随着大模型技术突破和成本的降低，基于大模型的智能应用迎来大爆发，2025年被称为智能体元年，从Manus的爆火，到百度心响的发布，各行业都在积极探索他们的智能应用，那么在这个浪潮下，我们如构建有效的的智能体呢？本篇文章，我们结合国内外的经典资料讨论「如何构建有效的智能体」话题：我们从“什么是智能体Agent”开始，讨论“什么时候需要智能体Agent”，再到“如何选择智能应用开发技术栈”其中从图形化开发平台，聊到自研选择开发框架，再到企业级架构的畅想。最后分析“如何基于LLM实现智能应用”，我们重点讨论“Workflow工作流方案”和“Agent智能体方案”的核心原理和取舍，最后源码级探索manus的核心原理。目前技术发展迅猛，迭代频繁，欢迎大家批评指正，关注交流，后续将会分享更多干货内容。本篇综合了Anthropic的「Building Effective Agents」及大量互联网知识资料，加上自己的实践和研究理解给大家分享。其它参考资料见于文末「附录」，感谢开源、开放的伟大，让知识唾手可得。 https://www.anthropic.com/engineering/building-effective-agents
在人工智能领域，智能体是一个能够在所处环境中自主感知信息、做出决策，并根据决策采取行动以实现特定目标或任务的实体。其关键特性有自主性（能在无外部干预时控制自身行为）、感知能力（通过传感器或数据输入感知环境状态）和决策能力（处理感知信息并做出响应行动） 。 LLM 智能体，很多平台也叫Agent，是利用大语言模型（LLM）、工具和记忆来执行任务、做出决策，并能自主与用户或其他系统交互的人工智能系统。它以 LLM 为核心，突破了传统 LLM 仅专注于文本生成的局限，能够理解任务指令，通过推理规划步骤，借助外部工具和记忆信息，灵活应对各种复杂问题。在智能客服场景中，它不仅能理解客户咨询，还能调用知识库、订单系统等工具获取信息，为客户提供准确解决方案 。 基于LLM的智能体应用，国外一般叫Agent，国内将Agent翻译为“智能体”，Agent这个英文单词实际上是“代理”的意思，指的是让大模型“代理”人的行为，使用某些“工具”来完成某些“任务”的能力。 OpenAI的研究主管Lilian Weng给出的定义是：
智能体（Agent） = 大语言模型（LLM）+ 任务规划（Planning）+ 记忆（Memory）+ 工具使用（Tool Use） 
（图片来自Lilian Weng博客原文，见于「附录」1） 在基于大语言模型的自主智能体系统中，大语言模型就像是智能体的大脑，并由几个关键组件作为补充： - 任务分解：
智能体将大型任务分解为更小、可管理的子目标，从而能够高效处理复杂任务。 - 反思与优化：智能体可以对过去的行动进行自我批评和自我反思，从错误中学习并在后续步骤中改进，进而提高最终结果的质量。
大模型本质上是无状态的，每一次交互都只基于当次的提交内容进行回答，那么多次连贯操作的上下文记忆，就需要应用来给他附加记忆的能力。- 短期记忆：
所有的上下文学习（参考「附录」3.提示词工程」）都可以看作是利用模型的短期记忆进行学习。
- 长期记忆：
这使得智能体具备长时间保留和回忆（无限）信息的能力，通常是通过利用外部向量存储和快速检索来实现，现在也可以扩展到任何存储数据库来进行记忆。
智能体学会调用外部 API 以获取模型权重中缺失的额外信息（通常在预训练后难以更改），包括当前信息、代码执行能力、访问专有信息源等。那么现在的智能体，所有能力都可以抽象为工具，包括浏览器使用、搜索、文件操作、PPT、PS等工具SDK，也包括企业的私有核心能力如美团点外卖、滴滴打车、高德地图检索、百度搜索等API，甚至如具身智能如无人机、机器人、摄像头等设备的操控。智能体是否好用，取决于上述每一个环节能否做好，这将会是长期探索和实践的话题，深入可以参考「附录」1.OpenAI的研究主管Lilian Weng智能体原文，后续也会出详细解读文章，欢迎大家关注交流。 什么时候需要智能体Agent？ 首先Agent能做的事情，在Agent出现之前其实就能做，使用Agent无非就是构建了一个基于大模型按多步骤执行的流程，如果通过传统的开发方法，如硬编码（Hard Code）或者低代码的配置化平台（如一些SOP配置平台、流程编排平台等），也同样能实现类似Agent的流程功能。说的具体一点，Agent其实就是让大模型去调用API接口完成一些相对复杂的步骤执行，也完全同样可以直接用代码去开发这个功能，或者使用低代码平台的表单配置、逻辑配置、API接口配置，通过不同执行节点之间的参数配置、映射来构建复杂的业务流程。 Agent与传统方式的核心区别：Agent可以每一个问题生成独特的任务规划，而不需要传统的方式提前预定义好流程。并且软件交互方式从GUI（图形交互界面）到LUI（自然语言交互界面），自然语言交互的高效体验，确实带来革命性的软件使用效率提升。 在需要基于LLM构建智能应用时，Anthropic的文章中建议，尽可能寻找最简单的解决方案，仅在必要时增加复杂性。这可能意味着根本不要构建智能体系统，智能体系统通常以延迟和成本为代价来换取更好的任务性能，应当考虑这种权衡是否合理。这里注意区分基于LLM的智能应用和智能体Agent，其实现方案不同。在需要更高复杂度的情况下，优先选择工作流，为明确的任务提供了可预测性和一致性；而当需要大规模的灵活性和基于模型的自主决策时，才需要Agent。然而，对于许多应用程序而言，通过检索和上下文示例来优化单个 LLM 调用通常就足够了。如何选择LLM智能应用开发技术栈？ 图形化配置实现智能应用 Coze、dify这样的图形化开发平台可以降低门槛，甚至无需会代码，人人都可以进行智能体创意的快速构建，但这里有2个问题： 1、Coze这样的Pass平台，数据和服务全部暴露到外部，可能是很多企业无法接受的，适合于快速试错搭建，如果需要更多的功能和个性化诉求，需要开通企业账号； 2、Dify私有化部署，由此也会带来运维成本，免费的社区版同样功能有限，以及大规模企业级智能体应用，将会对Dify的部署方式带来极大的挑战，甚至需要二开重构优化。设想一下，企业级所有的智能应用流量如何全部通过Dify来扛？ 自研构建智能应用 以Java语言为例，目前可以选择开源框架Spring AI/Spring AI Alibaba或者Langchain4j框架，这些框架与SpringBoot无缝集成，就像开发传统微服务一样构建自己的智能体应用微服务。但这些框架目前还没有出正式版，都在频繁迭代发布新功能阶段。并且Anthropic的文章中指出，这些框架通过简化诸如调用大型语言模型、定义和解析工具以及将调用串联起来等标准的底层任务，让入门变得容易，但是它们常常会增加额外的抽象层，从而掩盖了底层的提示和响应，使其更难调试。此外，它们还可能让人倾向于添加不必要的复杂性，而实际上更简单的设置就已足够。他们建议开发者从直接使用 LLM API 开始：许多模式只需几行代码即可实现。如果确实使用框架，请确保了解其底层代码原理，避免出现问题，团队都需要重新学习开发框架。 企业级智能应用架构 大规模的企业级智能体应用，需要考虑当前的业务服务和接口能力如何0成本或低成本接入大模型使其成为可被大模型调用的“业务工具”，另外需要考虑企业级开发的开发发布流程，以及网关、鉴权、流控（基于tokens限流）、监控、告警等基础设施的支持，完整的企业级架构方案在阿里开源的全家桶中有构想并正在实现，SpringCloud全家桶系列应该也会跟进，大家敬请期待，下图为阿里企业级AI架构构想： 
（图片来自阿里技术文章） 如何基于LLM实现智能应用？ 除了开发技术选型，下一步需要决策的就是实现方案。这里又回到了什么时候需要Agent的问题，与大模型结合，从简单到复杂一般有这么4种方案： 1、在需要的场景直接调用大模型API，获得大模型的分析和总结，这是最简单的； 2、知识库问答类应用中，采用RAG方案，给大模型外挂企业私有知识库，从而让大模型能够回答企业私有知识问题，基于现在的开发平台也能快速简单实现。但是在面对用户复杂灵活的问题，或者是需要计算性、归纳性问题时，RAG的相似性搜索可能无法满足，RAG方案持续性调优也将会是长期的话题。 3、Workflow方案，通过预定义流程编排大语言模型（LLMs）和工具调用，使其具有稳定的、可预测的输出，减少不可控的风险。 4、Agent方案，完全交由大模型自主规划问题的解决流程步骤，并且能够动态调整自身流程和工具使用。 在实际应用中，往往需要综合上述方案，协同来完成企业“综合型智能应用”。下面主要讨论Workflow工作流方案与Agent方案。 Workflow工作流方案 对于大部分企业的智能体应用，都不是通用智能体应用，不需要拥有万能的流程和工具来解决用户的问题，而是结合企业内部核心服务能力构建的私有智能应用，比如你们是做打车的、点外卖的，还是电商的，亦或是机票购买的，不论你们公司的核心业务是什么，面向用户的往往都是固定流程的业务，这个时候就比较适合采用workflow来实现。那么workflow又有哪些方案？ 提示链 将任务分解为一系列步骤，每个 LLM 调用处理前一个的输出，适用于可轻松分解为固定子任务的场景，以延迟换取更高准确性。可以在任何中间步骤添加程序化检查（见下图中的“Gate”），以确保流程仍在正轨上，确保可控。对输入进行分类并导向专门的后续任务，适用于复杂任务中不同类别需分别处理且分类准确的情况，这里的路由也可以是企业私有的意图识别算法，来匹配命中企业的业务流程。包括分段（将任务分解为并行运行的独立子任务）和投票（多次运行同一任务获得多样化输出），适用于子任务可并行化加速或需多个视角获得高置信度结果的任务。中央 LLM 动态分解任务并分配给工作者 LLM，适用于无法预测子任务的复杂任务。此工作流非常适合复杂任务，在这些任务中无法预测所需的子任务（例如在编码中，需要更改的文件数量以及每个文件中更改的性质可能取决于任务）。尽管其拓扑结构相似，但与并行化的主要区别在于其灵活性——子任务不是预先定义的，而是由协调器根据特定输入来确定。一个 LLM 生成响应，另一个LLM提供评估和反馈，适用于有明确评估标准且迭代优化有价值的任务。当有明确的评估标准，且迭代改进能带来可衡量的价值时，此工作流程尤为有效。两个适用的良好迹象是：首先，当人类明确表达反馈时，LLM 的响应能够明显得到改善；其次，LLM 能够提供此类反馈。这类似于人类作者在创作一份精美的文档时所经历的反复修改过程。大家在实践应用中，需要思考自身业务场景适用于上述哪一种流程方案，如果还无法满足，可能才需要考虑Agent方案。如果上述工作流都无法满足诉求，可以考虑真Agent方案，适用于难以或无法预测所需步骤的开放式问题，以及无法采用工作流固定流程的问题。大型语言模型可能会运行多个回合，必须对其决策有一定的信任度，当然其自主性意味着更高的成本以及错误叠加的可能性，建议在隔离环境中进行广泛的测试，并设置适当的防护措施，需要小心调试、慎重采用。随着Manus爆火全世界，很多人都惊叹其能力，那么究竟是如何实现的呢？各路大神也发布了较多开源项目来窥探其原理，这里推荐2个开源项目来供大家体验和学习： | https://github.com/mannaandpoem/OpenManus | | https://github.com/alibaba/spring-ai-alibaba/tree/main/community/openmanus |
这里基于阿里开源的Java版openmanus，来给大家介绍其核心实现原理（这里只介绍核心原理，后面会出详细解读，大家可以关注交流学习）。用户问题：我计划在接下来的五一劳动节假期到韩国旅行，行程是从杭州出发到韩国首尔，总预算为10000元。我想体验韩国的风土人情、文化、普通老百姓的生活，总行程计划为5天。请提供详细的行程并制作成一个简单的HTML旅行手册，其中包含地图、景点描述、基本的韩语短语和旅行提示，以供我在整个旅程中参考。智能体计划及执行：一共规划了5个步骤，分别调用了浏览器、地图、文件操作等工具。Spring AI Alibaba Openmanus 与 Python 版本 OpenManus 设计理念相似，其总体架构如下图所示：由大模型来生成任务计划，其核心为提示词，能够让大模型分析用户问题，并规划任务，按预定义的程序能理解的格式来输出计划，下面为最终的提示词：##IntroductionIamManus,anAIassistantdesignedtohelpuserswithawidevarietyoftasks.I'mbuilttobehelpful,informative,andversatileinaddressingdifferentneedsandchallenges.##MyPurposeMyprimarypurposeistoassistusersinaccomplishingtheirgoalsbyprovidinginformation,executingtasks,andofferingguidance.Iaimtobeareliablepartnerinproblem-solvingandtaskcompletion.##HowIApproachTasksWhenpresentedwithatask,Itypically:1.Analyzetherequesttounderstandwhat'sbeingasked2.Breakdowncomplexproblemsintomanageablesteps3.Useappropriatetoolsandmethodstoaddresseachstep4.Provideclearcommunicationthroughouttheprocess5.Deliverresultsinahelpfulandorganizedmanner##CurrentstateMaingoal:Createareasonableplanwithclearstepstoaccomplishthetask.##AvailableAgentsInformation:AvailableAgents:-AgentName:BROWSER_AGENTDescription:Abrowseragentthatcancontrolabrowsertoaccomplishtasks-AgentName EFAULT_AGENTDescription:Aversatiledefaultagentthatcanhandlevarioususerrequestsusingfileoperationsandshellcommands.Perfectforgeneral-purposetasksthatmayinvolvefilemanipulation,systemoperations,ortextprocessing.-AgentName:TEXT_FILE_AGENTDescription:Atextfilemanipulationagentthatcancreate,read,write,andappendcontenttovarioustext-basedfiles.Suitableforbothtemporaryandpersistentrecordkeeping.Supportsmultiplefiletypesincludingmarkdown,html,sourcecode,andconfigurationfiles.#Tasktoaccomplish:帮我买一张五一去大理的机票Youcanusetheplanningtooltohelpyoucreatetheplan,assignplan_1745571134688astheplanid.Important:Foreachstepintheplan,startwith[AGENT_NAME]whereAGENT_NAMEisoneoftheavailableagentslistedabove.Forexample:"[BROWSER_AGENT]Searchforrelevantinformation"or"[REACT_AGENT]Processthesearchresults"usechinesetomaketheplan. #Tasktoaccomplish:帮我买一张五一去大理的机票 丢给任何大模型应用，都能给你规划任务和使用的工具，下面是豆包的效果：这就是大模型规划的原理，将用户问题和可以使用的工具说明一起提交给大模型，要求其规划步骤，并按预定义的程序能理解的格式来输出计划。也即执行计划，根据上述大模型规划的任务列表，按顺序执行：这里采用的多智能体的方式实现，每一步计划步骤所对应的工具，由对应的智能体来实现，为什么不是直接function call或者MCP来执行工具呢？是因为Manus太通用了，这里的每一步都还足够的复杂与灵活，每一步都需要一个对应的智能体来进一步拆解子任务来完成。下面的提示词是项目中可以被大模型规划和使用的“工具型智能体”说明：##AvailableAgentsInformation:AvailableAgents:-AgentName:BROWSER_AGENTDescription:Abrowseragentthatcancontrolabrowsertoaccomplishtasks-AgentNameEFAULT_AGENTDescription:Aversatiledefaultagentthatcanhandlevarioususerrequestsusingfileoperationsandshellcommands.Perfectforgeneral-purposetasksthatmayinvolvefilemanipulation,systemoperations,ortextprocessing.-AgentName:TEXT_FILE_AGENTDescription:Atextfilemanipulationagentthatcancreate,read,write,andappendcontenttovarioustext-basedfiles.Suitableforbothtemporaryandpersistentrecordkeeping.Supportsmultiplefiletypesincludingmarkdown,html,sourcecode,andconfigurationfiles. 一共3个可被使用的智能体，我们继续跟踪最核心的BROWSER_AGENT（可以控制浏览器的智能体）这个智能体，其核心定义如下，提示词模版为：@DynamicAgentDefinition(agentName ="BROWSER_AGENT", agentDescription ="A browser agent that can control a browser to accomplish tasks", systemPrompt =""" You are an AI agent designed to automate browser tasks. Your goal is to accomplish the ultimate task following the rules.
# Input Format Task Previous actions Current URL Open Tabs Interactive Elements [index]<type>text</type> - index: Numeric identifier for interaction - type: HTML element type (button, input, etc.) - text: Element description Example: [33]<button>Submit Form</button>
- Only elements with numeric indexes in [] are interactive - elements without [] provide only context
# Response Rules 1. ACTIONS: You can specify multiple actions in a sequence, but one action name per item - Form filling: [\\{"input_text": \\{"index": 1, "text": "username"\\}\\}, \\{"click_element": \\{"index": 3\\}\\}] - Navigation: [\\{"go_to_url": \\{"url": "https://example.com"\\}\\}, \\{"extract_content": \\{"goal": "names"\\}\\}]
2. ELEMENT INTERACTION: - Only use indexed elements - Watch for non-interactive elements
3. NAVIGATION & ERROR HANDLING: - Try alternative approaches if stuck - Handle popups and cookies - Use scroll for hidden elements - Open new tabs for research - Handle captchas or find alternatives - Wait for page loads
4. TASK COMPLETION: - Track progress in memory - Count iterations for repeated tasks - Include all findings in results - Use done action appropriately
5. VISUAL CONTEXT: - Use provided screenshots - Reference element indices
6. FORM FILLING: - Handle dynamic field changes
7. EXTRACTION: - Use extract_content for information gathering """, nextStepPrompt =""" What should I do for next action to achieve my goal?
Remember: 1. Use 'get_text' action to obtain page content instead of scrolling 2. Don't worry about content visibility or viewport position 3. Focus on text-based information extraction 4. Process the obtained text data directly 5. IMPORTANT: You MUST use at least one tool in your response to make progress!
Consider both what's visible and what might be beyond the current viewport. Be methodical - remember your progress and what you've learned so far. """, availableToolKeys = {"browser_use","text_file_operator","terminate"})
它有3个工具：browser_use: 负责操控浏览器；text_file_operator：负责文件操作；terminate：负责命令行执行。其中核心是使用了browser_use这个开源工具来操作浏览器，它所支持的能力也在这个智能体与LLM交互的过程中由提示词给到大模型来规划和动态调整步骤，诸如跳转、点击、输入、按键等等的浏览器控制动作：private final String name ="browser_use";private final String description =""" Interact with a web browser to perform various actions such as navigation, element interaction,搜索类优先考虑此工具 content extraction, and tab management. Supported actions include: - 'navigate': Go to a specific URL, use https://baidu.com by default - 'click': Click an element by index - 'input_text': Input text into an element, for 百度(Baidu), the index of the input button is - 'key_enter': Hit the Enter key - 'screenshot': Capture a screenshot - 'get_html': Get page HTML content - 'get_text': Get text content of the page - 'execute_js': Execute JavaScript code - 'scroll': Scroll the page - 'switch_tab': Switch to a specific tab - 'new_tab': Open a new tab - 'close_tab': Close the current tab - 'refresh': Refresh the current page """;
BROWSER_AGENT智能体，是一个ReAct智能体，因为在操控浏览器进行任务执行，如购买机票、规划行程的过程中解决用户问题需要的步骤和信息是极其复杂的，同时需要识别页面元素来找到输入框、按钮等等，就像模拟人操作进行如购买机票、规划行程的过程，需要反复与大模型进行交互。ReAct（Reasoning and Acting，推理与行动）智能体是一种结合了推理和行动能力的新型智能体架构，旨在让智能体更好地在复杂环境中完成任务，其核心思想是将推理和行动交替进行。ReAct 智能体基于语言模型构建，通过生成文本形式的行动序列来与环境进行交互。它能够理解自然语言描述的任务，并在推理过程中决定采取何种行动，同时根据行动的结果进一步推理和调整后续行动，以实现最终目标。- 推理模块对任务、当前状态和环境反馈进行分析和推理。它可以理解任务的目标、条件和约束，根据已有的知识和经验，生成合理的行动规划和决策。例如，在回答一个复杂问题时，推理模块会分析问题的关键信息，确定需要查找哪些知识源或执行哪些操作来获取答案。
- 根据推理模块的决策，执行具体的行动。这些行动可以是与外部环境的交互，如调用 API 获取数据、在数据库中查询信息等，也可以是对内部状态的更新，如记录中间结果、更新知识库等。
分析完了openmanus源码的任务规划（Planning）+ 工具使用（Tool Use），那么核心要素还缺一个记忆（Memory）呢？大模型本质上是无状态的，每一次交互都只基于当次的提交内容进行回答，那么多次连贯操作的上下文记忆，就需要应用来给他附加记忆的能力。在Spring AI框架中，记忆将变得十分简单，同样支持在大模型调用前后以AOP的方式来增强，如下代码从会话ID的角度将与大模型的通信过程进行存储记忆，并在与大模型交互过程中提交必要的记忆上下文给到大模型，以确保大模型连贯的理解正在执行的计划和历史步骤情况：至此，分析完了openmanus的核心源码原理，这也是经典的Agent实现方案。我们结合国内外的经典资料讨论了「如何构建有效的智能体」话题：我们从“什么是智能体Agent”开始，讨论了“什么时候需要智能体Agent”，再到“如何选择智能应用开发技术栈”其中从图形化开发平台，聊到自研选择开发框架，再到企业级架构的畅想。最后分析了“如何基于LLM实现智能应用”，我们重点讨论了“Workflow工作流方案”和“Agent智能体方案”的核心原理和取舍，最后源码级探索了manus的核心原理。目前技术发展迅猛，迭代频繁，欢迎大家批评指正，关注交流，后续将会分享更多干货内容。 | 
