跟着Datawhale动手学Agent - TASK3: 工作流Agent应用范式与最佳实践

参考链接

动手学Agent应用开发: https://www.datawhale.cn/activity/483
Hello-Agents: https://datawhalechina.github.io/hello-agents/#/
Hello-Agents Dify智能体创建保姆级操作流程：https://github.com/datawhalechina/hello-agents/blob/main/Extra-Chapter/Extra03-Dify智能体创建保姆级操作流程.md

主要内容

Dify 开源生态负责人 郑立 老师，简单介绍了Dify功能、为什么workflow如此重要、Dify等低代码平台的可视化优势、RAG架构、半导体领域故障树分析的案例等

分享摘录

• 郑立老师观点：Agent 是工作流一系列的组合，背后是一定的方法论，这些方法论拆解下去就是工作流
• 查尔斯·艾森斯坦：一台机器以平稳且可预见的方式运行，它的部件必须符合标准，这样才能更换。
• 目前的框架：
  • 低代码：n8n, coze, dify
  • 高代码：crew, camel
• 对于大数据量场景，不推荐直连数据库，不是是否可行问题，而属于软件工程问题。应该先聚合关键数据，然后通过中间层对数据进行分析。
• 《Rework》：挠自己的痒处 （一个产品开发理念）

实操小记

• 按照Hello-Agents中dify的智能体搭建教程实操了dify的使用
• 发现前几个简单任务，并非如Hello-Agents教程所说，只要LLM模块填写提示词即可，而是需要在“LLM节点”中USER信息处添加“用户输入query”变量，而“直接回复”节点中里也需要添加对应LLM节点的输出text字段
  
• 关于使用高德地图MCP的注意点：
  • 调用逻辑是：Dify的Agent节点 - 魔搭中的高德地图MCP - 高德开放平台的API key
  • Dify中Agent节点的设置如下。其中“指令”中所说的amap-maps对应于“MCP服务配置”中的mcpServers名称；另外“MCP服务配置”中也可以删除最外围的"mcpServers"相关字符串
    
  • 在modelscope中的高德地图MCP中传输类型必须选择SSE，而不是默认的Streamable HTTP，否则在dify调用后会提示 amap-maps - MCP Server connection failed: Expected response header Content-Type to contain 'text/event-stream', got 'application/json'，经过查询AI，SSE=Server-Sent Events，Dify的Agent使用MCP(Model Context Protocol)标准时，要求工具服务以SSE格式返回结果
• 关于美食推荐（查询全部菜谱、今天可以吃什么好吃的、智能推荐一周菜谱、查询特定菜的菜谱），我也是同样直接从魔搭理的MCP广场中找的“今天吃什么”的MCP
• 最后两个连接数据库的工作流，我直接粘贴教程中图片。主要思路是通过rookie_text2data实现自然语言转换为sql语句，再通过rookie_execute_sql实现对sql的执行，从而获取所需数据，并进行可视化等
  

一点感想

• 老师的讲解从一个比较高的视角，更多表达了对workflow式Agent的理解，似乎讲述的是产品哲学，而非技术实现。可能由于时间关系，也没能够深入介绍Dify的使用，所以对于课程作业（用Dify完成一个Agent），我们需要单独学习如何使用Dify。
• 课程中老师也有讲述 高代码 VS 低代码，这个话题其实结合我也困扰了很久，也包括vibe coding和hard coding的思考。个人本身技术能力较弱，低代码可以更快实现想要的效果，但是总觉得这类依赖平台的搭积木式的产品，会受限于平台本身能力，可复制性高；而高代码可能可以更好掌控底层技术实现，但是学习曲线较陡峭。就像工业生产中也有一些低代码产品在推广，低代码简化了配置，将原有的一部分代码工作转移到了使用者，但是限制了一些个性化需求和产品能力边界。两者的确适用于不同场景，由于我尚处于Agent入门阶段，所以当下我希望两者兼顾，用低代码快速实现小需求，用高代码/hard coding实现可控稳定的核心逻辑和复杂需求，也帮助自己更好理解和学习Agent。
• 隐约的感觉Workflow Agent有点像Microsoft Power Automate，自动化按步骤完成特定任务，目的是简化机械化的操作步骤，从按步骤执行变为一键执行。但是workflow Agent有了大模型的加入，似乎就有了更多的可能性，更丰富的应用场景，更加多模态。