课程核心框架

1. Workflow Agent（工作流智能体）
2. ReAct Agent（推理型智能体）
3. Agent 平台核心结论：AI 模型提供智能，AI Agent 保证结果。

一、Workflow Agent（工作流智能体）

1.1 提出背景：解决 LLM 的固有缺陷

LLM 在实际任务中存在明显短板，无法满足高精准、高可控的任务需求，具体问题包括：

• LLM 会产生幻觉，输出虚假或错误信息
• LLM 仅能完成语言表达，无实际执行能力
• LLM 自主规划的任务步骤缺乏可靠性，逻辑易混乱思考疑问：LLM 的幻觉问题是否能通过 Workflow Agent 完全规避？还是仅能在指定流程中降低幻觉发生概率？

1.2 核心解决思路：限定自由空间，强化可控性

针对高准确度、高可控性要求的任务，通过人工定义规则 + 工具赋能，让 LLM 在固定框架内发挥智能，由 Agent 把控任务结果和执行过程。

1.3 Workflow Agent 的核心实现手段

1. 采用 RAG 技术构建私有知识库，提升 LLM 针对特定领域的对话和问题解决能力
2. 依据设计者预先定义的 Workflow 完成特定任务，限定执行路径
3. 执行过程中调用各类工具，完成 LLM 无法独立实现的操作
4. 让 LLM 编写代码，实现数据处理、数学计算等量化任务思考疑问：RAG 技术构建的私有知识库如何与 Workflow 进行高效联动？数据更新时如何保证知识库和工作流的一致性？

1.4 适用场景

准确性要求较高的场景，即对结果真实性、执行步骤规范性有明确要求的任务，核心是通过固定流程规避 LLM 的不可控性。

1.5 Workflow Agent 的技术架构与工具体系

1.5.1 上层交互与功能层

用户交互界面、Agent 地图、表单、搜索、代码执行、数据获取、3D 生成、语音合成、视频生成、图像生成、图像识别

1.5.2 中层核心层

Prompt、LLM、工作流、触发器

1.5.3 底层数据与接口层

• 基础库：向量库、数据库
• 第三方 API：高德地图 API、谷歌表单 API、百度搜索 API、代码执行 API、各类数据 API、4o 图像识别 API、DALLE 生图 API、海螺视频 API、讯飞 API、SD 3D API
• 企业级资源：企业向量库、企业数据库、企业系统 API思考疑问：企业内部系统 API 与 Workflow Agent 对接时，如何保障数据安全和接口调用的稳定性？

二、ReAct Agent（推理型智能体）

2.1 提出背景：解决非固定步骤的任务需求

部分任务无法提前预设执行步骤，需根据实际情况动态调整流程，典型场景包括：

• 查找包含指定信息的文件（如：找记录上个月最终业务数据的文件）
• 排查系统故障（如：直播间卡顿但网络测速正常的问题排查）
• 动态信息查询与判断（如：台风天深圳飞北京的航班能否正常起飞）思考疑问：ReAct Agent 在处理多因素影响的动态任务时，如何判断信息的优先级？

2.2 核心原理：ReAct = Reasoning + Acting

通过推理→行动→获取反馈的循环模式完成任务，核心是根据每次行动的反馈结果，动态调整下一次的推理方向和行动策略，直至完成任务。

核心特征：无固定执行流程，全程动态规划，自主决策下一步操作。

2.3 实战案例：查找 9 月份销售额不达标的供应商

2.3.1 任务输入

3 个文件：各类电子产品销售数据.xlsx、各地供应商信息.xlsx、2023 年供应商月销售额任务管理方案.pdf

核心问题：找出 9 月份销售额不达标的供应商

2.3.2 完整执行流程（推理→行动→反馈 循环）

第 1 轮

• 推理：需先明确可用文件名称，才能获取销售额数据和达标标准
• 行动：调用 ListFileNames 工具，获取所有任务支持的文件名称
• 反馈：返回 3 个输入文件的名称，确认文件可用

第 2 轮

• 推理：销售额达标标准大概率在 PDF 方案文件中，需查询该文件
• 行动：调用 AskDocument 工具，查询 PDF 文件中「2023 年供应商 9 月份的销售额达标标准是多少？」
• 反馈：9 月份销售额达标标准为 3 万元（依据第三季度任务分配规定）

第 3 轮

• 推理：需确认供应商信息文件的结构，获取供应商基础信息
• 行动：调用 InspectExcel 工具，探查供应商信息 Excel 的列名和前 3 行数据
• 反馈：文件包含「供应商、联系人、联系人邮箱、内部对接人」列，获取前 3 条供应商信息

第 4 轮

• 推理：需从销售数据 Excel 中筛选 9 月份数据，先明确文件列结构
• 行动：调用 InspectExcel 工具，探查销售数据 Excel 的列名和前 3 行数据
• 反馈：文件包含「品类、产品名、单价 (元)、销售量、销售日期、供应商」列，确认核心数据字段

第 5 轮

• 推理：筛选 9 月份销售数据，按供应商分组计算销售额总和
• 行动：调用 AnalyseExcel 工具，编写代码筛选 9 月数据并分组计算销售额
• 反馈：返回各供应商 9 月份销售额具体数值

第 6 轮

• 推理：以 3 万元为达标标准，对比销售额数据筛选不达标供应商
• 行动：调用 AnalyseExcel 工具，编写代码筛选销售额 < 3 万元的供应商
• 反馈：仅珠海健康科技有限公司（18320 元）销售额不达标

第 7 轮

• 推理：所有必要数据已获取，任务目标达成，无需额外操作
• 行动：执行 FINISH 动作，结束任务
• 反馈：任务结束，输出最终结果

2.3.3 案例核心结论

ReAct Agent 可通过多轮动态推理和工具调用，完成无预设步骤的复杂任务，核心是根据反馈持续优化推理和行动策略。

思考疑问：若案例中出现数据缺失或文件格式错误，ReAct Agent 是否具备自主容错和问题修复能力？

2.4 基于 ReAct 技术的 AI 产品

AutoGPT、Perplexity、Manus、Cursor、GenSpark 等

2.5 关联核心技术：思维链（Chain Of Thought）

2.5.1 定义

模型执行任务时，通过输出一系列中间推理过程文字，模拟人类的推理思考过程，为行动提供逻辑依据。

2.5.2 与 ReAct Agent 的关系

思维链是 ReAct Agent 实现Reasoning（推理） 的核心支撑，为动态推理提供清晰的逻辑路径。

思考疑问：思维链的长度是否会影响 ReAct Agent 的执行效率和准确性？是否存在最优推理步骤数？

2.6 ReAct Agent 的核心能力模块

Short-term memory（短期记忆）、Long-term memory（长期记忆）、Calendar（日历工具）、Calculator（计算器）、Reflection（反思）、CodeInterpreter（代码解释器）、Search（搜索）、Chain of thoughts（思维链）、Tools（工具）、Agent Planning（智能体规划）、Self-critics（自我批判）、Action（行动）、Subgoal decomposition（子目标分解）

三、Agent 平台

3.1 核心定义

用于管理、运行、支持一系列 Agent的综合平台，为各类 Agent 提供运行环境、资源对接、任务调度等能力，是 Agent 落地企业和实际场景的核心载体。

3.2 典型 Agent 平台案例

3.2.1 Harvey

• 定位：面向律师事务所、专业服务提供商、世界 500 强的行业专属 AI 平台
• 核心能力：为法律等专业领域提供定制化 Agent 服务
• 合作客户：A&O SHEARMAN、Gleiss Lutz、CUATRECASAS 等行业头部企业

3.2.2 Glean

• 核心定位：企业级工作型 AI 平台，为员工提供 AI 助手和 Agent，盘活企业内部知识
• 核心能力：代码错误调试、企业知识检索、客户问题解决、工作流程自动化等
• 典型功能：Glean Assistant（智能助手）、销售类 Agent（推动业务成交）

3.3 企业级 Agent 平台的核心技术难点与解决方案

3.3.1 核心难点：打通企业各处的数据和信息

企业内部数据分散在不同系统、格式中，数据孤岛问题严重，难以实现 Agent 的统一调用。

3.3.2 核心解决方案

1. 开发多类型连接器（Connector）：开发 100 + 连接器，实现与企业各类系统的对接，支持实时获取、T+1等多种数据同步方式
   • 对接系统类型：通讯工具、文档 / 维基、CRM、云存储、任务 / 工单系统、代码 / 开发工具等
2. 构建企业知识图谱（Enterprise Knowledge Graph）：整合企业所有数据和信息，构建企业内部的知识关联体系，为 Agent 提供统一的知识底座

3.4 企业知识图谱基础上的 Agent 落地场景

基于企业知识图谱，可开发各类定制化 Agent，满足企业不同岗位和场景的需求，典型场景包括：

1. 企业内部专属搜索框，实现精准的知识和数据检索
2. 企业级问答助手，解答员工业务、产品、制度等各类问题
3. 客户问题解决助手，快速定位客户问题并提供解决方案 / 回复模板
4. 工作群问答助手，实现企业社群内的智能答疑
5. 定制化 Workflow 平台，让企业员工可自主定制工作流智能体
6. 生产问题分析与调试助手，排查企业生产 / 系统故障
7. 各类工作内容处理助手：总结客户状态、梳理拉取请求、准备高管复盘材料、优化博客 SEO 等

思考疑问：中小企业搭建企业知识图谱的成本较高，是否有轻量化的 Agent 平台解决方案适配中小企业？

思考疑问：企业知识图谱需要持续更新，如何建立自动化的知识更新和维护机制，保证 Agent 获取信息的时效性？

四、课程核心总结

1. AI Agent 的核心价值：弥补 LLM 的固有缺陷，将 LLM 的「智能」转化为实际可落地的结果，实现「模型提智能，Agent 保结果」
2. Workflow Agent 与 ReAct Agent 的核心区别：
   • Workflow Agent：固定流程，适用于高精准、高可控的标准化任务
   • ReAct Agent：动态流程，适用于无预设步骤、需动态决策的非标准化任务
3. Agent 落地的关键：企业级 Agent 需解决数据打通和知识整合问题，连接器和企业知识图谱是核心支撑
4. Agent 的发展趋势：从单一功能智能体，向平台化、定制化、行业化发展，成为企业数字化转型的核心工具。