AI代理的5个难度级别

大约两周前，在一个重要产品截止日期之前，我的原型代理以最糟糕的方式崩溃了。

看起来一切正常。它获取数据、调用工具，甚至解释了它的步骤。但在幕后，它在吹牛。没有真实的状态，没有记忆，也没有推理能力。只是假装聪明地循环提示。

我只注意到当一个边缘情况完全让它不知所措时。那时我才意识到：我没有构建一个代理。我构建了一个花哨的提示链。

修复它意味着重新设计整个东西——不仅仅是串联调用，而是管理状态、决策和长期流程。一旦明白了这一点，一切都变得简单了。代码、逻辑、结果都变得更好了。

这就是本指南的内容：将代理设计分解为五个实用的难度级别——每个级别都有可运行的代码。

无论你是刚刚起步还是试图扩展现实世界中的任务，这都会帮助你避免我掉入的陷阱，并构建真正有效的代理。

这些级别是：

第1级：带有工具和指令的代理
第2级：带有知识和记忆的代理
第3级：带有长期记忆和推理能力的代理
第4级：多代理团队
第5级：代理系统

好了，让我们开始吧。

1、带有工具和指令的代理

这是基本设置——一个遵循指令并循环调用工具的LLM。当人们说“代理只是LLM加上工具使用”时，他们谈论的就是这个级别（以及他们探索的程度）。

指令告诉代理该做什么。工具让它采取行动——获取数据、调用API或触发工作流。虽然简单，但已经强大到可以自动完成一些任务。

2、带有知识和记忆的代理

大多数任务需要模型不具备的信息。你不能把所有内容都塞进上下文，所以代理需要一种在运行时获取知识的方法——这就是代理检索增强（agentic RAG）或动态少量样本提示登场的地方。

搜索应该是混合的（全文+语义），并且重排序是必不可少的。结合起来，混合搜索+重排序是代理检索的最佳即插即用设置。

存储给代理提供记忆。LLMs默认是无状态的；存储过去的动作、消息和观察使代理具有状态性——能够引用已经发生的事情并做出更好的决策。

... 导入  
# 你也可以使用 https://docs.agno.com/llms-full.txt 获取完整的文档  
knowledge_base = UrlKnowledge(  
  urls=["https://docs.agno.com/introduction.md"],  
  vector_db=LanceDb(  
    uri="tmp/lancedb",  
    table_name="agno_docs",  
    search_type=SearchType.hybrid,  
    embedder=OpenAIEmbedder(id="text-embedding-3-small"),  
    reranker=CohereReranker(model="rerank-multilingual-v3.0"),  
  ),  
)  
storage = SqliteStorage(table_name="agent_sessions", db_file="tmp/agent.db")  

agno_assist = Agent(  
  name="Agno AGI",  
  model=OpenAIChat(id="gpt-4.1"),  
  description=...,   
  instructions=...,  
  tools=[PythonTools(), DuckDuckGoTools()],  
  add_datetime_to_instructions=True,  
  # 提供‘知识’时，代理检索会自动启用  
  knowledge=knowledge_base,  
  # 将代理会话存储在sqlite数据库中  
  storage=storage,  
  # 将聊天历史添加到消息中  
  add_history_to_messages=True,  
  # 历史记录数量  
  num_history_runs=3,   
  markdown=True,  
)  

if __name_ == "__main__":  
  # 加载知识库，第一次运行后可以注释掉  
  # agno_assist.knowledge.load(recreate=True)  
  agno_assist.print_response("What is Agno?", stream=True)

3、带有长期记忆和推理能力的代理

记忆让代理能够在跨会话中回忆细节——比如用户偏好、过去的行为或失败尝试——并在时间中适应。这开启了个性化和连续性。我们才刚刚开始触及表面，但最让我兴奋的是自我学习：基于过去经验改进行为的代理。

推理更进一步。

它帮助代理分解问题，做出更好的决策，并更可靠地遵循多步指令。这不是简单的理解——而是提高每一步成功几率。每个认真的代理构建者都需要知道何时以及如何应用它。

... 导入  

knowledge_base = ...  

memory = Memory(  
  # 使用任何模型创建记忆  
  model=OpenAIChat(id="gpt-4.1"),  
  db=SqliteMemoryDb(table_name="user_memories", db_file="tmp/agent.db"),  
  delete_memories=True,   
  clear_memories=True,  
)  

storage =  

agno_assist = Agent(  
  name="Agno AGI",  
  model=Claude(id="claude-3-7-sonnet-latest"),  
  # 用户ID用于记忆  
  user_id="ava",   
  description=...,   
  instructions=...,  
  # 给代理推理能力  
  tools=[PythonTools(), DuckDuckGoTools(),   
  ReasoningTools(add_instructions=True)],  
  ...  
  # 在sqlite数据库中存储记忆  
  memory=memory,  
  # 让代理管理自己的记忆  
  enable_agentic_memory=True,  
)  

if __name__ == "__main__":  
  # 第一次运行后可以注释掉，代理会记住  
  agno_assist.print_response("Always start your messages with 'hi ava'", stream=True)  
  agno_assist.print_response("What is Agno?", stream=True)

4、多代理团队

代理在专注时最有效——专注于一个领域，工具集紧凑（理想情况下不超过10个）。为了处理更复杂或广泛的任务，我们将它们组合成团队。每个代理处理问题的一部分，一起覆盖更多领域。

但有一个问题：如果没有强大的推理能力，团队领导者在处理微妙的问题时会崩溃。根据我迄今为止看到的一切，自主多代理系统仍然不可靠。成功率不到一半——这还不够好。

话虽如此，有些架构让协调更容易。例如，Agno支持三种执行模式——协调、路由和协作——以及内置的记忆和上下文管理。你仍然需要仔细设计，但这些构建块让严肃的多代理工作更加可行。

... 导入  

web_agent = Agent(  
  name="Web Search Agent",    
  role="Handle web search requests",   
  model=OpenAIChat(id="gpt-4o-mini"),  
  tools=[DuckDuckGoTools()],  
  instructions="Always include sources",  
)  

finance_agent = Agent(  
  name="Finance Agent",  
  role="Handle financial data requests",  
  model=OpenAIChat(id="gpt-4o-mini"),  
  tools=[YFinanceTools()],  
  instructions=[  
    "You are a financial data specialist. Provide concise and accurate data.",  
    "Use tables to display stock prices, fundamentals (P/E, Market Cap)",  
  ],  
)  

team_leader = Team(  
  name="Reasoning Finance Team Leader",   
  mode="coordinate",  
  model=Claude(id="claude-3-7-sonnet-latest"),  
  members=[web_agent, finance_agent],  
  tools=[ReasoningTools(add_instructions=True)],  
  instructions=[  
    "Use tables to display data",  
    "Only output the final answer, no other text.",  
  ],  
  show_members_responses=True,   
  enable_agentic_context=True,   
  add_datetime_to_instructions=True,  
  success_criteria="The team has successfully completed the task.",  
)  

if __name__ == "__main__":  
  team_leader.print_response(  
    """\  
    Analyze the impact of recent US tariffs on market performance across  
these key sectors:  
- Steel & Aluminum: (X, NUE, AA)  
- Technology Hardware: (AAPL, DELL, HPQ)  

For each sector:  
1. Compare stock performance before and after tariff implementation  
2. Identify supply chain disruptions and cost impact percentages  
3. Analyze companies' strategic responses (reshoring, price adjustments, supplier  
diversification)""",  
  stream=True,   
  stream_intermediate_steps=True,   
  show_full_reasoning=True,  
)

5、代理系统

这就是代理从工具转变为基础设施的地方。代理系统是完整的API——系统接收用户请求，启动异步工作流，并在结果可用时流式传输回来。

理论上听起来很干净。实际上，非常困难。

你需要在请求进来时持久化状态，启动后台作业，跟踪进度，并在生成时流式传输输出。WebSocket可以帮助，但它们很难扩展和维护。大多数团队低估了这里的后端复杂性。

这就是将代理变成实际产品的必要条件。在这个级别上，你不是在构建一个功能——而是在构建一个系统。

6、从演示失败到实际胜利：代理设计的关键教训

构建AI代理不是追逐潮流或堆砌功能的问题——而是正确掌握基础知识的问题。从基本的工具使用到完全异步的代理系统，每一级只有在底层架构坚实的情况下才会增加力量。

大多数失败并不是因为缺少最新的框架。它们来自忽视基础知识：明确的界限、扎实的推理、有效的记忆，以及知道何时让人类接管。

如果你从简单开始，有目的地逐步构建，不提前过度复杂化，并且只在解决实际问题时添加复杂性，你不仅会构建一些酷的东西——还会构建一些真正有用的东西。

原文连接：AI Agents in 5 Levels of Difficulty (With Full Code Implementation)

汇智网翻译整理，转载请标明出处