九、Agent进阶与集成

一、课程总览

学习目标

1. 掌握 Agent 核心进阶能力：批处理、数据表、多 Agents、复杂工作流
2. 完成 5 大实战案例：古诗词绘画、智能投顾、客户分层营销、智能客服、市场舆情监测
3. 掌握 Agent 集成能力：Coze API、Dify API对接与调用

核心能力图谱

• 批处理：批量执行同类型任务
• 数据表：数据存储与查询
• 知识库：专业知识检索与匹配
• 多 Agents：任务分诊与分工协作
• 复杂工作流：子流程嵌套、数据串联
• API 集成：外部系统对接

---

二、核心基础能力

2.1 批处理（Batch）

定义：对同类型、多数量的重复任务批量执行，提升效率。

适用场景：多场景绘图、多评论分析、多新闻处理。

关键操作

1. 节点开启批处理模式
2. 输入引用item1，遍历数组数据
3. 输出合并为outputList

思考疑问：批处理是否支持并行执行？如何控制并发量避免超时？

2.2 数据表使用

作用：持久化存储用户数据、行为记录、评估结果、投诉信息。

常用表

• client_risk_assessment：客户风险评估
• user_tag：用户标签（资产、交易频率、风险偏好）
• user_behavior_event：用户行为事件
• user_complain：用户投诉记录

核心操作

1. 新建表→定义字段类型（String/Integer/Time）
2. 工作流中使用新增数据节点写入
3. 支持查询、筛选、条件判断

思考疑问：数据表是否支持联表查询？如何做数据权限隔离？

2.3 知识库配置

用途：存储专业文档，供大模型检索回答。

支持格式：TXT、PDF、PPT、Excel

分段策略

• 自动分段与清洗
• 自定义分段（如###产品）
• 预处理：清洗格式、去重、优化长度

思考疑问：知识库召回准确率如何提升？如何做版本管理？

2.4 多 Agents 模式

核心：分诊台 + 专业 Agent分工协作。

流程

1. 分诊台：判断用户意图，路由到对应 Agent
2. 专业 Agent：处理细分任务
3. 统一输出结果

思考疑问：多 Agents 之间如何共享上下文？如何避免冲突？

---

三、实战案例详解（按课件顺序）

3.1 案例一：古诗词绘画（批处理）

需求：输入古诗词→拆解 4 个场景→批量生成绘画。

完整步骤

1. 创建智能体
2. 创建工作流draw_picture
   • 大模型节点：拆解为 4 个场景，固定输出格式
   • 代码节点：正则切分场景，输出scenes数组
   • 大模型节点（批处理）：生成文生图提示词
   • 插件text2image（批处理）：批量绘图
   • 结束节点：返回图片列表
3. 发布并配置人设

关键代码（场景切分）

import re
async def main(args: Args) -> Output:
    scenes_text = params['input'] 
    scene_pattern = r'场景\d+:([^场景]+)'
    scenes = [] 
    for match in re.finditer(scene_pattern, scenes_text, re.DOTALL):
        scene_text = match.group(1).strip()
        scenes.append(scene_text)
    return {"scenes": scenes, "scene_count": len(scenes)}

思考疑问：场景数量不固定时，如何动态适配批处理？代码如何兼容异常格式？

---

3.2 案例二：智能投顾助手（风险评测 + 推荐）

需求：用户填问卷→保存评估数据→匹配产品→流式输出结果。

完整步骤

1. 设计风险评测问卷：年龄、投资经验、风险承受比例
2. 创建数据表：client_risk_assessment
3. 工作流product_rec
   • 开始节点：接收表单参数
   • 新增数据节点：写入数据库
   • 大模型 + 知识库：按规则匹配 3 款产品
   • 结束节点：开启流式输出
4. 页面编排
   • 表单页：收集信息
   • 提交按钮：触发工作流
   • 结果页：展示流式推荐内容

匹配规则

1. 风险等级对应：A→R1，B→R2，C→R3
2. 新手不推荐复杂衍生品
3. 返回格式：产品名 (代码)+ 匹配理由

思考疑问：如何动态更新知识库产品？如何对接真实金融产品接口？

---

3.3 案例三：客户分层营销助手

需求：按用户标签 + 行为→分层→匹配营销策略。

数据准备

1. user_tag：资产、交易频率、风险偏好
2. user_behavior_event：登录、浏览、交易、点击
3. 营销策略.xlsx：策略、时机、渠道、话术

工作流程

1. 数据库查询用户信息
2. 生成分层标签：高 / 中 / 低价值 + 活跃 + 风险类型
3. 知识库匹配最佳营销策略
4. 输出：分层标签 + 营销时机 + 渠道 + 话术

思考疑问：如何实现实时行为触发营销？是否支持定时任务？

---

3.4 案例四：智能客服 Agent（多 Agents）

需求：产品咨询→营销专员；投诉 / 故障→投诉专员。

架构设计

1. 分诊台 Agent：判断问题类型，路由分流
2. 营销专员 Agent：证券知识库，解答产品 / 规则
3. 投诉专员 Agent：查询行为数据、记录投诉、共情回复

投诉处理流程

1. 共情安抚
2. 查询user_behavior_event核实问题
3. 记录到user_complain表
4. 反馈处理方案

思考疑问：如何接入人工客服？投诉处理闭环如何实现？

---

3.5 案例五：市场舆情监测 Agent（复杂工作流）

需求：输入日期→爬取财经新闻 + APP 评论→分析→词云→生成 PDF 日报。

三大子工作流

1. Securities：新闻爬取、筛选、摘要、热词、热点词云
2. AppStoreEstimate：评论爬取、情感分类、好评 / 差评词云
3. GenerateDailyReports：数据整合、日报生成、PDF 导出

核心步骤

1. 插件爬取新浪财经、AppStore 评论
2. 批处理 + 代码节点：日期筛选、数据清洗
3. 大模型：摘要、热词提取、舆情分析
4. 词云插件生成图片
5. 大模型撰写日报，PDF 插件输出

思考疑问：爬虫如何应对反爬？数据量大时如何优化执行速度？

---

四、Agent 集成开发

4.1 Coze API 集成（扣子）

基础信息

• 国内地址：https://api.coze.cn
• 依赖：pip install cozepy>=0.16.2
• 认证：Bearer PAT_TOKEN

核心能力

1. 普通聊天：chat()→阻塞等待完整结果
2. 流式聊天：chat_stream()→SSE 逐字返回
3. 多轮对话：chat_with_history()→携带上下文
4. 插件调用：接收FUNCTION_CALL事件

关键事件

• CONVERSATION_MESSAGE_DELTA：流式片段
• CONVERSATION_MESSAGE_COMPLETED：消息完成
• FUNCTION_CALL：插件调用信息

思考疑问：Coze API 如何计费？是否有调用频率限制？

4.2 Dify API 集成

支持模式

1. 工作流 Workflow：一次性任务，/workflows/run
2. 对话流 Chat：多轮交互，/chat-messages

模式对比

特性	工作流	对话流
多轮对话	不支持	支持（conversation_id）
输入	inputs 字典	query 字符串
场景	绘图、数据处理	客服、问答

流式事件

• workflow_started/node_started/text_chunk/workflow_finished

思考疑问：Coze 与 Dify 如何选择？能否混合使用？

---

五、重点总结与打卡要点

5.1 必掌握技能

1. 批处理：批量生成、批量分析
2. 数据表：增、查、条件筛选
3. 知识库：上传、分段、检索
4. 多 Agents：分诊、分工、协作
5. 复杂工作流：子流程嵌套、变量传递、异常处理
6. API 集成：Coze、Dify 对接

5.2 通用实战模板

1. 明确需求→拆解步骤
2. 建表 / 建库→准备数据
3. 搭建工作流→节点串联
4. 配置页面 / API→发布测试
5. 优化提示词 / 参数→提升效果

---

六、高频疑问汇总（可直接提问）

1. 批处理执行失败常见原因？如何调试？
2. 大模型输出格式不稳定，如何强制约束？
3. 工作流超时如何优化？支持异步吗？
4. 多 Agents 上下文如何共享？
5. 知识库召回不准，如何优化分段与提示词？
6. API 集成如何处理异常与重试？
7. 生产环境如何做日志与监控？