Agentic AI智能助手：提示工程架构师的6个核心技能（附实战案例）

副标题：从单轮Prompt到可“思考”的Agent系统，手把手教你搭建能解决复杂任务的AI助手

摘要/引言

你是否遇到过这样的场景？
想用AI规划三亚3天行程，它却只给出千篇一律的景点列表，完全没考虑你“喜欢海边”“不吃辣”的偏好；想让AI帮你订酒店，它要么漏了“每晚预算1000元”的要求，要么不会自动查实时房态；甚至问它“明天三亚下雨吗？”，它居然直接胡编一个答案——传统智能助手的问题，本质上是“不会思考”。

而Agentic AI（智能体AI）的出现，正是为了解决这个痛点。它能像人一样：明确目标→拆解任务→调用工具→记忆经验→反思优化，最终完成复杂任务。但要搭建这样的智能助手，绝不是写几个单轮Prompt那么简单——你需要成为一名**“提示工程架构师”**，掌握系统设计Agent的核心技能。

本文将拆解提示工程架构师的6个核心技能，结合旅行规划Agent实战案例，帮你从“写Prompt的人”升级为“设计AI思考逻辑的人”。读完本文，你将能：

1. 理解Agentic AI的核心组件与设计逻辑；
2. 掌握Agent系统的Prompt分层、任务规划、工具调用等关键技巧；
3. 用LangChain搭建一个能处理复杂需求的旅行规划智能助手。

目标读者与前置知识

目标读者

• 了解LLM基础（如GPT-4、Claude），会写基础Prompt（Few-shot、CoT）的工程师/产品经理；
• 想开发智能助手、AI Agent的从业者；
• 对“让AI自主思考”感兴趣的AI爱好者。

前置知识

1. 熟悉LLM基本概念（如生成式模型、Prompt工程）；
2. 会用Python（能写简单脚本）；
3. 了解LangChain框架（或愿意跟着案例学习）。

文章目录

1. 引言与基础
2. Agentic AI的核心概念：从“Prompt”到“智能体”
3. 环境准备：搭建Agent开发环境
4. 核心技能1：Agent系统的Prompt分层设计
5. 核心技能2：基于目标的任务拆解与规划提示
6. 核心技能3：工具调用的Prompt约束与容错
7. 核心技能4：记忆系统的Prompt交互设计
8. 核心技能5：反思与迭代的Prompt引导
9. 核心技能6：多Agent协作的Prompt协调
10. 实战验证：搭建旅行规划Agent
11. 性能优化与最佳实践
12. 常见问题与解决方案
13. 总结与未来展望

一、Agentic AI的核心概念：从“Prompt”到“智能体”

在讲技能前，我们需要先统一认知：Agentic AI到底是什么？它和传统LLM应用有什么区别？

1.1 传统LLM应用的局限

传统LLM应用（如ChatGPT对话、单轮Prompt生成）的逻辑是：输入→LLM生成→输出，本质是“被动响应”。它的问题在于：

• 无法处理多步任务（比如“规划行程+订酒店+查防疫政策”）；
• 没有记忆能力（转头就忘你“不吃辣”的偏好）；
• 不会调用工具（无法获取实时信息，比如当天的酒店价格）；
• 缺乏反思迭代（生成错误答案后不会自我修正）。

1.2 Agentic AI的核心组件

Agentic AI（智能体）是能自主完成复杂任务的LLM系统，它的核心组件包括：

组件	作用
LLM大脑	负责推理、决策、生成内容（如GPT-4、Claude 3）
记忆系统	存储短期上下文（当前对话）和长期经验（用户偏好、历史任务）
工具集	调用外部API/服务（如酒店查询、天气API、搜索引擎）
规划模块	将大任务拆解为可执行的小步骤（如“规划行程”→“问偏好→查天气→设计路线”）
反思模块	评估任务执行结果，调整后续步骤（如“行程超预算了，换便宜的酒店”）

1.3 提示工程架构师的核心职责

传统Prompt工程师的工作是“写单轮Prompt让LLM生成正确内容”；而提示工程架构师的工作是：
设计Agent系统的Prompt框架，让各个组件协同工作——比如：

• 用Prompt定义Agent的“身份”（我是旅行规划师）；
• 用Prompt引导Agent“拆解任务”（先问偏好，再查天气）；
• 用Prompt约束Agent“正确调用工具”（必须传全酒店查询的4个参数）；
• 用Prompt让Agent“利用记忆”（记得用户喜欢海边）；
• 用Prompt让Agent“反思优化”（检查行程是否符合预算）。

二、环境准备：搭建Agent开发环境

工欲善其事，必先利其器。我们需要准备以下工具：

2.1 所需工具与版本

• Python：3.10+（推荐3.11）；
• LangChain：0.1.0+（Agent开发的主流框架）；
• OpenAI API：用于调用GPT-4（或用Anthropic API调用Claude 3）；
• python-dotenv：管理环境变量；
• Streamlit（可选）：快速搭建UI展示Agent。

2.2 安装与配置

1. 创建虚拟环境（避免依赖冲突）：

   python -m venv agent-env
   source agent-env/bin/activate  #  macOS/Linux
   agent-env\Scripts\activate     #  Windows
   

2. 安装依赖：
   创建requirements.txt文件，内容如下：

   langchain==0.1.10
   openai==1.13.3
   python-dotenv==1.0.1
   streamlit==1.32.2
   

   执行安装：

   pip install -r requirements.txt
   

3. 配置API密钥：
   创建.env文件，写入你的OpenAI API密钥：

   OPENAI_API_KEY=your-openai-api-key
   

2.3 验证环境

运行以下代码，测试LLM调用是否正常：

from langchain_openai import ChatOpenAI
from dotenv import load_dotenv

load_dotenv()  # 加载.env文件中的环境变量

llm = ChatOpenAI(model="gpt-4-turbo", temperature=0.1)
response = llm.invoke("你好，我是提示工程架构师。")
print(response.content)

如果输出“你好！作为提示工程架构师，你一定对如何设计有效的提示词、优化大语言模型的输出很有研究吧？…”，说明环境配置成功！

三、核心技能1：Agent系统的Prompt分层设计

问题：直接写一个大Prompt给Agent，会导致逻辑混乱——比如Agent一会儿忘了自己的身份，一会儿乱调用工具。
解决方案：将Agent的Prompt拆分成4层，每层负责不同的逻辑，让Agent的行为更可控。

3.1 分层逻辑与示例

Agent的Prompt分为基础层→控制层→工具层→记忆层，每层的职责与示例如下：

层级	职责	示例Prompt
基础层	定义Agent的身份、核心目标、语气	你是一位专业旅行规划师，擅长根据用户需求设计个性化行程，语气友好亲切。
控制层	定义Agent的决策规则、任务边界（比如“先问偏好再规划”）	1. 首先询问用户关键需求（预算、日期、兴趣点）；2. 不确定的信息必须调用工具。
工具层	定义工具调用的格式、参数要求（避免Agent乱传参数）	调用酒店查询工具的格式：<
记忆层	引导Agent检索、利用记忆（比如用户之前说的“喜欢海边”）	回答前先检索用户历史对话，整合“喜欢海边”“不吃辣”等偏好。

3.2 代码实现：分层Prompt

用LangChain的ChatPromptTemplate实现分层Prompt：

from langchain.prompts import ChatPromptTemplate, HumanMessagePromptTemplate

# 1. 基础层：身份与目标
base_prompt = ChatPromptTemplate.from_messages([
    HumanMessagePromptTemplate.from_template(
        "你是一位专业的旅行规划师，擅长根据用户的需求设计个性化的三亚行程。你的核心目标是帮用户打造轻松、符合预算且充满乐趣的旅行体验，语气要友好亲切。"
    )
])

# 2. 控制层：决策规则
control_prompt = ChatPromptTemplate.from_messages([
    HumanMessagePromptTemplate.from_template(
        "规划过程中请严格遵循以下规则：\n"
        "1. 首先询问用户的**关键需求**（旅行日期、每日预算、兴趣点、特殊饮食偏好）；\n"
        "2. 遇到**不确定的实时信息**（如天气、酒店价格、防疫政策），必须调用对应的工具查询，禁止猜测；\n"
        "3. 每完成一步规划，必须向用户确认是否满意，再进行下一步。"
    )
])

# 3. 工具层：工具调用格式
tool_prompt = ChatPromptTemplate.from_messages([
    HumanMessagePromptTemplate.from_template(
        "当需要调用工具时，请使用以下格式（**必须严格遵守**）：\n"
        "<|FunctionCallBegin|>{"
        "\"name\": \"工具名称\", "
        "\"parameters\": {\"参数1\": \"值1\", \"参数2\": \"值2\"}"
        "}<|FunctionCallEnd|>\n\n"
        "你可以使用的工具列表：\n"
        "- search_hotels：查询三亚酒店，参数：destination（必填，如“三亚”）、check_in（必填，如“2024-05-01”）、check_out（必填，如“2024-05-04”）、budget（必填，如1000）；\n"
        "- get_weather：查询三亚天气，参数：city（必填，如“三亚”）、date（必填，如“2024-05-01”）；\n"
        "- get_covid_policy：查询三亚防疫政策，参数：city（必填，如“三亚”）。"
    )
])

# 4. 记忆层：记忆检索引导
memory_prompt = ChatPromptTemplate.from_messages([
    HumanMessagePromptTemplate.from_template(
        "在回答用户问题前，请先**检索用户的历史对话记录**，并整合以下信息：\n"
        "- 用户已提供的需求（如旅行日期、预算）；\n"
        "- 用户的偏好（如“喜欢海边”“不吃辣”）；\n"
        "- 用户之前确认过的内容（如“同意第一天去亚龙湾”）。\n"
        "如果有相关信息，必须在回答中体现！"
    )
])

# 合并所有Prompt（顺序：基础层→控制层→工具层→记忆层）
final_prompt = ChatPromptTemplate.from_messages(
    base_prompt.messages + control_prompt.messages + tool_prompt.messages + memory_prompt.messages
)

# 测试Prompt：打印合并后的内容
print(final_prompt.format())

3.3 为什么要分层？

• 基础层：给Agent“定调”，避免身份混淆（比如不会突然变成“代码助手”）；
• 控制层：给Agent“立规矩”，避免乱决策（比如不会跳过“问偏好”直接规划）；
• 工具层：给Agent“划格式”，避免工具调用错误（比如不会漏传酒店查询的check_in参数）；
• 记忆层：给Agent“装记忆”，避免重复问问题（比如不会反复问“你喜欢海边吗？”）。

四、核心技能2：基于目标的任务拆解与规划提示

问题：用户说“帮我规划三亚3天行程”，Agent直接输出一个行程表——但没问预算、没查天气，结果要么超预算，要么遇到下雨。
解决方案：用Prompt引导Agent先“规划任务步骤”，再“执行步骤”，就像人做计划一样。

4.1 任务规划的核心逻辑

Agent的任务规划要遵循**“目标→子任务→步骤”**的逻辑：

1. 明确目标：用户的核心需求（如“三亚3天行程，预算1000元/晚，喜欢海边”）；
2. 拆解子任务：将大目标拆成可执行的小任务（如“收集用户需求→查天气→设计每日行程→订酒店→查防疫政策”）；
3. 定义步骤：每个子任务的具体操作（如“查天气”→“调用get_weather工具，查5月1日-4日三亚的天气”）。

4.2 用Prompt引导任务规划

我们可以用**“Plan-and-Execute”**模式（先规划再执行），给Agent写如下Prompt：

# 控制层Prompt新增：任务规划引导
control_prompt = ChatPromptTemplate.from_messages([
    HumanMessagePromptTemplate.from_template(
        "规划过程中请严格遵循以下规则：\n"
        "1. **先规划，再执行**：收到用户需求后，首先拆解成**具体的子任务步骤**，每个步骤要明确“做什么”“为什么做”；\n"
        "2. 子任务示例：\n"
        "   - 步骤1：询问用户旅行日期（因为需要查对应日期的天气）；\n"
        "   - 步骤2：调用get_weather工具查询三亚5月1日-4日的天气（因为要避开雨天）；\n"
        "   - 步骤3：根据天气设计每日行程（比如雨天安排室内活动）；\n"
        "3. 每完成一个步骤，向用户确认后再进行下一步。"
    )
])

4.3 代码实现：Plan-and-Execute Agent

用LangChain的PlanAndExecuteAgent实现任务规划：

from langchain.agents import PlanAndExecuteAgent, Tool, AgentExecutor
from langchain.tools import StructuredTool
from langchain_openai import ChatOpenAI
from dotenv import load_dotenv

load_dotenv()

# 1. 定义工具函数（模拟调用真实API）
def search_hotels(destination: str, check_in: str, check_out: str, budget: int) -> str:
    """查询指定目的地、日期、预算的酒店信息"""
    return f"三亚{check_in}至{check_out}期间，符合{budget}元/晚预算的海边酒店有：亚龙湾万豪酒店（980元/晚）、海棠湾喜来登酒店（1020元/晚）"

def get_weather(city: str, date: str) -> str:
    """查询指定城市、日期的天气"""
    return f"三亚{date}的天气：晴，气温25-30℃，风力2级"

def get_covid_policy(city: str) -> str:
    """查询指定城市的防疫政策"""
    return "三亚当前防疫政策：无需核酸检测，健康码绿码即可通行"

# 2. 将工具封装成LangChain的Tool对象
tools = [
    StructuredTool.from_function(search_hotels),
    StructuredTool.from_function(get_weather),
    StructuredTool.from_function(get_covid_policy),
]

# 3. 初始化LLM与Agent
llm = ChatOpenAI(model="gpt-4-turbo", temperature=0.1)
agent = PlanAndExecuteAgent.from_llm_and_tools(llm=llm, tools=tools, prompt=final_prompt)
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)

# 4. 测试任务规划：用户输入“帮我规划三亚3天行程，预算1000元/晚，喜欢海边”
response = agent_executor.invoke({
    "input": "帮我规划三亚3天行程，预算1000元/晚，喜欢海边"
})
print(response["output"])

4.4 运行结果示例

Agent的输出会像这样：

> 我需要先明确你的旅行日期，以便查询对应日期的天气和酒店 availability～请问你计划什么时候去三亚？

当你回复“5月1日-4日”后，Agent会执行下一步：

> 好的，我现在需要查询三亚5月1日-4日的天气，确保行程不会遇到雨天～
> <|FunctionCallBegin|>{"name":"get_weather","parameters":{"city":"三亚","date":"2024-05-01"}}<|FunctionCallEnd|>
> <|FunctionCallBegin|>{"name":"get_weather","parameters":{"city":"三亚","date":"2024-05-02"}}<|FunctionCallEnd|>
> <|FunctionCallBegin|>{"name":"get_weather","parameters":{"city":"三亚","date":"2024-05-03"}}<|FunctionCallEnd|>

工具返回天气后，Agent会继续设计行程：

> 根据天气信息，三亚5月1日-3日都是晴天，非常适合海边活动！我为你设计了以下行程：
> Day 1：亚龙湾沙滩（上午）→ 亚龙湾热带天堂森林公园（下午）→ 海边海鲜餐厅（晚餐，推荐“拾味馆”，主打不辣的海鲜）；
> Day 2：蜈支洲岛（全天，推荐潜水项目）→ 海棠湾免税店（晚上）；
> Day 3：南山文化旅游区（上午，看108米观音像）→ 三亚湾椰梦长廊（下午，看日落）；
> 需要我帮你查询符合预算的海边酒店吗？

4.5 关键设计点

• 用示例引导：在Prompt中给出子任务示例（如“步骤1：询问旅行日期”），让Agent更清楚怎么拆解任务；
• 绑定目标与步骤：每个步骤都要说明“为什么做”（如“查天气是为了避开雨天”），避免Agent做无意义的操作；
• 分步确认：每完成一步都让用户确认，确保行程符合预期。

五、核心技能3：工具调用的Prompt约束与容错

问题：Agent调用工具时经常犯低级错误——比如漏传check_in参数、用错工具名称（把search_hotels写成search_hotel），导致工具调用失败。
解决方案：用Prompt严格约束工具调用的格式与参数，并设计容错逻辑。

5.1 工具调用的3个核心约束

要让Agent正确调用工具，Prompt需要包含以下3点：

1. 工具名称：明确可用的工具列表（如“search_hotels”）；
2. 参数要求：每个工具的必填参数（如search_hotels需要destination、check_in、check_out、budget）；
3. 格式要求：必须使用指定的格式（如<|FunctionCallBegin|>…<|FunctionCallEnd|>）。

5.2 容错Prompt设计

即使有约束，Agent还是可能出错——比如工具返回“参数错误”，这时需要Prompt引导Agent自我修正：

# 工具层Prompt新增：容错逻辑
tool_prompt = ChatPromptTemplate.from_messages([
    HumanMessagePromptTemplate.from_template(
        "当需要调用工具时，请使用以下格式（**必须严格遵守**）：\n"
        "<|FunctionCallBegin|>{"
        "\"name\": \"工具名称\", "
        "\"parameters\": {\"参数1\": \"值1\", \"参数2\": \"值2\"}"
        "}<|FunctionCallEnd|>\n\n"
        "**注意事项**：\n"
        "1. 必须检查参数是否完整（如search_hotels需要4个参数，缺一不可）；\n"
        "2. 如果工具返回**错误信息**（如“参数缺失”“API调用失败”），请：\n"
        "   a. 重新检查参数是否正确；\n"
        "   b. 若参数正确，换一个同类工具调用（如search_hotels失败，换另一个酒店查询工具）；\n"
        "   c. 若所有工具都失败，向用户说明情况并请求帮助。\n\n"
        "可用工具列表：\n"
        "- search_hotels：查询三亚酒店，参数：destination（必填）、check_in（必填）、check_out（必填）、budget（必填）；\n"
        "- get_weather：查询三亚天气，参数：city（必填）、date（必填）；\n"
        "- get_covid_policy：查询三亚防疫政策，参数：city（必填）。"
    )
])

5.3 代码测试：容错逻辑

假设Agent调用search_hotels时漏传了check_out参数：

> <|FunctionCallBegin|>{"name":"search_hotels","parameters":{"destination":"三亚","check_in":"2024-05-01","budget":1000}}<|FunctionCallEnd|>

工具会返回错误：“参数错误：缺少check_out”。这时Agent会根据容错Prompt修正：

> 抱歉，我刚才调用酒店查询工具时漏传了退房日期参数～请问你的退房日期是哪一天？

5.4 关键技巧

• 用“必填”标记参数：在Prompt中明确“必填”，让Agent重视；
• 模拟错误场景：在Prompt中说明“如果工具返回错误，要做什么”，让Agent有应对方案；
• 限制工具范围：只给Agent必要的工具（比如旅行规划不需要“代码解释”工具），避免滥用。

六、核心技能4：记忆系统的Prompt交互设计

问题：用户说“我喜欢海边”，Agent规划行程时却没加海边景点——因为它“没记住”。
解决方案：用Prompt引导Agent检索、利用记忆，让Agent像人一样“记得”用户的偏好。

6.1 记忆系统的类型

Agent的记忆分为两种：

1. 短期记忆（Context Memory）：当前对话的上下文（比如用户刚说的“喜欢海边”）；
2. 长期记忆（Long-Term Memory）：用户的历史偏好、之前的任务结果（比如用户去年去过三亚，喜欢“拾味馆”餐厅）。

6.2 记忆交互的Prompt设计

要让Agent利用记忆，Prompt需要包含以下引导：

1. 检索指令：“回答前先检索用户的历史对话记录”；
2. 整合要求：“必须将记忆中的信息融入回答”；
3. 更新要求：“如果用户提供了新信息，更新记忆”。

6.3 代码实现：记忆系统

用LangChain的ConversationBufferMemory实现短期记忆，用VectorStoreRetrieverMemory实现长期记忆：

from langchain.memory import ConversationBufferMemory, VectorStoreRetrieverMemory
from langchain.vectorstores import FAISS
from langchain.embeddings import OpenAIEmbeddings

# 1. 短期记忆：存储当前对话上下文
short_term_memory = ConversationBufferMemory(
    memory_key="chat_history",  # 记忆的键名，要与Prompt中的变量对应
    return_messages=True  # 返回Message对象，方便整合到Prompt中
)

# 2. 长期记忆：用向量数据库存储用户历史偏好（比如“喜欢海边”“不吃辣”）
embeddings = OpenAIEmbeddings()
vector_store = FAISS.from_texts(
    texts=["用户喜欢海边活动", "用户不吃辣", "用户去年去过三亚，喜欢拾味馆餐厅"],
    embedding=embeddings
)
long_term_memory = VectorStoreRetrieverMemory(
    retriever=vector_store.as_retriever(k=3),  # 检索前3条相关记忆
    memory_key="long_term_memory",
    return_messages=True
)

# 3. 将记忆整合到Agent中
agent_executor = AgentExecutor(
    agent=agent,
    tools=tools,
    verbose=True,
    memory=short_term_memory,  # 短期记忆
    extra_memory=long_term_memory  # 长期记忆
)

# 4. 测试记忆：用户输入“帮我规划三亚3天行程，预算1000元/晚”
response = agent_executor.invoke({
    "input": "帮我规划三亚3天行程，预算1000元/晚"
})
print(response["output"])

6.4 运行结果示例

Agent会自动检索长期记忆中的“喜欢海边”“不吃辣”，并融入行程：

> 你之前提到喜欢海边活动，而且不吃辣～我为你设计了以下行程：
> Day 1：亚龙湾沙滩（上午，海边散步）→ 亚龙湾热带天堂森林公园（下午，看海景）→ 拾味馆（晚餐，不辣的海鲜）；
> Day 2：蜈支洲岛（全天，潜水看珊瑚）→ 海棠湾免税店（晚上）；
> Day 3：三亚湾椰梦长廊（上午，看日出）→ 南山文化旅游区（下午，观音像）；
> 需要我帮你查询符合预算的海边酒店吗？

6.5 关键设计点

• 记忆键名一致：记忆的memory_key要与Prompt中的变量对应（比如Prompt中用{long_term_memory}，记忆的memory_key就要设为long_term_memory）；
• 限制检索数量：用k=3限制检索3条最相关的记忆，避免信息过载；
• 自动更新记忆：当用户提供新信息（比如“我现在喜欢吃辣了”），要让Agent自动更新长期记忆。

七、核心技能5：反思与迭代的Prompt引导

问题：Agent规划的行程超预算了，但它自己不知道——因为它“不会反思”。
解决方案：用Prompt引导Agent自我评估，调整结果，就像人做完计划会检查一遍。

7.1 反思的核心逻辑

Agent的反思要遵循**“执行→评估→修正”**的循环：

1. 执行：完成一个任务（如规划行程）；
2. 评估：检查结果是否符合用户需求（如“行程是否超预算？是否包含海边活动？”）；
3. 修正：如果不符合，调整结果（如“换更便宜的酒店，确保预算在1000元/晚”）。

7.2 反思Prompt设计

我们可以在Prompt中加入**“反思 checklist”**，让Agent按清单评估：

# 控制层Prompt新增：反思引导
control_prompt = ChatPromptTemplate.from_messages([
    HumanMessagePromptTemplate.from_template(
        "规划过程中请严格遵循以下规则：\n"
        "1. 先规划，再执行；\n"
        "2. 每完成一个任务（如规划行程、订酒店），必须用以下**checklist**反思：\n"
        "   - 结果是否符合用户的核心需求？（如预算1000元/晚、喜欢海边）；\n"
        "   - 有没有遗漏用户的偏好？（如不吃辣）；\n"
        "   - 有没有错误的信息？（如天气是否正确、酒店价格是否实时）；\n"
        "3. 如果反思发现问题，必须立即修正（如换便宜的酒店、补充海边景点）。"
    )
])

7.3 代码测试：反思逻辑

假设Agent规划的行程中，酒店价格是1200元/晚（超预算），反思后会修正：

> 我刚才规划的行程中，酒店价格是1200元/晚，超过了你的预算1000元/晚～我重新查询了符合预算的酒店：
> 亚龙湾万豪酒店（980元/晚，海边）、海棠湾喜来登酒店（1020元/晚，海边，稍微超一点但含早餐）；
> 你更喜欢哪一个？

7.4 关键技巧

• 用checklist引导：将反思的内容变成可执行的清单（如“是否符合预算？”），让Agent更明确；
• 绑定用户需求：反思的每一条都要对应用户的核心需求（如“预算”“喜欢海边”），避免无意义的反思；
• 强制修正：在Prompt中明确“如果发现问题，必须立即修正”，避免Agent忽略错误。

八、核心技能6：多Agent协作的Prompt协调

问题：一个Agent无法完成所有任务——比如旅行规划需要“行程设计Agent”“酒店预订Agent”“防疫信息Agent”协同工作。
解决方案：用Prompt定义多Agent的职责与协作规则，让它们像团队一样工作。

8.1 多Agent协作的模式

常见的多Agent协作模式有两种：

1. 主从模式：一个主Agent负责统筹，其他从Agent负责具体任务（如主Agent是“旅行规划师”，从Agent是“酒店预订员”“天气查询员”）；
2. 平等模式：多个Agent平等协作，共同完成任务（如“行程设计Agent”和“酒店预订Agent”互相传递信息）。

8.2 协作Prompt设计

以主从模式为例，我们需要给主Agent写如下Prompt，定义协作规则：

# 主Agent的控制层Prompt新增：多Agent协作规则
control_prompt = ChatPromptTemplate.from_messages([
    HumanMessagePromptTemplate.from_template(
        "你是旅行规划主Agent，负责统筹以下从Agent：\n"
        "- 酒店预订Agent：负责查询、预订符合要求的酒店；\n"
        "- 天气查询Agent：负责查询旅行日期的天气；\n"
        "- 防疫信息Agent：负责查询当地防疫政策；\n"
        "**协作规则**：\n"
        "1. 当需要预订酒店时，将以下信息传给酒店预订Agent：目的地、日期、预算、偏好；\n"
        "2. 当需要查天气时，将城市、日期传给天气查询Agent；\n"
        "3. 当需要查防疫政策时，将城市传给防疫信息Agent；\n"
        "4. 从Agent返回结果后，你需要整合信息，输出最终行程。"
    )
])

8.3 代码实现：多Agent协作

用LangChain的AgentGroupChat实现多Agent协作：

from langchain.agents import AgentGroupChat, AgentExecutor
from langchain.agents import initialize_agent, AgentType

# 1. 初始化从Agent
hotel_agent = initialize_agent(
    tools=[StructuredTool.from_function(search_hotels)],
    llm=llm,
    agent_type=AgentType.STRUCTURED_CHAT_ZERO_SHOT_REACT_DESCRIPTION,
    verbose=True,
    prompt=ChatPromptTemplate.from_messages([
        HumanMessagePromptTemplate.from_template("你是酒店预订Agent，负责查询、预订符合要求的酒店。")
    ])
)

weather_agent = initialize_agent(
    tools=[StructuredTool.from_function(get_weather)],
    llm=llm,
    agent_type=AgentType.STRUCTURED_CHAT_ZERO_SHOT_REACT_DESCRIPTION,
    verbose=True,
    prompt=ChatPromptTemplate.from_messages([
        HumanMessagePromptTemplate.from_template("你是天气查询Agent，负责查询指定城市、日期的天气。")
    ])
)

covid_agent = initialize_agent(
    tools=[StructuredTool.from_function(get_covid_policy)],
    llm=llm,
    agent_type=AgentType.STRUCTURED_CHAT_ZERO_SHOT_REACT_DESCRIPTION,
    verbose=True,
    prompt=ChatPromptTemplate.from_messages([
        HumanMessagePromptTemplate.from_template("你是防疫信息Agent，负责查询指定城市的防疫政策。")
    ])
)

# 2. 初始化主Agent与AgentGroup
agents = [hotel_agent, weather_agent, covid_agent]
group_chat = AgentGroupChat(agents=agents, messages=[], max_rounds=5)
group_agent_executor = AgentExecutor(agent=group_chat, tools=tools, verbose=True)

# 3. 测试多Agent协作：主Agent请求从Agent查询天气
response = group_agent_executor.invoke({
    "input": "主Agent请求天气查询Agent：查询三亚2024-05-01的天气"
})
print(response["output"])

8.4 运行结果示例

主Agent会向天气查询Agent发送请求，天气查询Agent返回结果后，主Agent整合到行程中：

> 主Agent：请天气查询Agent查询三亚2024-05-01的天气。
> 天气查询Agent：收到，现在调用get_weather工具～
> <|FunctionCallBegin|>{"name":"get_weather","parameters":{"city":"三亚","date":"2024-05-01"}}<|FunctionCallEnd|>
> 天气查询Agent：三亚2024-05-01的天气是晴，气温25-30℃。
> 主Agent：好的，我会将这个天气信息整合到行程中～

8.5 关键设计点

• 明确职责边界：每个Agent的职责要清晰（如“酒店预订Agent只负责订酒店”），避免越权；
• 定义通信格式：主Agent与从Agent的通信要使用明确的格式（如“主Agent请求XXAgent：做XX事”）；
• 限制协作轮次：用max_rounds=5限制协作轮次，避免无限循环。

九、实战验证：搭建旅行规划Agent

现在，我们将前面的技能整合起来，搭建一个完整的旅行规划Agent，并测试它处理复杂需求的能力。

9.1 完整代码结构

from langchain.prompts import ChatPromptTemplate, HumanMessagePromptTemplate
from langchain.agents import PlanAndExecuteAgent, AgentExecutor, StructuredTool
from langchain_openai import ChatOpenAI
from langchain.memory import ConversationBufferMemory, VectorStoreRetrieverMemory
from langchain.vectorstores import FAISS
from langchain.embeddings import OpenAIEmbeddings
from dotenv import load_dotenv

# 1. 加载环境变量
load_dotenv()

# 2. 定义工具函数
def search_hotels(destination: str, check_in: str, check_out: str, budget: int) -> str:
    return f"三亚{check_in}至{check_out}期间，符合{budget}元/晚预算的海边酒店有：亚龙湾万豪酒店（980元/晚）、海棠湾喜来登酒店（1020元/晚）"

def get_weather(city: str, date: str) -> str:
    return f"三亚{date}的天气：晴，气温25-30℃，风力2级"

def get_covid_policy(city: str) -> str:
    return "三亚当前防疫政策：无需核酸检测，健康码绿码即可通行"

# 3. 封装工具
tools = [
    StructuredTool.from_function(search_hotels),
    StructuredTool.from_function(get_weather),
    StructuredTool.from_function(get_covid_policy),
]

# 4. 设计分层Prompt
base_prompt = ChatPromptTemplate.from_messages([
    HumanMessagePromptTemplate.from_template("你是一位专业的旅行规划师，擅长根据用户需求设计个性化的三亚行程，语气友好亲切。")
])

control_prompt = ChatPromptTemplate.from_messages([
    HumanMessagePromptTemplate.from_template(
        "规划过程中请严格遵循以下规则：\n"
        "1. 先规划，再执行：收到用户需求后，首先拆解成具体的子任务步骤；\n"
        "2. 每完成一个任务，用checklist反思：是否符合用户需求？有没有遗漏偏好？有没有错误信息？\n"
        "3. 遇到不确定的信息必须调用工具，禁止猜测；\n"
        "4. 多Agent协作：需要订酒店时传给酒店预订Agent，需要查天气时传给天气查询Agent。"
    )
])

tool_prompt = ChatPromptTemplate.from_messages([
    HumanMessagePromptTemplate.from_template(
        "调用工具时请使用以下格式：\n"
        "<|FunctionCallBegin|>{"
        "\"name\": \"工具名称\", "
        "\"parameters\": {\"参数1\": \"值1\", \"参数2\": \"值2\"}"
        "}<|FunctionCallEnd|>\n\n"
        "可用工具：search_hotels（需4个参数）、get_weather（需2个参数）、get_covid_policy（需1个参数）。"
    )
])

memory_prompt = ChatPromptTemplate.from_messages([
    HumanMessagePromptTemplate.from_template(
        "回答前先检索用户的历史对话记录，整合以下信息：用户的需求、偏好、之前确认过的内容。"
    )
])

final_prompt = ChatPromptTemplate.from_messages(
    base_prompt.messages + control_prompt.messages + tool_prompt.messages + memory_prompt.messages
)

# 5. 初始化记忆系统
embeddings = OpenAIEmbeddings()
vector_store = FAISS.from_texts(
    texts=["用户喜欢海边活动", "用户不吃辣", "用户去年去过三亚，喜欢拾味馆餐厅"],
    embedding=embeddings
)
long_term_memory = VectorStoreRetrieverMemory(
    retriever=vector_store.as_retriever(k=3),
    memory_key="long_term_memory",
    return_messages=True
)
short_term_memory = ConversationBufferMemory(
    memory_key="chat_history",
    return_messages=True
)

# 6. 初始化Agent与Executor
llm = ChatOpenAI(model="gpt-4-turbo", temperature=0.1)
agent = PlanAndExecuteAgent.from_llm_and_tools(llm=llm, tools=tools, prompt=final_prompt)
agent_executor = AgentExecutor(
    agent=agent,
    tools=tools,
    verbose=True,
    memory=short_term_memory,
    extra_memory=long_term_memory
)

# 7. 测试Agent
if __name__ == "__main__":
    user_input = "帮我规划三亚3天行程，预算1000元/晚，喜欢海边"
    response = agent_executor.invoke({"input": user_input})
    print("最终行程：\n", response["output"])

9.2 测试结果

运行代码后，Agent会：

1. 询问用户旅行日期（比如“请问你计划什么时候去三亚？”）；
2. 调用天气工具查询对应日期的天气；
3. 根据天气和用户偏好（喜欢海边、不吃辣）设计行程；
4. 调用酒店工具查询符合预算的海边酒店；
5. 调用防疫工具查询三亚的防疫政策；
6. 整合所有信息，输出最终行程。

最终输出示例：

最终行程：
 你计划5月1日-4日去三亚，对吧？根据天气信息，这几天都是晴天，非常适合海边活动！我为你设计了以下行程：

Day 1：
- 上午：亚龙湾沙滩（海边散步、踩浪花）；
- 下午：亚龙湾热带天堂森林公园（看海景玻璃栈道）；
- 晚餐：拾味馆（你去年喜欢的餐厅，主打不辣的海鲜）。

Day 2：
- 全天：蜈支洲岛（潜水看珊瑚、坐直升机看海景）；
- 晚上：海棠湾免税店（购物，离蜈支洲岛很近）。

Day 3：
- 上午：三亚湾椰梦长廊（看日出，海边骑行）；
- 下午：南山文化旅游区（看108米观音像，祈福）；
- 晚餐：三亚湾海边大排档（推荐“三亚湾一号”，海鲜新鲜，可做不辣的口味）。

酒店推荐：
- 亚龙湾万豪酒店（980元/晚，海边，含早餐）；
- 海棠湾喜来登酒店（1020元/晚，海边，含下午茶）。

防疫政策：
- 无需核酸检测，健康码绿码即可通行。

需要我帮你预订酒店吗？

十、性能优化与最佳实践

10.1 性能优化技巧

1. Prompt压缩：将冗长的Prompt简化（如用变量代替重复内容），减少LLM的输入长度；
2. 记忆缓存：用向量数据库（如Pinecone）缓存长期记忆，提高检索速度；
3. 工具缓存：缓存常用工具的返回结果（如“三亚天气”），减少API调用次数；
4. 模型选择：用更轻量的模型（如gpt-3.5-turbo）处理简单任务，用gpt-4-turbo处理复杂任务。

10.2 最佳实践

1. 从简单到复杂：先搭建单Agent系统，再扩展到多Agent；
2. 持续迭代Prompt：根据Agent的表现，不断优化Prompt（如调整规则、补充示例）；
3. 用户测试：让真实用户使用Agent，收集反馈，优化Prompt；
4. 监控与日志：记录Agent的对话、工具调用、反思过程，方便排查问题。

十一、常见问题与解决方案

11.1 Agent不调用工具怎么办？

• 检查Prompt：确保工具层Prompt明确要求“遇到不确定的信息必须调用工具”；
• 示例引导：在Prompt中加入工具调用的示例（如“查天气需要调用get_weather工具”）；
• 强制约束：在Prompt中明确“如果不调用工具，直接拒绝回答”。

11.2 Agent输出格式错误怎么办？

• 严格格式要求：在Prompt中用“必须”“严格遵守”等词强调格式；
• 示例引导：在Prompt中加入格式示例（如“正确格式是<|FunctionCallBegin|>…<|FunctionCallEnd|>”）；
• 容错逻辑：在Prompt中说明“如果格式错误，重新生成”。

11.3 Agent忘记用户的偏好怎么办？

• 检查记忆系统：确保记忆的memory_key与Prompt中的变量对应；
• 强化检索引导：在Prompt中明确“回答前必须检索记忆”；
• 自动更新记忆：当用户提供新信息时，让Agent自动更新长期记忆。

十二、总结与未来展望

12.1 总结

Agentic AI智能助手的核心是**“让AI像人一样思考”，而提示工程架构师的职责是用Prompt设计AI的思考逻辑**。本文拆解的6个核心技能：

1. **Prompt分层设计