跳转至

智能体创建与调度算子 (Agent)

算子定义与核心定位

Agent 算子用于实例化并深度配置一个具备自主行动与推理能力的 AI 智能体。你可以为它按需装配外部工具 (Tools)、规则集约束 (Rulesets) 以及结构化响应模式 (Output Schema)。该节点既可以在接收到自身 prompt 输入时立即独立执行并输出文本结果，也可以将配置就绪的智能体实体对象原样透传给拓扑下游的其他算子复用。

适用业务场景

当你在工作流中需要达成以下目标时，应选用此节点：

  • 从零构建一个可精细调优的通用或专业 AI 智能体；
  • 为智能体装配垂直领域的专有工具链与行为规则边界；
  • 初始化一个全局就绪的智能体模板，并在整个工作流各分支间复用其上下文记忆；
  • 给定动态或静态 Prompt，立即获取智能体的推理与问答成果；
  • 约束智能体以严格的 JSON Schema 结构化字段格式输出数据。

使用指引与步骤

基础搭建流程

  1. 从左侧算子库将 Agent 节点拖入工作区画布；
  2. 为智能体配置所需的能力组件（接入工具 Tools、绑定规则集 Rulesets 或注入上下文）。

核心入参说明 (Parameters)

  • agent：已有智能体配置对象（可选输入连线）。若传入此参数，当前节点将直接沿用并继承该已有智能体的配置与上下文记忆来进行推理。
  • provider：底座 AI 服务供应商（例如 Griptape Cloud、Ollama、LM Studio 或企业私有化模型网关端点）。具体接入步骤请参阅 AI 服务商配置指南。
  • prompt model：选定服务商下所使用的具体大语言模型代号（如 GPT-4.1、Claude 3.7 Sonnet 等）。
  • prompt：核心提问或下达给智能体的具体工作指令文本。
  • additional_context：附加动态上下文，支持纯文本字符串或键值对字典（可用于动态变量插槽模板填充）。
  • tools：赋予智能体的扩展工具或外部能力插件（单项或列表连线）。
  • rulesets：规范智能体思考范式、行为边界与语气风格的规则集契约。
  • output_schema：可选的 JSON Schema 模式规范，用于强制约束智能体按严格的字段结构输出响应。

产出端口说明 (Outputs)

  • output：智能体执行完毕后返回的文本或结构化字符串产物（仅当提供了有效 prompt 时生成）。
  • agent：经本节点装配就绪的智能体实例对象（包含历史对话记忆上下文），可继续连向下游。

快速实操范例

假设你想创建一个能够根据外部传入上下文写三行绯句的智能体：

  1. 添加一个 KeyValuePair 键值对算子；
  2. 将该节点的 "key" 设为 "topic"，"value" 设为 "swimming"；
  3. 添加一个 Agent 节点；
  4. 将 Agent 的 "prompt" 设置为："Write me a haiku about {{topic}}"（请为关于 {{topic}} 的主题写一首绯句）；
  5. 将 KeyValuePair 的输出字典连接到 Agent 的 "additional_context" 或 "prompt_context" 输入端口；
  6. 运行该工作流；
  7. Agent 的 "output" 端口即可获取关于“游泳”主题的优美绯句诗文！

进阶：使用结构化输出模式 (Output Schemas)

什么是 Output Schema？

可以把 Output Schema 理解为给 AI 提供的一张必须按规范填写的结构化电子表格。传统的生成式大模型通常会返回一段自由散漫的长自然语言段落，而借助 Output Schema，你可以精确规定 AI 必须输出哪些字段、字段类型是什么以及字段之间的层级嵌套关系。

例如，与其让 AI 自由回答“请介绍一下这款商品”，导致获取一段不可控的散文，不如明确要求其提供：

  • 商品名称 (restaurant_name，字符串)；
  • 评分星级 (rating，整数)；
  • 价格档位 (price_range，字符串)；
  • 招牌推荐菜品 (recommended_dishes，字符串数组)。

AI 将在底层严格遵循该契约，返回完全贴合该字段定义的标准结构化数据。

为什么在工业级流程中使用 Output Schema？

在严谨的工业自动化流程中，强烈推荐开启 Output Schema：

  • 格式极度稳定可靠：每一次推理都遵循恒定不变的 JSON 数据格式，杜绝偶发性格式崩溃；
  • 强类型数据保证：确保数值字段必定是数值类型，列表字段必定是可迭代数组；
  • 下游编排无缝衔接：结构化 JSON 数据可以极其便捷地通过 JSON 提取算子派发给数据库存储、API 转发或后续业务逻辑消费；
  • 合规静态校验：底座引擎会严格校验 AI 的返回体是否满足必填项约束，若不合规将自动触发纠偏重试。

Output Schema 的标准配置范例

假设你需要从大众点评/餐厅评测文本中自动提取结构化数据：

  1. 在工作流中添加一个 JSON Input 节点；
  2. 填写贴合你的业务需求的 JSON Schema 规范内容：
{
  "type": "object",
  "properties": {
    "restaurant_name": { "type": "string" },
    "rating": { "type": "integer" },
    "price_range": { "type": "string" },
    "cuisine_type": { "type": "string" },
    "recommended_dishes": {
      "type": "array",
      "items": { "type": "string" }
    }
  },
  "required": ["restaurant_name", "rating", "price_range", "cuisine_type", "recommended_dishes"]
}
  1. 将该 JSON Schema 连入 Agent 节点的 output_schema 端口；
  2. 将 Agent 的 prompt 设置为："Extract restaurant information from this review: [用户评价文本]"；
  3. 此时智能体的 output 端口产物将不再是散文文本，而是严格符合上述 Schema 定义的纯净 JSON 字符串！

关键工程注意事项

  • 纯配置模式：如果在该节点中未提供 prompt，节点仅负责初始化智能体实例而不触发实际的大模型推理计算，其 output 端口将输出固定字符串 "Agent Created"，供后续节点接入 agent 端口驱动；
  • 流式与非流式兼容：该节点全面支持底层模型驱动的流式 (Streaming) 与非流式传输；
  • 单项与列表灵活自适应：tools 和 rulesets 端口既支持连入单一工具/规则集实体，也支持直接接纳 ToolList / RuleSetList 容器；
  • 上下文跨节点记忆传承：当通过 agent 连线将智能体实例从上游节点传递给下游节点时，先前的对话历史上下文记忆将被完整保留：
    • 智能体会“记住”同一工作流链路中前序所有节点的提问与回答；
    • 上游的历史上下文会深度影响下游对新 Prompt 的理解；
    • 借此可以轻松构建横跨多个算子节点的多轮交互式复杂推演链路。

工作流中的行为约束规范

为了精准雕琢 Agent 在工作流中的行为举止与推理偏好，请使用 Ruleset 规则集算子（或者通过一个普通的 TextInput 文本输入节点连接至 Behaviors (Rulesets) 端口）。这能帮助你明确定义智能体能做什么、严禁做什么、设定其角色人设 (Persona) 以及限制语气风格。

工作流中不支持聊天侧边栏的 Skills

位于 .agents/skills 目录下的 Skills 机制专用于图形编辑器聊天侧边栏，不适用于工作流画布中的 Agent 节点。在工作流中，请始终使用 Ruleset 节点 或连入文本来精准控制智能体的行为规范。

常见排障与注意点

  • 未配置有效 Provider：若未显式指定供应商，节点默认使用 Griptape Cloud，这要求本地环境中配置了有效的 GT_CLOUD_API_KEY。若希望使用本地私有模型，请参阅 AI 服务商配置 接入 Ollama 或 LM Studio。