Agent

Agent节点是AgentArts工作流中的“大模型节点+插件节点”。它在单次执行中完成一个核心流程：接收输入→模型推理→ （按需）调用插件→生成最终回答。

核心能力

大模型推理：基于提示词指令理解用户意图，生成自然语言回答。
插件调用：模型在推理过程中判断是否需要调用已绑定的插件，自动提取参数发起调用，并基于插件返回结果生成最终回答。

配置Agent节点

模型配置：

选择已部署的模型。不同模型在推理能力、上下文窗口和工具调用支持上存在差异，请根据任务需求选择。

你还可以单击图标，调整模型配置。模型配置的详细说明可参考选择并配置模型。

温度：工具调用场景建议0.1~0.3（需要稳定的参数提取）。Agent需要精准地生成JSON格式的工具调用指令，高温度会导致格式错误或幻觉。
核采样：配合低温度，保持在0.1 - 0.5之间。
最大回复长度：涉及工具调用时建议 ≥ 4096，因为工具调用会消耗额外Token。

输入参数：

输入参数定义了从前置节点传入的变量，在提示词中通过{{参数名}}引用。

当单击图标时，可新增输入参数，当单击图标时，可删除输入参数。

参数名称：只允许输入字母、数字、下划线，且不能以数字开头。
类型、值：支持“引用”和“输入”两种类型。
- 引用：支持引用三类参数源，工作流前置节点的输出参数、全局配置中的记忆变量（需预先设置），以及系统参数。
  系统参数列举如下：
  - “conversation_history”：存储当前对话的历史消息记录。
  - “current_time”：获取当前的系统时间戳或时间字符串。
  - “user_id”：识别当前用户的唯一标识符。
  - “conversation_id”：当前工作流的唯一对话标识。
  - “dialogue_count”：当前对话的轮次数计数。
- 输入：将用户自定义的内容传递给大模型，设置为输入模式后，无论前置节点产生什么输出内容，都不会传递给大模型。

插件：

可绑定手动创建的插件或预置插件，当模型识别到需要调用工具来完成任务时，会根据用户的输入提取参数完成插件调用，并总结插件执行结果。

当单击图标时，可新增插件。

提示词配置：

工具使用约束是Agent 节点的系统提示词，用于指导模型何时调用插件中的哪个工具、如何处理工具返回的结果。配置约束词时，支持使用{{variable}}格式引用当前节点输入参数中已定义好的参数；也可以单击快速插入输入参数，或在输入框中键入' {' 快速引用参数，最终替换后的内容会传递给模型。

用户可单击图标直接引用提示词模板；也可以自行撰写提示词，撰写后可单击图标对系统提示词进行智能优化；也可单击图标保存到模板，在“组件库 > 提示词”中可查看该模板。

终止条件：

终止条件控制Agent节点在插件调用场景中何时停止。

最大迭代轮次：该参数用于设置用户与模型的最大交互次数，超过最大交互次数则跳出Agent节点。例如最大迭代轮次设置为3，且关闭“插件执行成功”功能，则用户可以和大模型对话3轮，每一轮都能成功调用插件，对话3轮后跳出Agent节点。
插件执行成功：该参数开启后，选择的插件一旦执行成功，则跳出Agent节点。适用于任务目标明确，只需完成特定插件调用的场景（如：成功下单）。例如将最大迭代轮次设为3，并开启“插件执行成功”功能（已选择插件），则Agent节点将在插件首次执行成功的任意轮次立即终止迭代流程，无需等待达到最大轮次，直接退出节点。
识别到用户有退出意图：该参数开启后识别到用户输入有退出意向时（如“算了”、“再见”），则跳出Agent节点。建议开启。

输出参数：

Agent节点的输出是最后一轮模型的文本回复。

示例

以智能天气助手为例，用户询问城市天气信息，需要用Agent节点实现天气查询，并通过大模型节点根据查询的天气给出穿搭建议。

图1 工作流

工作流核心节点如表1所示。

表1 节点配置说明
节点类型	说明	示例
开始节点	使用系统默认配置query参数，表示用户输入的内容。
Agent节点	此节点用于根据用户的输入，查询对应城市的天气。模型配置：选择Kimi-K2模型。输入参数：user_query，引用开始节点的query。插件：单击“”，在“插件广场”页签，搜索“心知天气(限时体验)”，单击“心知天气(限时体验)”后的，将“实时天气查询 ( weather_now )”进行添加，添加完成后单击“确定”。提示词配置： # 角色你是天气查询助手。 # 可用工具 weather_now：查询城市实时天气 # 工作规则 - 提到城市 → 调用weather_now - 未提到城市 → 直接问用户 - 获取数据后用自然语言总结并给出建议 -不要重复调用同一工具获取相同信息用户问题：{{user_query}} 终止条件最大迭代轮：3 插件执行成功：开启，并添加“实时天气查询 ( weather_now )” 识别到用户有退出意图：开启
大模型节点	此节点将根据天气给出穿搭建议。模型配置：选择Kimi-K2模型。输入参数： weather_info：引用Agent节点的output。 query：引用开始节点的query。提示词配置：系统提示词：定义一段系统提示词，如下所示： ## 人设你是一位专业的时尚顾问和天气分析师，精通不同气候条件下的服装搭配。你的特长包括：分析天气数据、理解服装材质与功能、根据场合和温度提供个性化穿搭建议。 ## 任务描述你的核心目标是：根据用户提供的具体天气信息，生成一份实用、舒适且得体的穿搭建议。这将帮助用户根据天气变化选择合适的服装，提升日常生活的舒适度与形象管理效率。 ## 约束条件 1. 你的建议必须严格基于用户提供的 `{{weather_info}}` 进行分析和生成。 2. 建议需包含上身、下身、鞋履和配饰（如需要）的推荐，并简要说明推荐理由。 3. 整体建议需积极、实用，避免使用过于主观或绝对化的表述。 4. 最终输出应简洁明了，总字数控制在150-250字之间。 5. 按照<输出格式>进行结构化输出。 6. 按照<执行步骤>一步一步执行。 ## 执行步骤 1. 解析天气信息：仔细阅读并理解用户提供的 `{{weather_info}}`，提取关键气象要素，如温度、湿度、降水概率、风力、紫外线强度等。 2. 评估体感与环境：结合提取的要素，综合评估人体在户外的体感舒适度及可能面临的环境挑战（如防晒、防风、防雨）。 3. 匹配服装方案：根据评估结果，从服装类型、材质、功能（如保暖、透气、防水）和层次搭配等角度，构思一套完整的穿搭方案。 4. 生成建议文本：将穿搭方案组织成连贯、友好的文字，并确保包含所有<输出格式>要求的组成部分。 5. 检查与优化：核对建议是否满足所有<约束条件>，并进行必要的润色，确保内容准确、流畅、易读。 ## 输出格式请以以下结构和风格输出你的穿搭建议：今日穿搭指南 * 搭配建议： * 上身：[建议的上衣类型/材质] * 下身：[建议的裤装/裙装类型] * 鞋履：[建议的鞋子类型] * 配饰/备注：[建议的配饰（如帽子、雨伞）或重要提醒（如防晒、带伞）] * 风格提示：[用一两句话概括整体风格或穿搭理念，例如“舒适休闲风”、“干练通勤感”等] 用户提示词：引用当前的输入参数query，即引用用户的原始输入。 {{query}}
结束节点	此节点用于输出穿搭建议。输入参数： result：引用大模型节点的raw_output。

工作流运行的效果如图2所示。

图2 效果示例

常见问题

为什么结束节点引用了Agent节点的输出，输出内容为什么会有两个？
图3 工作流输出内容出现两次
原因：Agent节点运行时，用户与模型每对话一次，会自动输出一轮结果，而结束节点引用了Agent的输出，结束节点也会输出结果，因此对话框会出现两次内容。
解决办法：修改结束节点配置，不引用Agent节点输出，工作流的输出直接使用Agent节点的输出结果。结束节点配置如图4所示。
图4 修改结束节点配置
模型不调用插件，直接用自身知识回答，是什么原因？
提示词未明确要求使用工具或插件描述不够清晰。请在提示词中明确“当XX时必须调用XX工具”或优化插件的名称和功能描述。