从0到1开发一个商用 Agent（智能体）-优快云博客

本文完整展示如何从 0 到 1 手搓一个 AI Agent 的搭建过程。

在具体动手实操的过程中，重点为大家展示从需求分析到如何搭建。

需求分析中包含如何识别 AI 提效场景和、梳理提效场景流程。

如何搭建中包含工作流创建、智能体创建、智能体发布。

接下来，将结合实际Demo，从整体架构到核心模块的实现，完整展现一个多Agent协同系统的开发过程。

1Agent设计

下面以Demo中的几个典型Agent为例，详细介绍设计思路与实现方式，基于Eino框架快速落地多智能体协作系统。

2智能体规划

智能体规划 Agent 使用经典的 ReAct 框架实现。

能够检索目的地的景点介绍、游玩攻略、美食推荐等内容。在此之上，通过增加了 Lambda:user_input 节点等待用户下一轮对于行程规划的建议和追问。

3深度搜索

深度搜索 Agent 利用大模型对复杂问题进行多角度分析，边推理边搜索。

在执行流程内部，通过 ChatModel:think 进行问题分析，并判断上下文的资料是否足够回答用户问题，

如果不够那么输出关键词借助搜索工具获取资料补充上下文，

如果足够，通过 ChatModel:summary 模型，输出对于问题的分析总结报告。

4意图识别

这种设计让意图识别Agent具备了高度的灵活性和可扩展性。

一方面，它能够根据用户需求动态选择并对接不同类型的下游专家Agent ，实现多智能体间的高效协作与任务流转；
另一方面，专家Agent采用标准化A2A协议进行封装，具备天然的可插拔能力，通过AgentCard描述能力让意图识别Agent进行判断当前的任务类型，支持在系统运行时无缝添加、替换或扩展新的专家Agent。

5连接生态

Connector 是A2A多Agent系统实现"能力复用"和"生态扩展"的关键。

它的核心目标是将标准化的Agent能力，通过协议适配、接口封装等方式，快速对接到不同的外部平台和应用场景，实现"写一次，处处可用"。

解耦：

Agent本身只关注业务逻辑和A2A协议实现，不直接依赖于任何具体平台。Connector负责协议转换、消息编解码、上下游适配，最大程度降低Agent与外部生态的耦合度。

标准：

所有对接均基于A2A协议的标准输入输出格式，保证能力的可组合性和可迁移性。无论是对接IM、Web、App还是第三方API，均通过统一的协议层进行交互。

可扩展：

Connector采用插件化、模块化设计，支持按需扩展新的平台适配器。只需实现对应的适配接口，即可将Agent能力无缝接入新的生态系统。

6接入Cherry Studio

通过实现 OpenAI 兼容的 Connector，将 Agent 能力以标准 chat/completion协议对外暴露。

可以直接在 Cherry Studio 客户端中便捷地接入和调试 Agent，实时体验其交互效果与能力表现，极大提升了开发和测试的效率与直观性。

实现 chat/completion 接口，获取 model 作为 Agent 名字，调用 A2AServer ，将任务执行结果，使用 SSE 协议流式输出到 chat/completion 响应里

func (s *Server) chatHandler(c *gin.Context) {
 var req api.ChatRequest
 if err := c.ShouldBindJSON(&req); errors.Is(err, io.EOF) {
  c.AbortWithStatusJSON(http.StatusBadRequest, gin.H{"error": "missing request body"})
  return
 } else if err != nil {
  c.AbortWithStatusJSON(http.StatusBadRequest, gin.H{"error": err.Error()})
  return
 }

 var foundAgent bool
 var agentConfig config.AgentConfig
 for _, agent := range config.GetMainConfig().OpenAIConnector.Agents {
  if agent.Name == req.Model {
   foundAgent = true
   agentConfig = agent
   break
  }
 }
 if !foundAgent {
  c.AbortWithStatusJSON(http.StatusBadRequest, gin.H{"error": fmt.Sprintf("agent %s not found", req.Model)})
  return
 }

 ch := make(chan any)
 go func() {
  defer close(ch)
  initMessage := protocol.Message{
   Role:  "user",
   Parts: []protocol.Part{protocol.NewTextPart(req.Messages[len(req.Messages)-1].Content)},
  }
  // 客户端
  a2aClient, err := a2aclient.NewA2AClient(agentConfig.ServerURL, a2aclient.WithTimeout(time.Minute*10))
  if err != nil {
   ch <- gin.H{"error": err.Error()}
   return
  }
  taskChan, err := a2aClient.StreamTask(c, protocol.SendTaskParams{
   ID:      taskID,
   Message: initMessage,
  })
  if err != nil {
   ch <- gin.H{"error": err.Error()}
   return
  }
  for v := range taskChan {
   switch event := v.(type) {
   case protocol.TaskStatusUpdateEvent:
    handleTaskStatusUpdateEvent(c, req, ch, event)
   }
  }
  res := api.ChatResponse{
   Model:      req.Model,
   CreatedAt:  time.Now().UTC(),
   Message:    api.Message{Role: "assistant", Content: ""},
   Done:       true,
   DoneReason: "stop",
  }
  ch <- res
 }()
  // 流式返回数据
 streamResponse(c, ch)
}

配置 Cherry Studio 模型，连接 connector 服务

7Agent观测

数据看板：通过 Dashboard ，可以实时查看LLM应用的质量、成本、延迟等多维度指标，全面监控和分析智能体系统的运行状态。

二、工作流搭建

=======

接下来进入了实操环节，在 Coze 上如何一步步的搭建这个 AI Agent（智能体）。

整个搭建过程分为工作流搭建、智能体搭建。

先做一个工作流，把我们上一步的流程在工作流中创建。

然后在创建一个智能体，将工作流嵌入进去。

1创建工作流

首先，我们开始搭建工作流。

先点击 “资源库” ，鼠标停在右侧的 “资源” 上，点击 “工作流” 。

在弹出的如下界面中，填写 “工作流名称” 和 “工作流描述”

点击“确认”后，进入一个空白页面，根据我们前面梳理的流程图，开始用 Coze 的组件编辑流程。

编辑好的流程如下：

“开始”和“结束”的节点是必须的，创建的时候默认就有，也不能删除，从“开始”到“结束”之间必须要有连线，没有连线，就相当于现实中两个地方之间没有路，没有路就没法走。

在一开始的时候，点击每个流程节点的右侧的圆圈，可以出现下图的窗口。

在这个素材采集的流程中，我们会用到大模型、插件（就是前面我们说的工具，用于与其他系统做交互的）、代码（可以在个节点编写代码）。

接下来，我们看一下每个流程节点是怎么做的。

2.1.1开始

下图中的“开始”节点，在右侧的配置那里是没有输出，它主要是为这个工作启动准备数据。

这个例子我们设定了一个变量名 url，智能体在调用这个工作流的时候，会自动从聊天内容中获取到 url ，传给它。

2.1.2工具：抓取内容

红框 1：是插件，“工具：抓取内容”是在这个节点我自己定义的名称。

它的作用是给它一个 url ，它会把这个 url 页面的内容帮你抓取出来。

红框 2：点击“插件详情”，可以查看这个插件的详细介绍，以及输入和输出的介绍。

除了开始结束，每个节点都有输入和输出，输入和输出的参数都不一样。

红框 3：是插件的输入，“*”是必须要填写的。

url 就是我们需要“开始”节点中定义的 url。

红框 4：是插件的输出，每一项都是一个数据变量。

在后面的节点中会引用，具体每个变量什么意思，一个是看插件中的说明，此外可以从英文也可以看出大体意思。这个例子可以看到 title 就是 url 中文章中的标题，content 就是 url 中的文章内容。

2.1.3大模型：总结文章

这个节点就是大模型的配置，在这里需要大模型帮我总结文章内容，提炼文章关键词。

红框 1：此处可以选择不同的模型来处理。

不同的提示词在不同的模型下表现有时候是不一致的，所以这里需要注意的是在当前这个场景下根据大模型的特点，选定模型后，再去写系统提示词和用户提示词。

红框 2：输入，可以将上个节点输出的参数标题和内容传到这里。

红框 4：输出，是大模型的返回输出，大模型返回的都是字符串。

在这里，输出可以定义格式，这里我选择的是 JSON，因为方便后面来引用，但是输出如果是 JSON，需要我们在红框 3 的提示词中定义输出结构。

系统提示词：

主要描述的是如果你把大模型看成一个你目前需要它帮助的人。

它是什么角色，应该具备什么技能，你需要它按照什么格式回复给你。

所以看到在提示词中的技能 2，约定了大模型输出格式是 JSON，并给出了示例，

并且 JSON 中的定义的 summary 和 tags 与上面输出格式中定义的名称一样。

用户提示词：

就是你需要大模型回答的具体问题了。

因为这里我在系统提示词中已经定义了需要大模型帮我们干什么，所以这里我就只把标题和内容放在这里。

{{}}中的放的是上面输入中定义的参数。

2.1.4工具：转为JSON

在这里的工具用的是代码，因为需要将前面的标题、内容、标签等转换成一个 JSON 格式，所以只能用代码进行转换。

那么这个 JSON 格式具体内容取决于下一个节点“工具：保存到飞书”用到的插件中的说明。

可以看一下这个插件详细说明中的参数 records 类型是一个数组，数组中的 fields 对应的就是飞书表格中每一列的列名。

下图为 add_records介绍：

飞书多维表格：

继续看看“工具：转为 JSON”的配置，这是一个“代码”节点。

红框 2：输入区域，可以增加多个参数。

每个参数都可以调用前面节点的参数，它也是红框 4 中代码中传入的参数。

红框 3：输出区域。

参数设定需要和红框 4 代码中返回的参数保持一致。

上图红框 4 中的代码。

可以看到具体的传入参数和输出参数在代码中的体现。

Python 代码片段，类似的需要做数据转换的，都可以采用这个代码片段，只需要替换传入的参数和输出的参数就可以。

# 在这里，您可以通过 ‘args’  获取节点中的输入变量，并通过 'ret' 输出结果
# 'args' 和 'ret' 已经被正确地注入到环境中
# 下面是一个示例，首先获取节点的全部输入参数params，其次获取其中参数名为‘input’的值：
# params = args.params; 
# input = params.input;
# 下面是一个示例，输出一个包含多种数据类型的 'ret' 对象：
# ret: Output =  { "name": ‘小明’, "hobbies": [“看书”, “旅游”] };
import jsonasyncdef main(args: Args) -> Output:
    params = args.params
    # 构建输出对象    ret = {
        "record_info": [{
            "fields": {
                "title": params['title'],
                "summary": params['summary'],
                "tags": params['tags'],
                "content": params['content'],
            }
        }]
    }
return ret