当前位置：首页 > news >正文

企业级agent设计流程

news 2026/7/2 16:24:57

真正可落地的 agent 通常是 4 层：

① Model Layer（LLM）
GPT / Qwen / Claude / LLaMA + LoRA
② Agent Orchestration Layer（核心逻辑）
planner / router / memory / tool loop
③ Tool Layer（能力接口）
search / db / code / workflow / API
④ Data Layer（企业数据）
knowledge base / vector DB / CRM / ERP

企业级tool集合

1️⃣ 数据类工具（连接企业数据）

query_customer_db(sql)
get_order_status(order_id)
fetch_user_profile(user_id)

2️⃣ 知识类工具

vector_search(query)
document_retrieval(query)

3️⃣ 执行类工具（必须加权限控制）

run_python(code)
trigger_workflow(name)

4️⃣ 外部系统工具（沙盒需隔离）

call_crm_api()
call_erp_api()
send_email()

构建步骤

✅ Step 1：需求拆解（最关键）

明确：

agent 要解决什么问题？
是客服？数据分析？自动化办公？
需要哪些系统能力？

✅ Step 2：设计 Tool Layer（核心）

定义工具 API：

defquery_db(sql:str)->dictdefsearch_docs(query:str)->listdefcall_crm(user_id:str)->dict

并统一 schema：

{"name":"query_db","parameters":{"sql":"string"}}

✅ Step 3：搭建 Agent Runtime
核心 loop：

LLM → tool selection → execute → observe → repeat

通常用：

LangGraph
AutoGen
OpenAI tool calling
自研 loop

✅ Step 4：选择基础模型
例如：

GPT-4.1 / GPT-4o
Claude 3.5
Qwen2.5 / Qwen3
LLaMA 3

✅ Step 5：LoRA 微调（可选但很有用）
训练数据通常包括：
① tool call 数据
User: 查订单 123

Assistant:{"tool":"query_db","arguments":{"sql":"..."}}

② reasoning + tool chain

step1: search step2: analyze step3: summarize

③ error correction 数据

wrong tool → retry correct tool

✅ Step 6：Memory & RAG 系统
加入：

vector DB（FAISS / Milvus / pgvector）
document ingestion
embedding pipeline

✅ Step 7：Tool Execution Layer（安全关键）
必须做：

参数校验
权限控制
timeout
sandbox (python / sql)
audit log（审计日志）

✅ Step 8：Agent Control Logic

包括：

tool routing
retry strategy
max loop limit
fallback model

✅ Step 9：Evaluation system（很多人忽略）
需要评估：

tool selection accuracy
answer correctness
latency
hallucination rate

✅ Step 10：部署 & 监控

API gateway
logging
tracing（LangSmith / OpenTelemetry）
cost control

┌──────────────┐ │ User Input │ └──────┬───────┘ ↓ ┌────────────────────┐ │ LLM(LoRA)│ │ planner +caller│ └────────┬───────────┘ ↓ ┌────────────────────┐ │ Tool Router │ └────────┬───────────┘ ↓ ┌─────────────┼──────────────┐ ↓ ↓ ↓ DB Tool Search Tool Python Tool ↓ ↓ ↓ └────────┬───────────┘ ↓ Tool Result Validator ↓ ┌────────────────────┐ │ LLM Final Answer │ └────────────────────┘

Tool 与 LLM 的交互流程（完整）

User Query ↓ LLM(decide tool)↓ JSON Tool Call ↓ Validator(schema check)↓ Executor(API / DB / code)↓ Result JSON ↓ LLM(reason + verify)↓ Final Answer

harness 评测框架

OpenAI Evals 是一个用于评估大型语言模型（LLM）及基于 LLM 构建系统的开源评测框架。它帮助开发者以可重复、可量化的方式比较模型、提示词（prompt）和应用版本，从而发现性能变化并减少回归问题。

核心能力
OpenAI Evals 的设计目标是将 LLM 评测变成类似传统软件测试的工程流程。它支持使用标准数据集或自定义测试集，针对不同模型运行相同测试，并根据预定义规则或 LLM-as-a-judge 等方法自动评分。开发者还可以构建仅在本地或私有环境使用的评测数据集，而无需公开业务数据。

agent_system/ │ ├── agent/ │ ├── planner.py │ ├── router.py │ ├── memory.py │ └── llm.py │ ├── tools/ │ ├── db_tools.py │ ├── search_tools.py │ └── action_tools.py │ ├── runtime/ │ ├── executor.py │ ├── validator.py │ └── sandbox.py │ ├── harness/ │ ├── runner.py │ ├── loader.py │ ├── evaluator.py │ └── metrics.py │ ├── datasets/ │ └── logs/