从工具到伙伴：2025，重新定义AI Agent

引言

2024年春天，我第一次在公司听到"AI Agent"这个词。PPT里，这个带着金属光泽的名词在投影幕布上闪烁，像一颗来自未来的种子。当时的我一脸不屑一顾，绝不会想到，这颗种子会在短短8个月里，在普通人的生活中生长出如此茂盛的枝蔓。

而今天，在火山引擎的「扣子」平台上，我的第一个AI Agent终于诞生了。当我看着这个能自动推荐深夜食堂、会安慰加班用户的美食助手时，突然意识到：AI Agent的本质，是一个具备环境感知、自主决策、持续进化能力的数字生命体。而扣子平台，正在揭开这种魔法背后的工业逻辑。

题外话：我在 coze 上发布的第一个AI Agent，欢迎点击 饭团喵星人 解锁美食推荐，目前在coze可以通过“100份美食推荐”搜索到。

关于如何使用扣子，整个操作流程如下：

创建 bot > 填写名称和描述 > 编排 > 调优 > 发布

架构介绍

AI Agent 技术架构图

扣子的AI Agent架构可以分为五层（图1）。

架构核心模块

模块流程

下面以美食智能体为例来分析核心模块的具体流程，整个流程从用户->感知->推理->决策->行动->数据，输出的数据来支撑数据资产。

• 知识点解析，数据资产： 通过整个流程持续积累、结构化存储，并能够为后续任务提供价值支撑的核心数据资源。这些数据不仅是系统运行的结果，更是驱动智能体持续优化和个性化服务的核心燃料。以美食推荐Agent为例，数据资产的具体组成为 直接输入&隐性反馈：

# 结构化存储的示例（JSON格式）
{
  "user_profile": {
    "id": "U123456",
    "dietary_restrictions": ["素食", "花生过敏"],  # 显式输入
    "preference_embedding": [0.76, -0.23, ...],  # 隐性特征向量
    "behavior_logs": [
      {"action": "收藏餐厅", "target": "Green Safe"},
      {"action": "跳过推荐", "target": "川菜"}
    ]
  }
}

• 显性数据：用户直接提供的口味、禁忌、地理位置等
• 隐性数据：点击、停留时长、跳过等行为埋点
• 环境数据：当前时间、天气、设备传感器信息（如移动速度判断用餐紧急度）

模块解析

架构组件	技术实现	案例场景
大模型Reasoning	火山模型+LoRA微调	将用户"随便吃点"的模糊需求，解析为「人均100-150元」「步行15分钟内」「有网红甜品」的精确需求
组件编排	Langchain式DAG调度器	协调知识库查询（过敏源检查）、实时插件（等位时间API）、数据库检索（用户历史评分）的优先级排序
插件体系	OpenAI Plugin标准+自定义Adapter	餐厅导航插件：将推荐结果转化为高德地图AR导航路线
工作流引擎	状态机+规则引擎	处理复杂场景：
用户选择困难时触发「二选一助力模式」→ 调用大模型生成对比段子 → 记录选择倾向
知识库	向量检索+图神经网络	检索相似用户案例：
"对海鲜过敏却喜欢日料" → 推荐寿喜烧/鳗鱼饭等非海鲜日料
触发器	多模态事件监测	当用户消息包含"纠结""选择困难"关键词时，自动激活决策辅助工作流

具体融合路径分析

1. 感知层 → 信息聚合阶段

技术实现细节：

# 伪代码, 多模态特征融合（perception_fusion.py）
def multimodal_fusion(inputs):
    # 文本特征提取
    text_emb = TextEncoder(inputs['text'])
    
    # 视觉特征提取
    img_emb = VisionEncoder(inputs['image'])
    
    # 跨模态对齐
    aligned_feature = CrossModalAttention(
        query=text_emb,
        key=img_emb,
        value=img_emb
    )
    
    # 特征降维
    return DimensionalityReducer(aligned_feature)

对应架构图元素：

• 「信息聚合」节点实现跨模态特征对齐
• 「用户输入」节点接收文本/图片/语音原始数据

---

2. 认知层 → Acting控制逻辑

决策过程分解： 架构图映射：

• 「工作流」节点处理多步骤任务
• 「知识库」节点提供领域知识支撑
• 「触发器」节点激活特定决策路径

# 伪代码
class CognitiveEngine:
    def __init__(self, knowledge_graph):
        self.kg = knowledge_graph  # 餐饮领域知识图谱
        
    def infer(self, user_intent, entities):
        # 知识检索
        candidates = self.kg.query(
            location=entities["location"],
            cuisine_type=entities["cuisineType"]
        )
        
        # 约束条件应用
        filtered = apply_constraints(candidates, entities["constraints"])
        
        # 个性化排序
        ranked = self._personalize_ranking(filtered, user_profile)
        
        return ActionPlan(ranked[:3], reasoning_logs)
        
    def _personalize_ranking(self, candidates, profile):
        # 混合排序策略：协同过滤 + 实时特征
        return sorted(candidates, key=lambda x: 
            x.rating * 0.6 + 
            profile.similarity_to(x.features) * 0.4
        )

3. 行动层 → 任务执行

实现工具使用能力的核心在于扣子的API编排系统，执行器工作流程：

# 伪代码, 插件执行器（plugin_executor.py）
class PluginExecutor:
    def execute(self, action_type):
        if action_type == "文生图":
            return StableDiffusionAPI.generate()
        elif action_type == "联网查询":
            return WebCrawler.fetch_real_time_data()
        elif action_type == "数据记录":
            return VectorDB.upsert()

# 数据库操作示例
def update_user_profile(user_id, preference):
    with VectorDB.connect() as db:
        db.execute(
            "UPDATE profiles SET pref=? WHERE uid=?",
            (json.dumps(preference), user_id)
        )

性能保障：

• 插件执行超时自动熔断（阈值800ms）
• 数据库事务ACID特性保障

Langchain 式技能编排：可解释的业务逻辑

扣子的技能链（Skill Chain）实现参考Langchain设计理念，以「猜菜名」游戏为例（图3）：

关键组件实现：

# 游戏状态管理器（game_state.py）  
class GameStateMachine:  
    def __init__(self):  
        self.states = {  
            "INIT": self._handle_init,  
            "CLUE_GEN": self._generate_clue,  
            "ANSWER_CHECK": self._validate_answer  
        }  
          
    def transition(self, current_state, user_input):  
        return self.states[current_state](user_input)  
          
    def _handle_init(self, input):  
        dish = select_dish_based_on(user_history)  
        return ("CLUE_GEN", {"target_dish": dish})  
          
    def _generate_clue(self, context):  
        clue_prompt = f"用不超过5个emoji描述{context['target_dish']}"  
        return ("ANSWER_CHECK", {"clue": llm_generate(clue_prompt)})  

设计模式：有限状态机（FSM）实现多轮对话管理

---

人设与回复逻辑：人格化AI的工程实现

在扣子中，人格控制系统通过角色参数矩阵实现（表1）：

表1 人设控制系统参数矩阵

参数维度	技术实现	FoodieMaster配置值
语气风格	风格迁移模型（StyleBERT）	萌系+15%幽默因子
情感响应强度	情感计算层（AffectNet）	共情系数β=0.83
主动引导倾向	强化学习策略网络	探索率ε=0.21

回复生成算法：

// 伪代码
def personality_response_generation(input_text):  
    # 人格权重注入  
    base_prompt = f"[萌系角色设定] 用户说：{input_text}"  
      
    # 控制生成稳定性  
    return llm.generate(  
        prompt=base_prompt,  
        do_sample=True,  
        top_p=0.85,  
        typical_p=0.92,  
        repetition_penalty=1.15  
    )  

核心参数解析：

• top_p（核采样）：控制生成多样性
• typical_p（典型性采样）：平衡创意与可控性
• repetition_penalty：防止重复响应

---

结语：AI Agent的初步探索

由于初次尝试AI Agent创建，虽然业务中已经很了解，但我的心情还是不一样的（一种是创造者的心情，一种是打工人的心情）。我们总会意识到：AI Agent正在突破工具范畴，向着具备自主认知能力的伙伴进化。这种进化不是魔法，而是建立在对混合智能架构、可解释工作流、人格建模等技术的系统化工程实现之上。2025年的AI Agent，正在用代码重新定义「智能」的边界。