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、工作流和多智能体。
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。
|
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
|
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
- 选择单智能体
- 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
|
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。 |