field(..., description="关键经济和市场指标") recent_news: List[str] = Field(..., description="近期重要新闻") industry_trends: Dict[str, str] = Field(..., description="行业趋势分析") class ModelingOutput(BaseModel): """建模阶段输出的内部世界模型""" market_state: str = Field(..., description="当前市场状态评估") economic_cycle: str = Field(..., description="经济周期判断") risk_factors: List[str] = Field(..., description="主要风险因素") opportunity_areas: List[str] = Field(..., description="潜在机会领域") market_sentiment: str = Field(..., description="市场情绪分析") class ReasoningPlan(BaseModel): """推理阶段生成的候选分析方案""" plan_id: str = Field(..., description="方案ID") hypothesis: str = Field(..., description="投资假设") analysis_approach: str = Field(..., description="分析方法") expected_outcome: str = Field(..., description="预期结果") confidence_level: float = Field(..., description="置信度(0-1)") pros: List[str] = Field(..., description="方案优势") cons: List[str] = Field(..., description="方案劣势") class DecisionOutput(BaseModel): """决策阶段选择的最优投资观点""" selected_plan_id: str = Field(..., description="选中的方案ID") investment_thesis: str = Field(..., description="投资论点") supporting_evidence: List[str] = Field(..., description="支持证据") risk_assessment: str = Field(..., description="风险评估") recommendation: str = Field(..., description="投资建议") timeframe: str = Field(..., description="时间框架")

Step 2，定义状态：

这个状态里的变量，就是工作流中公共的一些状态变量

class ResearchAgentState(TypedDict): """研究智能体的状态""" # 输入 research_topic: str # 研究主题 industry_focus: str # 行业焦点 time_horizon: str # 时间范围(短期/中期/长期) # 处理状态 perception_data: Optional[Dict[str, Any]] # 感知阶段收集的数据 world_model: Optional[Dict[str, Any]] # 内部世界模型 reasoning_plans: Optional[List[Dict[str, Any]]] # 候选分析方案 selected_plan: Optional[Dict[str, Any]] # 选中的最优方案 # 输出 final_report: Optional[str] # 最终研究报告 # 控制流 current_phase: Literal["perception", "modeling", "reasoning", "decision", "report"] error: Optional[str] # 错误信息

Step 3，创建工作流：

def create_research_agent_workflow() -> StateGraph: """创建深思熟虑型研究智能体工作流图""" # 创建状态图 workflow = StateGraph(ResearchAgentState) #公共状态 # 添加节点 workflow.add_node("perception", perception) #perception是处理函数 workflow.add_node("modeling", modeling) workflow.add_node("reasoning", reasoning) workflow.add_node("decision", decision) workflow.add_node("report", report_generation) # 设置入口点 workflow.set_entry_point("perception") # 设置边和转换条件 workflow.add_edge("perception", "modeling") workflow.add_edge("modeling", "reasoning") workflow.add_edge("reasoning", "decision") workflow.add_edge("decision", "report") workflow.add_edge("report", END) # 编译工作流 return workflow.compile() #------------------------------------------------ agent = create_research_agent_workflow() result = agent.invoke(initial_state)

Step 4，具体实现：

上面工作流中add_node绑定的函数主要流程如下：

五步里每一步构建提示词，调用LLM进行推理，然后返回状态。最重要的是提示词，定义输入输出，输出的内容等。

# 准备提示 prompt = ChatPromptTemplate.from_template(PERCEPTION_PROMPT) # 构建输入 input_data = { "research_topic": state["research_topic"], "industry_focus": state["industry_focus"], "time_horizon": state["time_horizon"] } # 调用LLM chain = prompt | llm | JsonOutputParser() result = chain.invoke(input_data) # 更新状态 return { **state, "perception_data": result, "current_phase": "modeling" }

我们链路的每一步的输入都是前一步的输出，需要在input_data里面把前一步的结果传进去：

"perception_data": json.dumps(state["perception_data"], ensure_ascii=False, indent=2),

调用结果：

我们的整个流程如下：

3、混合式（Hybrid）

这种方式顾名思义的话是上面两种的结合。

到底选用反应式还是深思熟虑式，主要由中间的协调层来决定。

CASE：投顾AI助手

混合智能体采用三层架构设计：

协调层首先评估客户查询，确定：

• 查询类型：紧急型、信息型或分析型

• 处理模式：反应式或深思熟虑

这种意图识别有两种方法：1.关键词匹配 2.LLM推理

评估基于以下因素：

• 查询的复杂性和时效性

• 所需数据和计算资源

• 客户期望的响应时间

Step 1：工作流中公共的一些状态变量：

class WealthAdvisorState(TypedDict): """财富顾问智能体的状态""" # 输入 user_query: str # 用户问题 customer_profile: Optional[Dict[str, Any]] # 用户画像 # 处理状态 query_type: Optional[Literal["emergency", "informational", "analytical"]] # 查询类型 processing_mode: Optional[Literal["reactive", "deliberative"]] # 处理模式 market_data: Optional[Dict[str, Any]] # 市场数据 analysis_results: Optional[Dict[str, Any]] # 分析结果 # 消息历史（用于工具调用） messages: Annotated[List[BaseMessage], add_messages] # 输出 final_response: Optional[str] # 最终响应 # 控制流 current_phase: Optional[str] error: Optional[str]

Step 2：用LangGraph创建工作流

def create_wealth_advisor_workflow() -> StateGraph: """创建财富顾问混合智能体工作流""" workflow = StateGraph(WealthAdvisorState) # 添加节点 workflow.add_node("assess", assess_query) workflow.add_node("reactive_agent", reactive_agent) workflow.add_node("tools", tool_node) workflow.add_node("extract_response", extract_reactive_response) workflow.add_node("collect_data", collect_data) workflow.add_node("analyze", analyze_data) workflow.add_node("recommend", generate_recommendations) # 设置入口点 workflow.set_entry_point("assess") # 评估后的分支路由 workflow.add_conditional_edges( "assess", lambda x: "reactive_agent" if x.get("processing_mode") == "reactive" else "collect_data", { "reactive_agent": "reactive_agent", "collect_data": "collect_data" } ) # 反应式Agent的工具调用循环 workflow.add_conditional_edges( "reactive_agent", should_continue_tools, { "tools": "tools", "end": "extract_response" } ) # 工具执行后返回Agent继续处理 workflow.add_edge("tools", "reactive_agent") # 提取响应后结束 workflow.add_edge("extract_response", END) # 深思熟虑模式的流程 workflow.add_edge("collect_data", "analyze") workflow.add_edge("analyze", "recommend") workflow.add_edge("recommend", END) return workflow.compile() #--------------------------------------------------- agent = create_research_agent_workflow() result = agent.invoke(initial_state)

大家可以把节点列出来，在画板上画一下这个链路图，能更清晰一点。创建好agent以后把用户问题和用户画像传给agent(initial_state里包含)

Step 3：工作流开始，判断用哪一种agent

这里是让LLM进行判断

prompt = ChatPromptTemplate.from_template(ASSESSMENT_PROMPT) chain = prompt | llm | JsonOutputParser() result = chain.invoke({"user_query": state["user_query"]})

输出结果：

目前是走深思熟虑型这个分支，每一步都让大模型进行推理：

prompt = ChatPromptTemplate.from_template(ANALYSIS_PROMPT) chain = prompt | llm | JsonOutputParser() result = chain.invoke({ "user_query": state["user_query"], "customer_profile": json.dumps(state.get("customer_profile", {}), ensure_ascii=False, indent=2), "market_data": json.dumps(state.get("market_data", {}), ensure_ascii=False, indent=2) }) return { "analysis_results": result, "current_phase": "recommend" }

如果走反应式分支：

让大模型进行推理，这里是个循环，返回结果用should_continue_tools（Step 2创建工作流，返回“tools” 或者“end”）来判断是否需要调用工具（LLM返回内容里的tool_calls）

response = llm_with_tools.invoke(messages)

把大模型每次返回的结果更新到WealthAdvisorState的消息历史中，extract_reactive_response这个函数返回最后一条记录的结果。