原文：A practical guide to building agents

AI 智能体（Agent）正引领一场软件范式的革命，它不再是简单的用户工具，而是能自主代表用户、接管并执行整个工作流的“代理人”。其核心是利用大型语言模型（LLM）作为推理引擎来驱动任务。本指南将提炼 OpenAI 的核心思想，为您提供一套构建、部署和管理 AI 智能体的实用策略。

第一章：何时需要构建 AI 智能体？

在投入开发前，首先要判断您的场景是否真的需要智能体。智能体并非万能，它主要用于解决传统基于规则的自动化难以胜任的“认知劳动”。如果您的业务面临以下挑战，那么构建智能体将是正确的选择：

  1. 复杂的决策制定 (Complex Decision-Making): 当任务需要超越“if-then-else”规则的微妙判断时。

    • 场景示例： 复杂的客户退款审批。传统系统只能看“购买是否超30天”，而智能体能综合评估客户忠诚度、历史记录、问题性质等非结构化信息，做出更人性化的决策。

  2. 难以维护的规则系统 (Difficult-to-Maintain Rules): 当业务逻辑依赖于一个庞大、脆弱且频繁变更的规则引擎时。

    • 场景示例： 供应商合规性审查。与其硬编码上百条随时可能过期的政策法规，不如让智能体直接将政策文档作为上下文，在每次审查时进行动态的理解和应用。

  3. 非结构化数据处理 (Unstructured Data Processing): 当工作流的核心是理解和提取电子邮件、PDF、对话记录等非结构化数据时。

    • 场景示例： 保险理赔。智能体可以自动阅读事故报告、医疗记录和客户邮件，提取关键信息并完成初步的综合评估，极大提升效率。

核心思想： 智能体的价值在于自动化“判断”与“解读”，而非简单的程序性任务。

第二章：智能体的三大核心支柱

一个设计精良的智能体由三大基本组件构成：模型 (Model)、工具 (Tools) 和 指令 (Instructions)。这种架构将“思考”、“行动”与“策略”分离，带来了极高的灵活性和可维护性。

2.1 模型 (大脑): 驱动推理的核心

模型（通常是 LLM）是智能体的决策中心。

  • 选择策略：“从高到低” (Start Smart)
    • 第一步： 在原型阶段，务必使用当前最强大的模型（如 GPT-4o）来建立性能基准。这能让你验证工作流、工具和指令的有效性，排除“模型能力不足”这个干扰项。如果此时依然失败，问题就清晰地指向了工具或指令设计。
    • 第二步： 建立基准后，再尝试用更经济、更快速的模型替换部分或全部任务，并通过量化评估（Evals）来验证性能是否仍在可接受范围内，从而在性能、成本和延迟之间找到最佳平衡点。

2.2 工具 (双手): 与世界交互的桥梁

工具是智能体调用外部函数或 API 以获取信息或执行动作的途径。工具定义本身就是一项关键技能，其描述的清晰度直接决定了智能体调用的成功率。

工具类型 描述 示例
数据检索 (Data Retrieval) （只读） 从外部获取信息，为决策提供上下文。 query_database()、read_pdf()、search_knowledge_base()
动作执行 (Action Execution) （可写） 在外部系统执行操作，改变其状态。 send_email()、update_crm_record()、execute_code()
编排 (Orchestration) 将另一个智能体封装成工具，用于委派复杂任务。 triage_support_ticket(details) (调用一个分诊智能体)

2.3 指令 (行为准则): 定义目标的蓝图

指令是智能体的行动指南，是承载业务逻辑的核心。编写指令应被视为一项严肃的工程活动。

  • 核心最佳实践：
    • 利用现有文档： 将公司已有的标准操作流程（SOPs）、政策手册直接改编为智能体的分步指令。
    • 明确与分解： 将宏大目标分解为具体、可执行的小步骤。明确告知智能体在何时使用何种工具。
    • 使用模板： 利用带有参数化变量（如 {{customer_name}}）的提示模板，动态生成个性化指令。
    • 处理边界情况： 在指令中明确定义异常情况（如用户未提供订单号）的处理逻辑。

核心思想： 采用“指令即代码” (Instructions as Code) 的理念，将指令纳入版本控制、进行代码审查并建立配套的评估测试，以确保其可靠性和可维护性。

第三章：架构设计：从单一到协作

首要原则：从简到繁，增量演进。 切勿一开始就设计复杂的终极系统。从最简单的单一智能体入手，在真实场景中验证，再根据需求逐步增加复杂性。这能有效控制智能体的“认知负荷”，避免其因工具或指令过多而产生混乱。

3.1 单一智能体系统 (Single-agent System)

这是最推荐的起点。一个 LLM 模型，配备一套专属的工具和指令，在一个“运行循环”（Run Loop）中持续工作，直到任务完成。它行为类似一个“有状态的微服务”，在生命周期内维护着对话历史和工具调用记录。

3.2 多智能体系统 (Multi-agent System)

当任务的复杂性超出单个智能体的承载能力时，应转向多智能体系统。这实现了更高层次的“关注点分离”。

  • 主管模式 (Manager Pattern): 层级化协作

    • 结构： 一个“主管”智能体负责任务分解，并将子任务委派给多个专门的“下属”智能体（它们对主管而言就是工具）。主管负责收集结果并整合。
    • 类比： 项目经理协调不同专家（设计师、程序员）的工作。
    • 适用场景： 可被并行处理，或需要综合多种信息才能完成的任务。

  • 去中心化模式 (Decentralized Pattern): 流水线式协作

    • 结构： 系统中没有中心主管，一群对等的专家智能体根据任务进展，将控制权和上下文“传递”给下一个最合适的智能体。
    • 类比： 工厂流水线或部门间的工作交接。
    • 适用场景： 线性的、由不同阶段专家序贯处理的流程。

核心思想： 编排模式的选择是业务流程的设计决策，它应该精确映射真实世界中的协作模式。

第四章：安全与可控性：构建信任的基石

一个不可信的智能体毫无价值。安全必须是贯穿始终的核心设计，而非事后补丁。

4.1 核心策略：分层防御 (Defense in Depth)

不要依赖单一的安全措施。应构建一个由多层、多样化护栏组成的纵深防御体系。即使一层失效，后续层面仍能捕获风险。这就像为智能体打造一个“免疫系统”。

4.2 关键护栏机制

护栏类型 目的 实现方法
相关性分类器 确保交互不偏离主题，防止任务劫持。 使用独立的 LLM 分类器或关键词过滤。
安全分类器 拦截有害、不道德的内容。 调用 OpenAI Moderation API 或自建安全模型。
PII 过滤器 防止个人敏感信息（如电话、邮箱）泄露。 使用正则表达式（Regex）或专门的 NER 模型。
工具风险评估 对高风险工具（如“删除数据库”）的调用进行门控。 为工具附加风险等级，并触发相应审批流程。
输出验证 确保最终响应符合格式、品牌语调和合规要求。 使用 Pydantic 验证结构，或用另一个 LLM 评估语调。
审计 (Auditing) 详细记录智能体的所有行为，用于事后分析。 -

4.3 人工监督与干预 (Human-in-the-Loop, HITL)

HITL 不是降级方案，而是建立信任、处理高风险和模糊场景的核心功能。它让智能体在初期扮演“超级助理”，将决策方案提交给人类审批。随着信任的建立，可以逐步提高其自主权。

  • 何时触发人工介入？
    • 失败阈值： 当智能体连续多次犯错或陷入循环时。
    • 高风险操作： 默认需要人工批准的操作，如大额退款、删除生产数据。
    • 低置信度： 训练智能体识别自己的“不确定”状态，并主动请求帮助。

结论：迈向智能体驱动的未来

构建生产级 AI 智能体是一项系统工程，它需要：

  • 坚实的技术基石： 模型、工具、指令的三位一体。
  • 明智的演进路径： 从单一到多智能体的渐进式架构。
  • 可靠的保障体系： 分层防御的安全护栏与清晰的人工干预机制。

未来，行业的焦点将从孤立的智能体，转向由众多专业智能体协同工作的“智能体生态系统”，共同优化整个业务职能。本指南阐述的原则，正是构建这一宏伟蓝图所必需的坚实基础。