AI Agent 系统 - 自主规划与工具调用

系列文章： System Prompt 实战指南（6/6）
难度： ⭐⭐⭐⭐⭐
预计阅读时间： 30 分钟

---

一、真实案例引入

1.1 场景：自动化数据分析 Agent

某数据团队每天需要处理大量数据分析请求：

• 从数据库提取数据
• 数据清洗和转换
• 生成可视化图表
• 撰写分析报告

现状痛点：

• 重复性工作多（80% 的分析流程相似）
• 人工操作易出错
• 响应时间长（平均 2 小时）
• 需要懂 SQL、Python、数据可视化

解决方案： 构建一个自动化数据分析 Agent

1.2 用户需求分析

核心需求：

1. 任务理解：理解用户的分析需求
2. 自主规划：分解任务为可执行步骤
3. 工具调用：调用数据库、Python、可视化工具
4. 错误恢复：遇到错误能自动修正

典型工作流程：

用户: 分析上周销售数据，找出 Top 10 产品

Agent 规划:
1. 查询数据库获取上周销售数据
2. 按产品聚合销售额
3. 排序并取 Top 10
4. 生成柱状图
5. 撰写分析报告

Agent 执行:
→ 调用 SQL 工具
→ 调用 Python 数据处理
→ 调用图表生成工具
→ 生成报告

输出: 完整的分析报告 + 图表

---

二、问题分析与需求拆解

2.1 核心挑战 1：任务理解与分解

问题： 如何将复杂任务分解为可执行步骤？

示例：

用户需求: "分析用户留存率"

需要分解为:
1. 定义留存率计算方法
2. 确定时间范围
3. 查询用户活跃数据
4. 计算留存率
5. 可视化趋势
6. 生成报告

解决思路：

• ReAct 模式：推理 → 行动 → 观察
• Plan-and-Execute：先规划，再执行
• 分层任务分解

2.2 核心挑战 2：工具选择与编排

问题： 何时使用哪个工具？如何组合多个工具？

可用工具：

• query_database: 查询数据库
• run_python: 执行 Python 代码
• create_chart: 生成图表
• search_web: 搜索信息

编排模式：

• 串行：A → B → C
• 并行：A + B → C
• 条件：if A then B else C

解决思路：

• 明确每个工具的能力和限制
• 提供工具使用示例
• 定义工具组合模式

2.3 核心挑战 3：多步推理与状态管理

问题： 如何记住中间结果？如何基于结果调整计划？

状态管理：

state = {
    "current_step": 3,
    "completed_steps": [1, 2],
    "intermediate_results": {
        "step_1": "查询结果: 1000 条数据",
        "step_2": "清洗后: 950 条有效数据"
    },
    "next_action": "执行数据聚合"
}

解决思路：

• 维护执行状态
• 记录中间结果
• 动态调整计划

2.4 核心挑战 4：错误处理与恢复

问题： 工具调用失败时如何处理？

常见错误：

• SQL 语法错误
• Python 代码异常
• 数据格式不匹配
• 工具超时

恢复策略：

1. 重试：临时性错误（网络超时）
2. 修正：语法错误（修改 SQL）
3. 替代：换一个工具或方法
4. 求助：无法自动恢复，请求人工

---

三、解决方案演进

V1：简单的工具调用

System Prompt：

SYSTEM_PROMPT_V1 = """
你是一个数据分析助手，可以调用以下工具：

## 可用工具
1. query_database(sql): 执行 SQL 查询
2. run_python(code): 执行 Python 代码
3. create_chart(data, type): 生成图表

## 工作流程
1. 理解用户需求
2. 选择合适的工具
3. 调用工具获取结果
4. 返回分析结果
"""

优点：

• ✅ 能调用工具
• ✅ 基本可用

缺点：

• ❌ 不能多步规划
• ❌ 错误处理简单
• ❌ 没有状态管理

---

V2：ReAct 模式 Agent

改进点：

1. ReAct 循环：思考 → 行动 → 观察
2. 多步推理：支持复杂任务
3. 中间结果记录：保存每步输出

System Prompt 改进：

SYSTEM_PROMPT_V2 = """
你是一个数据分析 Agent，使用 ReAct 模式工作。

## ReAct 循环

每一步按以下格式输出：

**思考 (Thought):** [分析当前情况，决定下一步]
**行动 (Action):** [选择工具和参数]
**观察 (Observation):** [工具返回的结果]

重复上述循环，直到完成任务。

## 可用工具

### query_database
- 功能：执行 SQL 查询
- 参数：sql (string)
- 返回：查询结果（JSON）

### run_python
- 功能：执行 Python 代码
- 参数：code (string)
- 返回：执行结果

### create_chart
- 功能：生成图表
- 参数：data (JSON), chart_type (string)
- 返回：图表 URL

## 示例

用户: 查询上周销售额

**思考:** 需要查询数据库获取上周的销售数据
**行动:** query_database("SELECT SUM(amount) FROM sales WHERE date >= '2024-05-01' AND date < '2024-05-08'")
**观察:** 结果: {"total": 125000}

**思考:** 已获取数据，现在生成报告
**行动:** 完成任务
**结果:** 上周销售额为 125,000 元

## 约束
- 每次只执行一个行动
- 基于观察结果调整计划
- 遇到错误要分析原因并修正
"""

改进效果：

• ✅ 支持多步推理
• ✅ 能处理复杂任务
• ✅ 有思考过程

仍存在的问题：

• ❌ 错误恢复能力弱
• ❌ 没有并行执行
• ❌ 缺少计划优化

---

V3：生产级 Agent 系统

完整代码见 code/v3_production.py

核心特性：

1. ✅ Plan-and-Execute：先规划，再执行
2. ✅ 并行工具调用：提升效率
3. ✅ 智能错误恢复：自动重试和修正
4. ✅ 状态持久化：可暂停和恢复
5. ✅ 执行监控：记录每步耗时和结果

---

四、关键技术点深度剖析

4.1 任务规划技术

ReAct vs Plan-and-Execute：

维度	ReAct	Plan-and-Execute
规划方式	边执行边规划	先规划后执行
灵活性	高	中
效率	中	高
适用场景	探索性任务	明确目标任务

推荐： 混合模式

• 先用 Plan-and-Execute 生成初始计划
• 执行中用 ReAct 动态调整

4.2 工具编排模式

串行执行：

result1 = tool_a()
result2 = tool_b(result1)
result3 = tool_c(result2)

并行执行：

result1, result2 = parallel(tool_a(), tool_b())
result3 = tool_c(result1, result2)

条件执行：

if condition:
    result = tool_a()
else:
    result = tool_b()

4.3 错误分类与恢复

错误类型：

1. 临时性错误（网络超时）

   • 策略：重试 3 次
   • 延迟：指数退避

2. 语法错误（SQL 错误）

   • 策略：分析错误信息，修正后重试
   • 示例：修正 SQL 语法

3. 逻辑错误（结果不符合预期）

   • 策略：重新规划
   • 示例：换一种查询方式

4. 不可恢复错误（权限不足）

   • 策略：报告错误，请求人工介入

4.4 状态机管理

状态定义：

class AgentState(Enum):
    PLANNING = "planning"      # 规划中
    EXECUTING = "executing"    # 执行中
    WAITING = "waiting"        # 等待工具返回
    ERROR = "error"            # 错误状态
    COMPLETED = "completed"    # 已完成

状态转换：

PLANNING → EXECUTING → WAITING → EXECUTING → COMPLETED
                ↓
              ERROR → PLANNING (重新规划)

---

五、生产环境注意事项

5.1 安全控制

• 工具权限限制
• 敏感操作需人工确认
• 审计日志

5.2 成本控制

• 设置最大步数限制
• Token 消耗监控
• 工具调用计费

5.3 性能优化

• 并行执行
• 结果缓存
• Prompt Caching

---

六、性能优化与成本控制

6.1 并行优化

• 识别可并行的工具调用
• 减少总执行时间 50-70%

6.2 成本分析

人工 vs Agent：

任务	人工耗时	Agent 耗时	节省
数据分析	2 小时	5 分钟	96%
报告生成	1 小时	3 分钟	95%

ROI： 提升 20-30 倍效率

---

七、关键要点总结

1. 规划是关键

   • 先规划后执行
   • 动态调整计划

2. 工具编排要灵活

   • 串行、并行、条件
   • 根据场景选择

3. 错误恢复要智能

   • 分类处理
   • 自动修正

4. 状态管理要完善

   • 记录中间结果
   • 支持暂停恢复

5. 安全控制不能少

   • 权限限制
   • 人工确认
   • 审计日志

---

系列总结

恭喜你完成了《System Prompt 实战指南》系列的学习！

我们学习了：

• 第 0 篇：System Prompt 基础概念
• 第 1 篇：多轮对话系统（上下文管理）
• 第 2 篇：内容创作系统（风格控制）
• 第 3 篇：RAG 系统（知识库问答）
• 第 4 篇：代码生成助手（智能编程）
• 第 5 篇：AI Agent 系统（自主规划）

核心收获：

1. System Prompt 是 AI 应用的灵魂
2. 不同场景需要不同的设计策略
3. 从简单到复杂的渐进式优化
4. 生产环境需要考虑全面
5. 成本优化有方法

下一步：

• 实践：运行代码示例
• 应用：将技术应用到实际项目
• 优化：根据反馈持续改进
• 分享：与团队分享经验

---

本文是《System Prompt 实战指南》系列的第 6 篇（完结篇）
发布日期：2026-05-08

感谢阅读！期待你的反馈和实践成果分享。