#7. Agent

---

Agent 节点将工具的调用决策权交予 LLM，由其自主判断使用哪些工具及调用时机。它无需预先规划每一步骤，而是在推理过程中动态决策、按需调用工具，以完成复杂任务。

#Agent 策略

Agent 策略决定了 Agent 如何思考和行动。需根据所用模型的能力和任务需求，选一种最合适的策略。

• Function Calling（函数调用）：直接借助 LLM 自带的函数调用能力，通过 tools 参数把工具定义传给模型，由模型用其内置机制决定何时、如何调用工具。适合 GPT-4、Claude 3.5 等函数调用能力较强的模型。
• ReAct（推理 + 行动）：用结构化的提示词引导模型按「思考 > 行动 > 观察」的循环显式推理，决策过程清晰可见。适合不具备原生函数调用能力的模型，或需要看到明确推理轨迹的场景。

安装 Agent 策略

点击「在 Marketplace 中查找更多」。

在弹出的页面中选择「Agent Strategies」，浏览并安装所需的策略。

#配置

选择模型

配置好 Agent 策略后，选择一个支持该策略的 LLM。模型能力越强，越能胜任复杂推理，但每轮迭代的成本也相应越高。若采用 Function Calling 策略，须确认所选模型支持函数调用。

配置工具

设定 Agent 可调用的工具。每个工具需明确三项：

• 授权：访问外部服务所需的 API 密钥和凭据，在工作区中配置。
• 描述：清楚说明该工具做什么、何时该用——这是 Agent 判断要不要调用它的依据。
• 参数：工具接受的必填和选填输入，并设好相应的校验规则。

#工具参数

工具参数可设为自动生成或手动填写。自动生成的参数由 Agent 在运行时自行填入；手动填写的参数则需给定固定值，成为工具配置的固定部分。

#指令与上下文

用自然语言定义 Agent 的角色、目标和背景信息。可用 Jinja2 语法引用上游节点的变量。其中查询指定 Agent 要处理的输入或任务，它可以是来自前序节点的动态内容。

#执行控制

• 最大迭代次数：设定迭代次数的安全上限，防止 Agent 陷入无限循环。具体数值应按任务复杂度而定。
• 记忆：借助 TokenBufferMemory 控制 Agent 记住多少条历史消息。记忆窗口越大，可参考的上下文越多，但消耗的 token 也越多。它让对话得以延续，使得后续提问能引用先前的操作。

注意：记忆功能仅适用于 Chatflow（聊天流）。

#输出变量

Agent 节点提供较为完整的输出，包括：

• 最终回答：Agent 对该任务给出的最终答复。
• 工具输出：执行过程中每次调用工具所返回的结果。
• 推理轨迹：逐步的决策过程（ReAct 策略下尤其详尽），可在 JSON 输出中查看。
• 迭代次数：本次共进行了多少轮推理。
• 成功状态：Agent 是否成功完成了任务。
• Agent 日志：带元数据的结构化日志事件，便于调试和监控工具调用。

#适用场景

• 研究与分析：自主检索多个来源、综合信息，给出较全面的答复。
• 故障排查：需要边收集信息、边验证猜想，并根据发现随时调整方向的诊断类任务。
• 多步数据处理：下一步该做什么取决于中间结果的复杂流程。
• 动态 API 调用：API 的调用顺序取决于响应和条件、无法预先定死的场景。

#实践建议

• 工具描述要清楚：帮助 Agent 准确判断每个工具该在何时、如何使用。
• 迭代上限要合理：既防止成本失控，又给复杂任务留出足够的腾挪空间。
• 指令要详尽：把 Agent 的角色、目标，以及各种约束或偏好交代清楚。
• 记忆要权衡：根据实际需求，在「保留足够上下文」和「节省 token」之间取得平衡。