Agent

能够感知环境、自主决策并采取行动以实现特定目标的实体或系统。它可以是软件程序、机器人硬件，甚至是生物实体（如人类或动物），但在 AI 领域通常指软件智能体。

AIGC 是 Agent 系统里面的一个子模块。

比RAG, Retrieval-Augmented Generation强的点在于，不仅能检索外界信息，还能生成结构化参数更精准地调用外界Function/tool

是一个集Function Call模型、软件工程于一体的复杂的系统，需要处理模型和外界的信息交互。

流程

Agent 每次完成任务会多次调用Function calling，流程大致如下

本地实现

最简单的方法就是把 Agent 的提示词（prompt）、工具、llm 调用，工具执行都硬编码到代码中，但普适性不强，不好微调。解决办法是用“配置驱动 + 插件化 + 通用执行引擎”的平台化方案，可复用。

智能体开发平台的架构

插件配置：所有 Agent 的工具都统一管理起来，而不是散落在各个 Agent 内部，这样可以做到工具的复用。一般平台会自带一些插件，比如网络搜索、文件上传、AIGC 工具等，同时也支持开发者添加自己的自定义插件。

Agent 配置：配置 Agent 的 提示词 (prompt)，使用的模型，以及选择插件配置中的一批工具提供给模型做选择。

发布配置：开发者把自己的 Agent 开发调试稳定以后，发布成稳定版本就可以提供给用户使用了。

Agent 执行：实现通用的 Agent 执行流程，调用插件执行模块实现工具调用。

插件执行：执行某个特定的插件，返回结果。

Multi-Agent

OpenAI Agent SDK 实现代码级开发，更可控

维度	平台（Coze、腾讯云智能体平台）	SDK（OpenAI Agent SDK）
开发方式	配置/拖拽	代码（Python/JS 等）
门槛	低	中等，需要编程
灵活性	较低（平台约束）	高（自己写逻辑）
适用场景	快速原型、非程序员	高度定制、复杂系统集成

可采用 Multi-Agent

• 开发者可以定义多个不同领域的 Agent（如：文档检索 Agent、代码执行 Agent、图像生成 Agent）。

• 通过 转交机制 配置：当某个 Agent 检测到任务超出自身能力时，可以将任务交给更合适的 Agent。

• 形成 Agent 间的协作网络，共同完成复杂任务。

采用 MCP, Model Context Protocol 协议作为工具之间的接口