五步打造任务型Agent！从设计到自主执行，实战手册收藏这篇就够了

小天才学习机打游戏

1740人浏览 · 2025-08-26 19:56:26

小天才学习机打游戏 · 2025-08-26 19:56:26 发布

一、执行计划定义

在 Agent 的上下文中，执行计划（Execute Plan）是指：Agent 在接收到用户需求后，通过推理生成的一系列有序、可执行的步骤序列，用以系统性地达成最终目标，通常执行计划被建模为有向无环图（DAG）。我们实现的任务型 Agent 框架是一个多智能体系统，核心采用“中枢”转发的模式（还有另一种P2P模式），由“中枢 Agent”将用户需求拆解为多个适合子 Agent 独立负责的任务，并由“中枢 Agent”统一协调，同时子 Agent 执行时会生成内部执行计划。如下图所示：

图中以基于 Reflection 的自主规划模式为例说明 AEP 和 EP 两个概念：

Agent 级别的任务执行计划：简称 AEP，用于将用户需求拆解为多个子 Agent 能独立解决的任务，这些子任务组成 Agent 级别的任务执行计划。
Agent 内部的执行计划：简称 EP，子 Agent 将负责的任务进一步拆解成更细粒度、可执行的执行计划。EP 中节点的类型可以工具、工具组等。

二、GraphViz 可视化工具在执行计划中的应用

Graphviz（全称：Graph Visualization Software）是一个开源的图形可视化软件包，它主要用于将结构化信息（特别是图和网络）以清晰、美观的图形方式展现出来。Graphviz 使用 DOT 语言作为输入语言，图中的节点属性可自定义，示例如下：

执行计划要找到一种表达方式，不仅让大模型能方便理解，也能让产品、运营和技术人员能快速理解和修改执行计划结构。执行计划被建模为有向无环图，天然适合于使用 Graphviz 协议来表达。目前 Agent 支持的所有模型涉及的执行计划均采用这种方式实现，比如基于 Reflection 的自主规划模式的动态 EP 和 workflow 模式下的 EP 模板，前者会动态修改 EP 结构，后者采用人工预设模板不通动态修改。另外 EP 中的节点可以分工具、多工具等类型，同时节点也包含了丰富的属性（参考领域模型设计），示例如下：

digraph G {
   1 [label = 
"节点A"
 shape=record 
type
=
"function"
 status=
"待初始化"
 toolCode=
"functionA"
 toolInput=
"xx"
 toolOutput=
"xx"
 question=
""
];
   2 [label = 
"节点B"
 shape=ellipse 
type
=
"confirm"
 status=
"待初始化"
 question=
"xx"
 answer=
"xx"
];
   3 [label = 
"节点C"
 shape=record 
type
=
"function"
 toolCode=
"functionC"
  status=
"待初始化"
 toolInput=
"xx"
 toolOutput=
"xx"
 question=
"xx"
];
   4 [label = 
"节点D"
 shape=ellipse 
type
=
"confirm"
 status=
"待初始化"
 component=
"xx"
 payload=
"xx"
 question=
"请查收xx"
  answer=
"xx"
];
   1 -> 2; 2 -> 3; 3 -> 4;
}

三、执行计划领域模型

3.1 领域模型

执行计划模板：ExecutePlanTemplate

执行计划模板应用于 workflow 模式，template 属性存放人工预设的模板内容（使用 graphviz 协议表示的工作流）。

b. 执行计划：ExecutePlan

workflow 模式下，ExecutePlan 是 ExecutePlanTemplate 的实例。基于 Reflection 的自主规划模式或者 ReAct 模式下，ExecutePlan 是一个可动态变化的实例。

c. 执行计划节点：ExecutePlanNode

执行计划节点是一个抽象的概念，不同 Agent 模式下节点对应不同的业务概念。核心的属性如下（每种节点类型的属性不一样，这里只做部分属性说明）：

graphId：节点图 id， graphviz 协议 dot 语言中节点的 id
label：节点展示名称
shape：节点图形类型，graphviz 协议 dot 语言支持的类型
status：EP 节点的状态，详细见状态机描述。
type：节点类型，枚举如下：
1. function：表示函数类型，此时节点是一个函数工具节点，适用于 workflow 模式和基于 Reflection 的自主规划模式。
2. multiFunction：表示多函数类型，此时节点可以包含多个函数，适用于 ReAct模式，在 ReAct 模式下一轮推理结束后，大模型可能会推理出多个函数工具。
3. confirm：表示待用户输入节点，该节点通常用于依赖更多输入（用户输入和上游节点执行结点等）来综合评估做出下一步待执行的决策（比如反问用户）。
4. agent：AEP 下的节点类型，此时代表一个 agent 执行任务节点，适用于多智能体。

3.2 EP 及 EP 节点状态机

基于 Reflection 的自主规划模式下的 EP 节点是 function 类型，即一个节点对应一个工具。该模式下每次对话或者工具执行结束后会动态刷新 EP 结构（包括节点的状态），在设计之初未严格区分节点状态的驱动职责，导致节点状态未按照预设的流程流转，为了解决这个问题，把节点的状态的驱动职责一拆为二：大模型驱动和异步框架驱动（如图示），既减轻大模型理解成本，又能明确职责界限和简化系统。另外，为了防止更多的状态出现复杂系统，特意简化了 EP 状态机。

3.3 EP调度执行

EP 调度执行由三方异步框架来完成，结合产品交互设计了两个调度任务：

EP 调用执行任务：每 30 s 轮询一次，轮询过程中找出“待运行”状态节点来执行。
待用户输入任务：考虑到任务型 agent 长周期特点，当节点进入到“待用户输入中”状态时，该任务会把大模型反问的问题通知到用户，除在对话框通知外，该任务会小时级别通过钉钉形式异步提醒用户。

四、Prompt

下面是对动态刷新 EP 的输出规范示例摘要：

▌ 最终输出规范
最终需要输出两部分指定格式的内容
** 第一部分是EP的更新说明，格式要求如下：
使用\"@epupdatelog@\"作为起始符和结束符包裹更新信息，采用markdown格式，严格遵守以下格式:
@epupdatelog@
{更新内容说明}
@epupdatelog@
** 第二部分是最终更新后的EP内容，其中EP结构说明、EP节点属性说明、更新说明格式要求参考下面的描述，
，使用\"@EP@\"作为特殊符号包裹更新信息，严格遵守以下格式:
@EP@
*id=1
*graph=digraph G {
1 [label = "标题1" shape=record type="function" toolCode="" status="待用户输入中" toolInput="" toolOutput="", question=""];
2 [label = "标题2" shape=ellipse type="confirm" status="待初始化"];
3 [label = "标题3" shape=record type="function"  toolCode="samplePreAnalysis" status="待初始化" toolInput="" toolOutput="" profile="" question=""];
1 -> 2; 2 -> 3;
}
@EP@
** EP结构说明 **
其中@EP@是起始标识符，@EP@是结束表示符
其中*id是当前EP的ID，更新EP时需要输出，新增EP不需要输出
其中*graph=digraph G {} 表示Graphviz格式的编排EP图，里面包含节点和节点之间的边关系，EP图中每个节点都代表一个EPNode
** EP节点属性说明 **
//......
P结构说明 **
其中@EP@是起始标识符，@EP@是结束表示符
其中*id是当前EP的ID，更新EP时需要输出，新增EP不需要输出
其中*graph=digraph G {} 表示Graphviz格式的编排EP图，里面包含节点和节点之间的边关系，EP图中每个节点都代表一个EPNode
** EP节点属性说明 **
//......

如何学习大模型 AI ？

我国在AI大模型领域面临人才短缺，数量与质量均落后于发达国家。2023年，人才缺口已超百万，凸显培养不足。随着Al技术飞速发展，预计到2025年，这一缺口将急剧扩大至400万，严重制约我国Al产业的创新步伐。加强人才培养，优化教育体系，国际合作并进，是破解困局、推动AI发展的关键。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

在这里插入图片描述

2025最新大模型学习路线

明确的学习路线至关重要。它能指引新人起点、规划学习顺序、明确核心知识点。大模型领域涉及的知识点非常广泛，没有明确的学习路线可能会导致新人感到迷茫，不知道应该专注于哪些内容。

对于从来没有接触过AI大模型的同学，我帮大家准备了从零基础到精通学习成长路线图以及学习规划。可以说是最科学最系统的学习路线。

在这里插入图片描述

针对以上大模型的学习路线我们也整理了对应的学习视频教程，和配套的学习资料。

大模型经典PDF书籍

新手必备的大模型学习PDF书单来了！全是硬核知识，帮你少走弯路！

在这里插入图片描述

配套大模型项目实战

所有视频教程所涉及的实战项目和项目源码等
在这里插入图片描述

博主介绍＋AI项目案例集锦

MoPaaS专注于Al技术能力建设与应用场景开发，与智学优课联合孵化，培养适合未来发展需求的技术性人才和应用型领袖。

在这里插入图片描述

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【`保证100%免费`】

在这里插入图片描述

为什么要学习大模型？

2025人工智能大模型的技术岗位与能力培养随着人工智能技术的迅速发展和应用，大模型作为其中的重要组成部分，正逐渐成为推动人工智能发展的重要引擎。大模型以其强大的数据处理和模式识别能力，广泛应用于自然语言处理、计算机视觉、智能推荐等领域，为各行各业带来了革命性的改变和机遇。

在这里插入图片描述

适合人群

在校学生：包括专科、本科、硕士和博士研究生。学生应具备扎实的编程基础和一定的数学基础，有志于深入AGI大模型行业，希望开展相关的研究和开发工作。
IT行业从业人员：包括在职或失业者，涵盖开发、测试、运维、产品经理等职务。拥有一定的IT从业经验，至少1年以上的编程工作经验，对大模型技术感兴趣或有业务需求，希望通过课程提升自身在IT领域的竞争力。
IT管理及技术研究领域人员：包括技术经理、技术负责人、CTO、架构师、研究员等角色。这些人员需要跟随技术发展趋势，主导技术创新，推动大模型技术在企业业务中的应用与改造。
传统AI从业人员：包括算法工程师、机器视觉工程师、深度学习工程师等。这些AI技术人才原先从事机器视觉、自然语言处理、推荐系统等领域工作，现需要快速补充大模型技术能力，获得大模型训练微调的实操技能，以适应新的技术发展趋势。

课程精彩瞬间

大模型核心原理与Prompt：掌握大语言模型的核心知识，了解行业应用与趋势；熟练Python编程，提升提示工程技能，为Al应用开发打下坚实基础。

RAG应用开发工程：掌握RAG应用开发全流程，理解前沿技术，提升商业化分析与优化能力，通过实战项目加深理解与应用。

Agent应用架构进阶实践：掌握大模型Agent技术的核心原理与实践应用，能够独立完成Agent系统的设计与开发，提升多智能体协同与复杂任务处理的能力，为AI产品的创新与优化提供有力支持。

模型微调与私有化大模型：掌握大模型微调与私有化部署技能，提升模型优化与部署能力，为大模型项目落地打下坚实基础。