更新时间:2026-03-09 GMT+08:00
分享

AgentArts选型指南

为满足从简单对话到复杂业务自动化的多样化需求,AgentArts提供了三种核心应用构建模式:单智能体工作流多智能体

在开始搭建AI应用之前,你需要回答一个核心问题:"我的任务,应该交给一个人做,一条流水线做,还是一个团队做?"

平台提供了三种核心开发模式,它们的关系如表1所示。

表1 三种应用开发模式关系

类型

类比

运行方式

复杂度

单智能体

一个全能员工

一个人完成所有对话

工作流

一条生产流水线

按固定步骤自动化执行

★★★

多智能体

一个协作团队

多个专家各司其职协作完成复杂任务

★★★★★

应用模式介绍

  • 单智能体
    单智能体是最基础的AI应用形态,一个单智能体能独立完成所有工作。单智能体由提示词驱动,借助大模型实现自主理解意图并动态规划任务步骤,调用知识库、插件、MCP服务等工具完成任务。
    图1 运行机制
    • 适用场景:开放式对话应用,如智能客服、知识问答、任务助理、旅行规划等需灵活决策的场景。
    • 典型特征:AI自主决策,通过大模型根据提示词动态拆解任务,适应多变用户需求。
  • 工作流

    工作流是一种确定性的自动化流水线,将任务拆解为多个预定义的步骤节点。通过可视化节点编排,将多步骤任务串联为稳定、可复现的执行链路。

    图2 运行机制
    • 适用场景:固定流程自动化,如自动化报告生成、订单处理、多步骤审批流、数据标注等需精确控制的场景。
    • 典型特征:预定义流程精确控制每一步,逻辑确定,确保任务执行的稳定性和可预测性。
  • 多智能体
    多智能体是由多个独立的Agent协作,通过角色分工与任务分配,解决复杂问题。
    图3 运行机制
    • 适用场景:复杂任务协作,如跨部门业务流程自动化、多角色决策支持系统、综合性项目管理等。
    • 典型特征:多智能体协同,通过角色分工与任务分配,提升复杂任务的处理效率与准确性。

应用模式对比

表2 三种应用对比

类型维度

单智能体

工作流

多智能体

开发方式

图形化操作,页面点选及文本输入配置,零代码。

画布组件拖拽+低代码开发。

图形化操作,无需编排,配置多智能体中央控制指令,并引用子智能体,定义分工即可。

面向用户特征

面向业务人员,不会写代码,使用办公工具比较单一的人。

面向技术人员,能够低代码开发工作流,调试各类专业化组件、API。

面向资深业务人员,不写代码,对多业务场景整合。

适用场景

自主规划任务场景,场景泛化性好。

有固定的任务执行流程,高准确率要求。

需要多个智能体协同的复杂用户意图识别分工处理场景。

开发特点

快速简单、低门槛、规划准确率不稳定。

配置操作有门槛,执行成功率高,配置时间长。

相对简单、依赖已开发好的专家智能体。

能力约束

完全依赖模型自身能力,对插件数量,接口参数数量,执行步骤数量等限制较多。出现模型幻觉和不遵守相关规定的案例无法短期内解决。

编排后的流程执行过程中比较死板,智能化程度不高。对于异常场景需要配置相应的流程进行覆盖,会大幅提升流程配置的复杂度。

高度依赖中央控制模型的智能化水平,涉及的子智能体关联较多,另外当前无可视化调试能力,效果优化工作的调试难度较大。

选型决策指南

  • 快速决策树
    你的任务需求是什么? 
    │ 
    ├── 任务相对简单,单一职责?    
    │     └── 选【单智能体】 
    │
    ├── 任务有明确的固定步骤/流程?
    │     ├── 流程中需要条件判断、分支走向? 
    │     ├── 需要对输出格式、中间环节有严格控制? 
    │     ├── 对结果的确定性、一致性要求高? 
    │     └── 选【工作流】 
    ├── 任务涉及多个专业领域? 
    │     ├── 不同问题需要不同的知识库/工具? 
    │     ├── 单个提示词已经很长很复杂、效果下降? 
    │     └── 选【多智能体】 
    │ 
    │── 还是不确定?     
    │     └── 先从【单智能体】开始,遇到瓶颈再升级
  • 详细选型标准
    • 选择单智能体
      表3 单智能体场景特征及示例

      场景特征

      示例

      任务目标单一、职责明确

      翻译助手、文案润色、代码解释

      对话式交互,自由问答为主

      闲聊机器人、通用问答助手

      需要灵活应对各种不确定的用户输入

      创意写作助手、头脑风暴助手

      需要调用的工具/知识库较少(≤5个)

      查天气+查日历的个人助手

      快速验证想法、最小可行产品阶段

      任何场景的初期原型

      对输出格式没有严格要求

      非结构化的自然语言回答

    • 选择工作流
      表4 工作流场景特征及示例

      场景特征

      示例

      任务有明确的先后步骤

      先提取信息→再分类→再生成回复

      中间过程需要严格控制

      必须先审核敏感词,通过后才能输出

      需要条件分支走不同逻辑

      用户是VIP走人工,普通用户走自动回复

      对输出的格式、结构有严格要求

      必须输出固定JSON格式的结构化数据

      需要串联多个系统/接口

      查库存→计算价格→生成订单→发送通知

      需要在非LLM环节插入代码逻辑

      数据清洗、格式转换、数学计算

      需要最大程度节省Token

      只在必要节点调用大模型,其余用规则处理

    • 选择多智能体
      表5 多智能体场景特征及示例

      场景特征

      示例

      涉及多个差异明显的专业领域

      一个入口同时处理人事、财务、IT问题

      不同领域需要不同的知识库/工具

      人事用人事知识库,财务用财务系统

      单个Agent的提示词过长导致效果下降

      把3000字提示词拆成3个Agent各1000字

      需要"专家会诊"模式

      多角色协作:调研员+写手+审稿人

      业务线多但希望统一入口

      企业全能助手(覆盖HR/IT/行政/法务等)

      子任务之间相对独立

      各领域Agent可以独立开发和维护

  • 按场景推荐速查
    表6 场景推荐速查示例

    业务场景

    推荐模式

    推荐理由

    企业知识问答

    单智能体

    单一知识域,对话式交互,无需复杂流程

    角色扮演/AI陪练

    单智能体

    依赖人设提示词和多轮对话能力

    每日新闻早报生成

    工作流

    固定步骤(搜索→筛选→总结→排版→推送)

    批量处理数据/文件

    工作流

    需要循环节点遍历列表逐条处理

    表单收集与审批

    工作流

    固定的流转步骤+人工审批节点

    PPT/报告自动生成

    工作流

    多步骤生成,对格式有严格要求

    电商综合客服

    多智能体

    需要售前/售后/投诉多角色分工

    企业综合助手

    多智能体

    涉及HR、IT、财务等多领域,需路由分发

    软件开发协作模拟

    多智能体

    PM→开发→测试多角色顺序执行

    投资决策辅助

    多智能体

    多视角分析(乐观/悲观/中性Agent辩论)

选型常见误区

表7 选型常见误区

误区

正确认知

多智能体一定比单智能体强

错。多智能体引入了协调成本和延迟,简单任务用单Agent反而效果更好、响应更快。

工作流不够智能

错。工作流中的每个大模型节点都可以做复杂推理,工作流的“确定性”恰恰是生产环境中的优势。

一个Agent加足够多的工具就能解决一切

危险。当工具超过10-15个时,模型选错工具的概率会急剧上升,此时应拆分为多智能体。

先搭多智能体,后续再简化

错。应该从单智能体开始,遇到瓶颈再升级。

相关文档