当前位置：首页 > news >正文

[AI提效-44]- 举例说明智能体与AI大模型之间如何协同完成某个复杂任务，详解介绍他们之间的交互过程

news 2026/5/12 17:10:51

🎯 任务目标

“帮我策划一个周末亲子露营活动：选个近郊营地、查天气、订帐篷、列装备清单，并生成一份带地图的行程表发到我邮箱。”

这是一个典型的多步骤、跨工具、需判断的复杂任务，单靠大模型或传统程序都无法独立完成。

第一步：智能体启动，理解任务

你（用户）对 AI 助手说：
“帮我策划一个周末亲子露营活动……”
智能体软件（运行在手机/电脑后台）收到请求，立刻意识到：
“这事不能光靠聊天解决，得调用多个工具，还得让大模型帮我规划逻辑。”
它把任务拆成几个子目标：
1. 找合适的露营营地（近郊、有亲子设施）
2. 查周末天气
3. 预订帐篷
4. 生成装备清单
5. 制作行程表（含地图）
6. 发邮件

第二步：第一次交互 —— 让大模型制定计划

智能体向大模型（比如 Qwen 或 GPT-4）发送一条结构化消息：

系统提示（System Prompt）：
“你是一个经验丰富的户外活动策划师。用户需要亲子露营方案。你可以使用以下工具：
search_campsites(location, features)
get_weather(city, date)
book_tent(site_id, date)
generate_checklist(activity)
create_itinerary(title, steps)
send_email(to, subject, body)
请先输出一个完整的执行计划。”

✅大模型回复（结构化 JSON）：

json

编辑

{ "plan": [ {"step": 1, "action": "search_campsites", "args": {"location": "北京近郊", "features": ["亲子", "卫生间", "可订餐"]}}, {"step": 2, "action": "get_weather", "args": {"city": "北京", "date": "2026-03-01"}}, {"step": 3, "action": "book_tent", "args": {"site_id": "待定", "date": "2026-03-01"}}, {"step": 4, "action": "generate_checklist", "args": {"activity": "亲子露营"}}, {"step": 5, "action": "create_itinerary", "args": {"title": "周末亲子露营", "steps": ["9:00 出发", "11:00 到达营地"...]}}, {"step": 6, "action": "send_email", "args": {"to": "user@example.com"}} ] }

🔍关键点：大模型没有直接“做事”，而是输出一个可执行的行动计划。

第三步：智能体执行第一步 —— 找营地

智能体解析大模型返回的第1步；
自动调用内部函数：search_campsies("北京近郊", ["亲子", ...])；
该函数连接真实露营平台 API（如“小红书”或“携程”）；

返回结果：

json

编辑

[ {"id": "camp_101", "name": "青龙湖森林营地", "facilities": ["儿童乐园", "热水"], "price": 299}, {"id": "camp_205", "name": "雁栖湖星空营地", "facilities": ["烧烤", "WiFi"], "price": 399} ]

智能体将结果存入短期记忆，并准备下一步。

第四步：第二次交互 —— 让大模型选择营地 + 查天气

智能体再次调用大模型，附上新信息：

用户消息：
“已找到两个营地：
青龙湖（299元，有儿童乐园）
雁栖湖（399元，有WiFi）
请根据亲子需求推荐一个，并告诉我是否需要查天气。”

✅大模型回复：

json

编辑

{ "recommendation": "camp_101", "reason": "青龙湖有儿童乐园，更适合亲子", "next_action": "get_weather", "args": {"city": "北京", "date": "2026-03-01"} }

💡 大模型结合新数据做了价值判断（亲子优先于WiFi），这是纯程序做不到的。

第五步：智能体查天气 + 决策是否继续

智能体调用get_weather("北京", "2026-03-01")；
返回：{"weather": "晴", "temp": "8°C~18°C"}；
智能体判断：天气良好 → 继续订帐篷；
调用book_tent("camp_101", "2026-03-01")；
返回：{"status": "success", "booking_code": "BK7890"}；

第六步：生成装备清单 & 行程表

智能体让大模型生成个性化清单：
“用户带5岁孩子，天气18°C晴天，请列露营装备。”

大模型回复（自然语言转结构化）：

- 帐篷（已订） - 防潮垫、睡袋（儿童款） - 保温水壶、零食 - 防晒帽、驱蚊液 - 小玩具、绘本

智能体将清单 + 营地地址 + 时间线，交给另一个模块create_itinerary()；
该模块调用地图API（如高德），生成带路线图的PDF。

第七步：发邮件（最终交付）

智能体整合所有成果：
- PDF行程表
- 预订码 BK7890
- 装备清单
调用send_email("user@example.com", "您的露营方案", [附件])；
邮件成功发送！

全流程交互图（简化版）

✅ 关键协同机制总结

表格

环节	智能体做什么	大模型做什么
任务理解	接收模糊指令	将其转化为结构化目标
决策判断	提供实时数据	基于常识和偏好做选择
错误处理	检测API失败	重新规划（如“换营地”）
内容生成	调用模板引擎	生成自然、个性化的文本
状态管理	记住预订码、用户偏好	无需记忆，每次基于上下文推理