最近在我的博客里发布了两篇关于 Elastic AI agent builder 文章：

可能很多开发者阅读后还是有一点懵。不知道它到底是什么东西。这是一个目前在 Serverless 里发布的一个功能。在未来的 9.2 版本中也会有这样的一个功能。它的目的是让我们更加方便地创建 AI agents。

如上所示，AI agents 由 LLM 及 Tools 组成。当我们向 agent 发送一个任务时，LLM 会根据 task 里的提示，匹配相应的 tools，并进行调用。这个 task 可能需要多个工具，多个步骤，逐步完成，并最终返回结果。这个和我们传统的 RAG 有所不同。传统的 RAG 只访问一次 LLM。而对于由 agent 组成的 RAG，我们也通常称之为 agentic RAG。它可以访问多个服务（比如返回天气，位置，日历等等），数据库（数据库的多个表格的访问，聚合，lookup 等），多次使用  LLM 进行推理，并生成相应的图表及结果等。

在今天的文章中，我们将一个一个简单而浅显的例子来展示 AI agent builder 的强大功能。AI agent builder 是基于 one-chat plugin 来完成的。

Elastic AI Agent builder

安装

你可以在 Elastic clould 里直接创建一个实例来进行测试。你也可使用 Elastic Stack 9.2 的  snapshot 版本进行安装来进行测试。UI 在不断地演进。各个版本的界面可能有所不同，但是最主要的功能还是一样的。在 Serverless 上的界面如下：

如果由于某种原因，你不能看到 Agents 这个菜单，那么你可以运行如下的两个命令：

POST kbn://internal/kibana/settings
{
   "changes": {
      "agentBuilder:enabled": true
   }
}

POST kbn://internal/kibana/settings
{
   "changes": {
      "onechat:mcp:enabled": true,
      "onechat:a2a:enabled": true,
      "onechat:api:enabled": true,
      "onechat:ui:enabled": true
   }
}

同时，为了能够支持语义搜索，我们也需要下载 ELSER 模型：

请注意，由于 ELSER 模型目前只支持英文，对于使用中文的开发者来说，你可以选择上面的 .multilingual-e5-small_linux-x86_64 模型。

准备数据

我们的数据不用多复杂。为了展示的方便，我们使用较少的数据及简单的数据集来进行展示。这样大家能看得更加清楚一些。我们在 Kibana 中的 Dev Tools 打入如下的命令：

PUT /people
{
  "mappings": {
    "properties": {
      "id": {
        "type": "integer"
      },
      "name": {
        "type": "text"
      },
      "description": {
        "type": "text",
        "copy_to": "des_semantic"
      },
      "des_semantic": {
        "type": "semantic_text"
      },
      "sex": {
        "type": "keyword"
      },
      "age": {
        "type": "integer"
      },
      "address": {
        "type": "text"
      },
      "location": {
        "type": "geo_point"
      }
    }
  }
}
POST /_bulk
{ "index" : { "_index" : "people", "_id" : "1" } }
{ "id": 1, "name" : "John Doe", "description" : "A software developer", "sex" : "Male", "age" : 30, "address" : "123 Elm Street, Springfield", "location": {"lat": 37.7749, "lon": -122.4194} }
{ "index" : { "_index" : "people", "_id" : "2" } }
{ "id": 2, "name" : "Jane Smith", "description" : "A project manager", "sex" : "Female", "age" : 28, "address" : "456 Maple Avenue, Anytown", "location": {"lat": 40.7128, "lon": -74.0060} }
{ "index" : { "_index" : "people", "_id" : "3" } }
{ "id": 3, "name" : "Alice Johnson", "description" : "A graphic designer", "sex" : "Female", "age" : 26, "address" : "789 Oak Lane, Metropolis", "location": {"lat": 34.0522, "lon": -118.2437} }
{ "index" : { "_index" : "people", "_id" : "4" } }
{ "id": 4, "name" : "Bob Brown", "description" : "A marketing specialist", "sex" : "Male", "age" : 32, "address" : "321 Pine Street, Gotham", "location": {"lat": 41.8781, "lon": -87.6298} }
{ "index" : { "_index" : "people", "_id" : "5" } }
{ "id": 5, "name" : "Charlie Davis", "description" : "An IT analyst", "sex" : "Male", "age" : 29, "address" : "654 Cedar Blvd, Star City", "location": {"lat": 29.7604, "lon": -95.3698} }
{ "index" : { "_index" : "people", "_id" : "6" } }
{ "id": 6, "name" : "Diana Prince", "description" : "A diplomat", "sex" : "Female", "age" : 35, "address" : "987 Birch Road, Themyscira", "location": {"lat": 39.9526, "lon": -75.1652} }
{ "index" : { "_index" : "people", "_id" : "7" } }
{ "id": 7, "name" : "Evan Wright", "description" : "A journalist", "sex" : "Male", "age" : 27, "address" : "213 Willow Lane, Central City", "location": {"lat": 33.4484, "lon": -112.0740} }
{ "index" : { "_index" : "people", "_id" : "8" } }
{ "id": 8, "name" : "Fiona Gallagher", "description" : "A nurse", "sex" : "Female", "age" : 31, "address" : "546 Spruce Street, South Side", "location": {"lat": 32.7157, "lon": -117.1611} }
{ "index" : { "_index" : "people", "_id" : "9" } }
{ "id": 9, "name" : "George King", "description" : "A teacher", "sex" : "Male", "age" : 34, "address" : "879 Elm St, Smallville", "location": {"lat": 39.7392, "lon": -104.9903} }
{ "index" : { "_index" : "people", "_id" : "10" } }
{ "id": 10, "name" : "Helen Parr", "description" : "A full-time superhero", "sex" : "Female", "age": 37, "address" : "123 Metro Avenue, Metroville", "location": {"lat": 47.6062, "lon": -122.3321} }

我们使用上面的命令来创建一个叫做 people 的索引。为了展示的方便，我把 description 的字段也 copy_to 到 des_semantic 字段。这个是一个 semantic_text 字段。我们可以使用它来进行语义搜索。

另外，我们也使用如下的命令来生成一个叫做 parents 的索引：

PUT parents
{
 "settings": {
   "index.mode": "lookup"
 }
}
POST /_bulk
{ "index" : { "_index" : "parents", "_id" : "1" } }
{ "id": 1, "father": "Michael Doe", "mother": "Sarah Doe" }
{ "index" : { "_index" : "parents", "_id" : "2" } }
{ "id": 2, "father": "Robert Smith", "mother": "Laura Smith" }
{ "index" : { "_index" : "parents", "_id" : "3" } }
{ "id": 3, "father": "Thomas Johnson", "mother": "Emily Johnson" }
{ "index" : { "_index" : "parents", "_id" : "4" } }
{ "id": 4, "father": "William Brown", "mother": "Nancy Brown" }
{ "index" : { "_index" : "parents", "_id" : "5" } }
{ "id": 5, "father": "David Davis", "mother": "Jennifer Davis" }
{ "index" : { "_index" : "parents", "_id" : "6" } }
{ "id": 6, "father": "Charles Prince", "mother": "Diana Prince Sr." }
{ "index" : { "_index" : "parents", "_id" : "7" } }
{ "id": 7, "father": "Edward Wright", "mother": "Linda Wright" }
{ "index" : { "_index" : "parents", "_id" : "8" } }
{ "id": 8, "father": "Frank Gallagher", "mother": "Patricia Gallagher" }
{ "index" : { "_index" : "parents", "_id" : "9" } }
{ "id": 9, "father": "George King Sr.", "mother": "Helen King" }
{ "index" : { "_index" : "parents", "_id" : "10" } }
{ "id": 10, "father": "Robert Parr", "mother": "Eliza Parr" }

如上所示，我们在 people 及 parents 两个索引中都定义了一个叫做 id 的字段。我们可以使用这个字段来查询在 people 索引中的人的父母。

创建 agents

创建 software developers agent

接下来，我们分别来创建适合我们搜索的不同 agents。在没有任何定制 agent 的情况下，我们打入如下的查询：

who are the software developers?

我们在搜索框里输入上面的搜索：

很多显然，它没有返回任何我们想要的结果。我们再等一段时间，我们可以看到如下的结果：

最终我们看到了我们想要的结果。可是整个的搜索时间将近半分钟。时间是非常长的。在没有选任何定制 agent 的情况下，它会搜索整个知识库及各个搜索，尽量帮我们搜索所需要的结果，尽管我们没有指定任何的索引。这个也许就是 Elasticsearch 的魅力！

接下来，我们来创建一个属于我们自己定制的 agent。我们首先创建一个 tool：

在上面，在 Tool ID 里，我们输入：

software_developers

我们在 Description 里输入：

 Retrieve all the software developers from people index

在 ES|QL Query 里输入：

 FROM people METADATA _score | WHERE MATCH(description, "software developer")

我们点击 Save 按钮来保存这个 Tool。

有里上面的 sofware_developers 工具的定义，我们接下来创建一个叫做 Software developers server agent 的 agent：

点击上面的 Tools 选项：

我们选项上面的 software_developers 工具。然后选择 Save 按钮。这样我们就生成了我们 Software developers server agent。

接下来，我们使用我们的工具：

这次，我们再次打入如下的查询：

这次的查询速度是非常之快的。在查询的过程中，我们可以看到它选用了我们定义的 Software developers server agent 来做的查询。这个结果是我们所需要的。我们再次做如下的查询：

从上面的搜索中，我们可以看出来， LLM 确实能够理解我们的意图，并查询出我们所需要的结果。

我们接下来做如下的查询：

Who are the journalists?

很显然，我们得不到任何我们想要的结果。这个是因为在我们 ES|QL 查询中，它使用了：

 FROM people METADATA _score | WHERE MATCH(description, "software developer")

也就是说，它只能针对 software developer 或其相近的描述来进行搜索。

创建可以搜索任何职业的 agent

很显然上面的 agent 有其局限性。我们接下来创建一个可以搜索任何职业的 agent。按照上面的流程，我们创建如下的 tool：

如上所示，我们创建了一个叫做 profession 的参数。这个参数可以传递到我们的 ES|QL 的查询中。同时我们针对 description 及 des_semantic 两个字段来进行查询。

接下来，我们创建一个叫做 people profession search 的 agent：

我们在她的 Tools 选择我们刚才创建的 tool：

接下来，我们使用这个 agent 来进行查询：

很显然，这次它能帮我们查询 journalist 了。

创建查找年龄平均值的 agent

如法炮制，我们创建如下的一个 tool：

我们创建如下的一个 agent：

我们来查询一下：

我们很快就可以得到结果。

创建查询父母的 agent

查询父母，我们需要用到两个表格，并使它们利用 id 字段来进行关联。我们创建如下的 tool：

我们接下来创建如下的一个 agent：

我们来做如下的查询：

who are the programmer's parents?

我们得到我们想要的结果。我们可以点击上面的 < 符号来查看有那些步骤被使用：

我们再来查看如下的查询：

我们使用中文来进行搜索一下：

记者的父母是谁？

MCP 连接

我们可以把我们创建的 agents 直接连接到一些 MCP 的客户端，比如 Claude Desktop。我们可以参考链接。通过在配置中添加这个来配置 Claude Desktop：

{
  "mcpServers": {
    "elastic": {
      "command": "npx",
      "args": [
        "mcp-remote",
        "http://localhost:5601/api/agent_builder/mcp",
        "--header",
        "Authorization:${AUTH_HEADER}"
      ],
      "env": {
        "AUTH_HEADER": "ApiKey {...}"
      }
    }
  }
}

你可以参考我之前的文章 “使用 MCP 将代理连接到 Elasticsearch 并对索引进行查询” 来了解如何配置 Claude Desktop 的配置。

在运行时，你可能会出现 permission 错误。你可以使用如下的命令来进行安装：

sudo npm install -g mcp-remote

针对我的 Serverless 配置：

{
 "mcpServers": {
   "elastic_onechat": {
     "command": "npx",
     "args": [
       "mcp-remote",
       "https://onechat-c77bd4.kb.us-central1.gcp.elastic.cloud/api/agent_builder/mcp",
       "--header",
       "Authorization:${AUTH_HEADER}"
     ],
     "env": {
       "AUTH_HEADER": "ApiKey {YourAPIkey}"
     }
   }
 }
}

好了。今天的展示就到这里。之后，我们继续更新这篇文章，特别是如何使用 API 的方法来使用这个。祝大家阅读愉快！

# 人工智能 # elasticsearch # 大数据 # 搜索引擎 # 全文检索 # 数据库
Logo
北京朝阳AI社区

更多推荐

基于非完整约束RRT算法与混合控制协议的充满障碍物环境中分散式非完整约束系统的避碰控制器研究（Matlab代码实现）

本文提出一种结合非完整约束RRT算法与混合控制协议的分散式避碰控制框架，针对充满障碍物的复杂环境，解决非完整约束系统（如无人机、移动机器人）的实时避障与路径规划问题。通过引入独轮车模型简化非完整约束，利用RRT算法的随机探索能力生成可行路径，结合混合控制协议实现多智能体分散式协调，最终通过仿真验证算法在动态障碍物环境下的有效性与实时性。

avatar 北京朝阳AI社区

【无人机物流路径规划】基于Q-learning的无人机物流路径规划研究（Python代码实现）

随着电子商务与城市物流需求的爆发式增长，传统地面配送模式面临交通拥堵、成本高昂等瓶颈。无人机物流凭借灵活性与低成本优势，成为解决"最后一公里"配送难题的关键技术。然而，复杂城市环境中的动态障碍物、三维空间结构、气象变化及续航限制，对路径规划算法提出严峻挑战。本文系统研究基于Q-learning的无人机物流路径规划方法，通过三维栅格建模、动态奖励函数设计及多智能体协同框架，实现路径最优性提升40%、

avatar 北京朝阳AI社区

JAVA开源框架推荐

Spring Boot内嵌Tomcat、Jetty或Undertow服务器，无需部署WAR文件，支持通过属性文件进行外部化配置，并提供了丰富的健康检查、指标监控和外部化配置功能。Gradle则使用基于Groovy的DSL，提供了更灵活的自定义构建逻辑能力，构建速度通常更快。人工智能与机器学习的集成也将成为框架发展的新方向，为开发者提供更智能的开发体验和更强大的应用能力。特别是在微服务架构和云原生应

avatar 北京朝阳AI社区