简介
第二章聚焦于智能体的行为管理与能力扩展，阐述如何通过规则、提示策略等手段约束与优化模型行为，以及如何借助函数调用、插件体系等手段扩展 Agent 的行动空间。理解这些术语有助于构建既可控又高效的智能体系统。
核心术语速览
- 行为管理：Rules、Guardrails、Prompting Strategy、Context Window、System Prompt、User Prompt、Chain of Thought、Self-Consistency 等保证输出可控与一致。
- 能力扩展：Function Calling、API 工具调用、Plugins、Skills、Action Space、Tool Routing、Knowledge Retrieval 扩大实际能力边界。
术语体系分类
行为管理
- Rules（规则）：对 Agent 行为的硬性约束，防止违规操作。
- Constraints（约束）：限定可用资源、时间或行为范围的条件。
- Preferences（偏好）：体现用户或系统倾向的软性指导，如语气或格式。
- Guardrails（安全守卫）：保护措施，避免输出敏感、违规或不安全内容。
- Prompting Strategy（提示策略）：设计提示以引导模型输出目标行为的方法。
- Context Window（上下文窗口）：模型一次可读写的 token 范围，影响记忆深度。
- System Prompt（系统提示）：定义整体人格、角色与规则的提示。
- User Prompt（用户提示）：用户发出的具体请求或指令。
- Chain of Thought（思维链）：显式书写推理步骤以提升复杂推断能力。
- Self-Consistency（自一致性）：多次推理取共识，降低随机误差。
行为管理确保输出符合品牌与安全标准：通过系统提示定义角色，用规则与约束限制边界，再配合 Guardrails、防护策略与思维链，提高回答的稳定性与可解释性。
能力扩展
- Function Calling（函数调用）：模型根据结构化契约调用后端函数获得精确信息。
- API 工具调用：访问外部服务或数据库的接口调用，扩展模型能力边界。
- Plugins（插件系统）：为 Agent 提供可热插拔的新工具或服务模块。
- Skills（技能）：可复用的任务能力或操作流程，常以脚本或模板实现。
- Action Space（行动空间）：Agent 可执行的动作集合，决定其解决问题的方式。
- Tool Routing（工具路由）：依据上下文选择最合适的工具或技能。
- Knowledge Retrieval（知识检索）：在知识库中查找相关信息供模型使用。
扩展能力的关键是建立标准化接口和调度策略：明确行动空间后，可通过插件和技能库快速接入新功能，再借助工具路由与知识检索实现动态调整，实现“模型 + 工具 + 知识”三位一体。
术语详解
行为管理相关术语
Rules（规则）
Rules 是对 Agent 行为的硬性限制，通常不可被违反，是系统安全与合规的底线。规则通常以 if-then 形式表达，违反时触发 Refusal 或降级处理，可分层设计（全局规则、领域规则、会话规则）。规则与 Guardrails 协同工作，形成多层防护体系，确保 Agent 行为符合法律、合规和业务要求。
- 核心要点：规则通常以 if-then 形式表达，违反时触发 Refusal 或降级处理；可分层（全局规则、领域规则、会话规则）。
- 典型场景：禁止输出敏感信息、限制操作权限、强制合规检查、防止越权访问。
- 实践建议：将规则前置到 System Prompt 或策略层，违规时触发 Refusal；建立规则库并支持动态更新；对规则冲突做优先级处理。
Constraints（约束）
Constraints 是对资源、时间、成本等方面的限制条件，规范 Agent 的行动边界。约束可以是硬性的（必须遵守）或软性的（尽量遵守），常见约束包括调用次数、响应时长、预算上限、并发数等。约束与规则不同，它主要关注资源限制而非行为规范，需要在 Planner 或 Executor 中动态检查和处理。
- 核心要点：约束可以是硬性（必须遵守）或软性（尽量遵守）；常见约束包括调用次数、响应时长、预算上限、并发数。
- 典型场景：API 调用频率限制、响应时间要求、成本预算控制、并发任务数限制。
- 实践建议：在 Planner 或 Executor 中检查约束，必要时重规划或降级处理；设置约束监控与告警；对接近约束边界时提前预警。
Preferences（偏好）
Preferences 描述用户或品牌的风格与倾向，如语气、结构、关注重点，属于软性指导。偏好可来自用户显式设置、历史行为分析或品牌指南，与规则不同，偏好可被覆盖或调整。通过 Memory 记录用户偏好并在 Prompt 中维持一致风格，可以实现个性化体验，提升用户满意度。
- 核心要点：偏好可来自用户显式设置、历史行为分析或品牌指南；与规则不同，偏好可被覆盖或调整。
- 典型场景：正式/非正式语气、详细/简洁回答、技术/通俗表达、关注重点排序。
- 实践建议：使用 Memory 记录用户偏好，在 Prompt 中维持一致风格；支持偏好继承与更新；提供偏好模板库。
Guardrails（安全守卫）
Guardrails 是保护系统免受非法或风险输出的技术手段，是多层防护体系的重要组成部分。与规则互补，通常通过后处理或模型外壳实现，可包括输入过滤、输出审核、异常检测等机制。Guardrails 在规则无法覆盖的边缘场景中提供额外保护，是构建可信 AI 系统的关键防线。
- 核心要点：与规则互补，通常通过后处理或模型外壳实现；可包括输入过滤、输出审核、异常检测。
- 典型场景：敏感词过滤、内容安全审核、越权操作拦截、异常行为检测。
- 实践建议：引入敏感词过滤、模型审核、人工复核等多层机制；建立风险等级分类；对高风险操作强制人工确认。
Prompting Strategy（提示策略）
Prompting Strategy 是引导模型产生期望输出的提示设计方法，是控制模型行为的关键技术。包括 Few-shot、Zero-shot、Chain of Thought、ReAct、计划提示等多种策略，需要根据任务特点选择合适策略。良好的提示策略能够显著提升模型在特定任务上的表现，是 Agent 开发的核心技能之一。
- 核心要点：包括 Few-shot、Zero-shot、Chain of Thought、ReAct、计划提示等；需要根据任务特点选择合适策略。
- 典型场景：复杂推理任务用思维链、工具调用用 ReAct、结构化输出用模板提示、创意任务用开放式提示。
- 实践建议：迭代优化提示模板，结合 Few-shot、ReAct、计划提示等先进策略；建立提示模板库；A/B 测试不同策略效果。
Context Window（上下文窗口）
Context Window 是模型一次处理的 token 长度限制，决定可保留的信息量。不同模型的窗口大小不同（如 4K、8K、32K、128K），超出窗口需要截断或压缩。窗口大小直接影响 Agent 的记忆能力和长程依赖处理能力，需要通过摘要、分块、检索或记忆机制来弥补窗口限制。
- 核心要点：不同模型窗口大小不同（如 4K、8K、32K、128K）；超出窗口需要截断或压缩。
- 典型场景：长对话历史、大文档处理、多轮交互、知识库检索。
- 实践建议：对上下文做摘要、分块；使用检索或记忆机制弥补窗口限制；优先保留关键信息；采用滑动窗口策略。
System Prompt（系统提示）
System Prompt 是设定 Agent 人设、任务范围、全局规则的基础提示，是模型行为的“基因”。通常放在对话开头，影响整个会话的行为模式，包含角色定义、能力边界、行为准则、输出格式等关键信息。System Prompt 的质量直接影响 Agent 的整体表现，需要精心设计和持续优化。
- 核心要点：通常放在对话开头，影响整个会话；包含角色定义、能力边界、行为准则、输出格式。
- 典型场景：客服助手、代码助手、写作助手、数据分析助手。
- 实践建议：保持简洁明确，避免与用户提示冲突；更新时要进行回归测试；支持多版本管理；定期审查与优化。
User Prompt（用户提示）
User Prompt 是用户发出的具体请求或指令，触发 Agent 执行任务。可以是自然语言、结构化指令或混合形式，其质量直接影响 Agent 的理解准确率。良好的 User Prompt 应该清晰明确，包含足够的上下文信息，帮助 Agent 准确理解用户意图并执行相应任务。
- 核心要点：可以是自然语言、结构化指令或混合形式；质量直接影响理解准确率。
- 典型场景：问题提问、任务指令、多轮对话、上下文引用。
- 实践建议：可引导用户使用结构化模板，提升理解准确率；支持提示补全与建议；对模糊提示主动澄清。
Chain of Thought（思维链）
Chain of Thought 是显式记录推理步骤的提示技巧，让模型“思考过程”可见。通过“Let’s think step by step”等提示引导模型展示推理过程，可以显著提升复杂推断任务的准确率。思维链让 Agent 的决策过程更加透明和可解释，便于审查和调试，是提升模型推理能力的重要技术。
- 核心要点：通过“Let’s think step by step”等提示引导模型展示推理；可提升复杂推断准确率。
- 典型场景：数学问题、逻辑推理、多步骤任务、错误诊断。
- 实践建议：在需要推理的任务中开启思维链，但发布给用户前可选择隐藏过程；结合 Self-Consistency 提升效果；记录推理过程用于调试。
Self-Consistency（自一致性）
Self-Consistency 是让模型多次独立推理并汇总，通过多数投票或平均确定最终答案的技术。这种方法能够降低随机性，提高鲁棒性，但会增加计算成本与延迟。Self-Consistency 特别适合关键决策、事实核查、复杂推理等高风险任务，通过多次采样和一致性检验提升输出可靠性。
- 核心要点：降低随机性，提高鲁棒性；但会增加计算成本与延迟。
- 典型场景：关键决策、事实核查、复杂推理、高风险任务。
- 实践建议：结合思维链取多数投票；注意计算成本和延迟；设置合理的采样次数；对不一致结果做人工审核。
能力扩展相关术语
Function Calling（函数调用）
Function Calling 是模型通过结构化协议（如 OpenAI Function Calling、LangChain Tools）调用后端函数，获取精确数据或执行操作的能力。需要定义清晰的函数签名（名称、参数、返回类型），模型根据自然语言理解选择合适的函数并构造参数。Function Calling 让 Agent 能够突破纯文本生成的限制，与业务系统深度集成，实现更强大的功能。
- 核心要点：需要定义清晰的函数签名（名称、参数、返回类型）；模型根据自然语言理解选择合适的函数并构造参数。
- 典型场景：查询数据库、调用业务 API、执行计算任务、操作文件系统、发送通知。
- 实践建议：定义清晰的 JSON Schema；对调用结果进行校验与格式化；实现函数调用日志与审计；支持函数版本管理。
API 工具调用
API 工具调用是模型触发 REST、GraphQL、gRPC 等外部 API，实现信息查询或指令下达的能力。它突破模型封闭性的限制，让 Agent 能够利用现有服务和数据，扩展能力边界。API 调用需要处理认证、错误处理、重试等复杂问题，是构建企业级 Agent 的关键技术。
- 核心要点：突破模型封闭性的限制，利用现有服务；需要处理认证、错误、重试等。
- 典型场景：调用第三方服务（天气、地图、支付）、访问企业内部系统、集成 SaaS 平台。
- 实践建议：集中管理 API 凭证，设置调用频控与错误重试；建立 API 调用监控；实现 API 版本兼容性处理。
Plugins（插件系统）
Plugins 是可动态加载的工具扩展机制，为 Agent 提供可热插拔的新能力。插件通常包含元数据（名称、版本、权限）、接口定义、实现代码，支持插件市场与版本管理。插件系统让 Agent 能够快速接入新功能，无需修改核心代码，是实现可扩展架构的重要设计模式。
- 核心要点：插件通常包含元数据（名称、版本、权限）、接口定义、实现代码；支持插件市场与版本管理。
- 典型场景：第三方工具集成、自定义业务逻辑、实验性功能、多租户能力隔离。
- 实践建议：建立插件清单（名称、权限、依赖），提供沙箱环境测试；实现插件生命周期管理；支持插件权限控制与隔离。
Skills（技能）
Skills 是可复用的任务模块，通常封装为脚本、Prompt 模板或微服务，代表 Agent 的“能力单元”。技能可组合使用，形成复杂工作流，包含输入输出规范、执行逻辑、错误处理。通过沉淀常用技能库，Agent 可以快速调用成熟流程，提高效率与稳定性。
- 核心要点：技能可组合使用，形成复杂工作流；包含输入输出规范、执行逻辑、错误处理。
- 典型场景：数据清洗技能、报告生成技能、代码审查技能、翻译技能、格式化技能。
- 实践建议：沉淀常用技能库，记录适用场景与输入输出规范；建立技能市场；支持技能组合与编排。
Action Space（行动空间）
Action Space 是 Agent 可执行动作的集合，决定其解决问题的方式与能力边界。可以是离散的（从有限选择项中选择）或连续的（控制连续量），空间大小直接影响策略学习难度。合理设计行动空间是构建高效 Agent 的关键，需要平衡表达能力与学习复杂度。
- 核心要点：可以是离散（选择项）或连续（控制量）；空间大小影响策略学习难度。
- 典型场景：对话动作（回答、提问、转人工）、工具调用动作、控制动作（移动、操作）、决策动作（批准、拒绝）。
- 实践建议：根据业务需求分层设计行动空间，避免过大导致探索困难；对动作做分类与优先级；支持动作组合。
Tool Routing（工具路由）
Tool Routing 是在多工具环境下，根据任务上下文选择或组合最适合工具的策略。路由策略可以是基于规则、模型预测或历史统计，需要考虑工具成本、延迟、成功率等因素。良好的工具路由能够避免重复调用，提高效率，是构建多工具 Agent 系统的核心技术。
- 核心要点：路由策略可以是基于规则、模型预测或历史统计；需要考虑工具成本、延迟、成功率。
- 典型场景：多搜索引擎选择、数据库 vs API 选择、本地 vs 云端计算选择、工具链组合。
- 实践建议：建立规则或模型驱动的路由器，依据任务类型、上下文、历史表现决策；实现路由缓存与学习；监控路由效果。
Knowledge Retrieval（知识检索）
Knowledge Retrieval 是从知识库、向量库或文档库中检索相关信息供模型使用，是 RAG 的核心组件。支持关键词检索、语义检索、混合检索等多种方式，检索质量直接影响生成效果。良好的知识检索能够为 Agent 提供准确的事实依据，降低幻觉风险，是构建可信 AI 系统的重要基础。
- 核心要点：支持关键词检索、语义检索、混合检索；检索质量直接影响生成效果。
- 典型场景：企业知识库问答、文档摘要、事实核查、政策解读、技术支持。
- 实践建议：维护高质量索引，支持关键词与语义检索；记录检索结果用于审计；实现检索结果重排序与去重；支持多源检索融合。
