➡️【好看的皮囊千篇一律，有趣的鲲志一百六七！】- 欢迎认识我～～
作者：鲲志说 （公众号、B站同名，视频号：鲲志说996）
科技博主：极星会 星辉大使
全栈研发：java、go、python、ts，前电商、现web3
主理人：COC杭州开发者社区主理人 、周周黑客松杭州主理人、
博客专家：阿里云专家博主；CSDN博客专家、后端领域新星创作者、内容合伙人
AI爱好者：AI电影共创社杭州核心成员、杭州AI工坊共创人、阿里蚂蚁校友会技术AI分会副秘书长

目录

摘要

复合智能体将大语言模型从“会说”升级为“会做、会协同、可审计”的工程系统。本文面向工程实践者，从体系化组件（LLM、RAG、Memory、Tooling、MCP/A2A、编排框架）切入，详解构建复合智能体的技术路线、架构模式与实现要点，并给出可落地的代码示例与流程图，帮助读者把理论转为工程产物。文末附书籍推荐，便于系统学习。

一、为何需要“复合智能体”——问题与目标定位

单一 LLM 在生成与问答上表现优秀，但企业级应用面对的是复杂业务：跨系统调用、长会话记忆、事实校验、审计合规、多任务并行等。复合智能体（composite agent）旨在把这些能力工程化，即构建由多模块、多策略和多能力协同工作的系统，目标包括：

  • 可控性（减少幻觉、可校验输出）
  • 工具化（可靠调用外部 API/DB/服务）
  • 可组合性（任务拆分与协作）
  • 可审计性（每一步有证据链路）

在此背景下，开发者需要理解从模块设计到端到端流转的每个技术细节，而不是仅依赖 Prompt 的“技巧”。

二、复合智能体的核心组件详解

下面逐一拆解构成复合智能体的关键模块，并说明实现要点、权衡与示例。

2.1 LLM：智能体的大脑（接口层与能力层）

职责：理解自然语言、生成文本、做链式推理。
工程关注点：

  • 模型来源：商业 API（如 OpenAI）与本地/自研模型（如 Qwen、DeepSeek）之间的成本、延迟与合规取舍。
  • 推理方式：同步调用 vs 流式输出（streaming）；流式能改善首字节延迟体验。
  • 精度提升：结合指令集、few-shot、chain-of-thought（需权衡可解释性与引导误差）。

示例（伪代码）：

# 简化的 LLM 调用接口（伪）
response = llm.chat(messages=[system_prompt, user_prompt], stream=True)
for chunk in response:
    process(chunk)

2.2 RAG（检索增强生成）：事实增强的标准方案

核心流程：文档分块 → embedding → 向量索引 → top-k 检索 → 将检索片段注入 Prompt → LLM 生成。
实现要点：

  • 分块策略：句子/段落/滑窗，兼顾召回与上下文完整性；
  • Embedding 对齐：Embedding 模型需与检索器/LLM 语义空间尽量对齐；
  • 向量库优化：HNSW / IVF 参数、ef_search/ef_construction 调优以平衡延迟与准确率。

RAG流程图：

在这里插入图片描述

示例（Python 伪）：

emb = embed(text_chunk)
index.add(emb, meta)
results = index.search(query_emb, top_k=5)
aug_prompt = build_prompt(user_query, results)
answer = llm.generate(aug_prompt)

2.3 Memory（短期/长期记忆）：会话与用户画像的管理

类别：

  • 短期记忆：session 层快速上下文（保留 recent turns），通常以 token-limit 或 sliding window 控制。
  • 长期记忆：结构化事实或 embedding + 向量检索（用户偏好、历史事件）。

实现建议：

  • 对长期记忆采用可索引的向量 + 元数据，支持 TTL & 手动修正；
  • 对短期会话考虑自动摘要（summary）以降低 token 成本；
  • 记忆修改需支持审计日志（谁改、改了什么）。

2.4 Tooling（工具调用）：定义、沙箱与错误处理

形式：Function Call / API 调用 / DB 查询 / 外部 Agent。
关键点：

  • 工具 schema：统一定义输入输出格式（JSON schema），便于模型生成可解析的调用指令；
  • 安全隔离：请求必须经过网关或沙箱层校验，避免注入与越权；
  • 错误恢复：工具失败需有回退策略（重试、退级、人工介入）。

工具 schema 示例：

{
  "name": "query_order",
  "input": {"order_id":"string"},
  "output": {"status":"string","items":"array"}
}

2.5 MCP（Model Context Protocol）与 A2A（Agent-to-Agent）

MCP（模型上下文协议）旨在标准化模型之间与模型→工具的数据交换，包括：指令类型、意图标签、调用元信息、证据片段。MCP 的核心价值是可解析性与可追踪性。

A2A 描述 Agent 间协作：任务分配、结果集成、错误回滚。常见模式为协调者/调度器（orchestrator）或对等通信（peer-to-peer）：

A2A 简化示意：

在这里插入图片描述

实现 MCP/A2A 的注意点：能力声明（capabilities registry）、超时与重试、消息序列化与版本兼容。

2.6 LangChain、LangGraph 与低代码平台

  • LangChain：提供 Prompt、Chain、Agent、Memory、Retriever 等抽象，方便把模块化概念落地成工程化代码。
  • LangGraph：在复杂工作流上提供可视化编排与状态跟踪，适合多步骤、多分支场景。
  • 低代码平台（如“扣子”类）：降低业务侧接入门槛，但在复杂策略与可定制性上通常受限，需要通过插件/扩展接口补充能力。

LangChain 组合示例（伪）：

from langchain import PromptTemplate, ChatOpenAI, Tools, Agent
prompt = PromptTemplate("用户问：{q}")
llm = ChatOpenAI()
tools = Tools([...])
agent = Agent(llm=llm, tools=tools, prompt=prompt)
agent.run("请帮我查今天的订单状态")

三、常见架构模式与设计选择

复合智能体常见架构（按复杂度）：

3.1 单体 RAG + LLM

适合 FAQs、文档问答。优点：实现简单，成本低。缺点：难应对跨域任务与外部动作。

3.2 Planner–Executor（分层）

Planner 负责高层规划与任务拆解，Executor 池负责实际调用工具/子 Agent。此方式清晰分工、易扩展，适合需要任务拆解与并行执行的场景。

3.3 多 Agent 协同（A2A）

多个专业 Agent 各司其职，再由 Orchestrator 协调结果汇总。优点：高内聚低耦合，便于团队分工；缺点：设计复杂，需要成熟的消息协议（例如 MCP）与错误处理策略。

Planner–Executor 流程示例：

在这里插入图片描述

四、模型整合与兼容性考量（以 Qwen3.0、DeepSeek-V1 为例）

在工程中通常要面临“多模型并存”与“模型替换”的问题。整合时建议关注：

  1. 接口抽象：封装统一的 LLM 接口（chat、generate、embed），便于后续替换。
  2. Embedding 对齐：不同模型 embedding 分布可能不同，检索效果受影响，必要时需要重新训练或做 cross-encoder 校正。
  3. Token 与上下文：不同模型的 context window（上下文窗口）不同，prompt 设计需适配并做降采样或摘要。
  4. 性能 & 成本：评估推理延迟、吞吐与价格（API 调用费用 vs 自托管成本），设计 fallback 策略（小模型预筛，大模型确认）。

工程实践建议：

  • 建立“模型适配层”，包含：tokenizer 封装、embedding 接口、模型能力声明（capabilities）。
  • 对新模型做一套基准测试（准确性、延迟、内存/显存占用、对特定 prompts 的稳定性）。

五、评估与自动化验证

复合智能体的评估应同时覆盖语义正确性与行为正确性：

  • 语义评估：用精心构造的问答集、事实覆盖测试、自动度量（BLEU、ROUGE 不够充分，需任务级指标）
  • 行为评估：工具调用的成功率、幂等性、错误回退率
  • 鲁棒性测试：对抗样本、误导性输入、边界条件
  • 长期回归：Prompt 版本化、测试集持续扩充，保证模型升级不回退关键业务能力

自动化示例：CI 集成一条 pipeline，在每次模型或 prompt 变更时自动跑回归用例并收集差异报告。

六、安全、合规与审计（原则性要点）

企业级智能体必须内建合规与安全机制：

  • 最小权限原则：工具访问需基于最小权限，避免横向越权。
  • 输入/输出审查：对敏感内容进行脱敏或阻断；对输出主动加上“来源/证据”字段（即把 RAG 的检索片段作为证据）。
  • 审计日志：记录每次 prompt、检索片段、模型输出、工具调用及其参数，以便回溯与合规审查。
  • 安全测试：红队攻击测试、prompt injection 测试、工具接口权限测试。

七、示例：电商复合智能体关键组件综述（简化版）

需求：用户对话实现“查询库存 → 比价 → 下单 → 查询物流”，同时保证审计与回滚能力。

关键组件映射：

  • NLU：意图识别与实体抽取
  • Planner：将意图转为子任务
  • Retriever：对产品信息 & 评价做事实检索
  • Executor（工具）：catalog API、payment API、logistics API
  • Audit Store：记录操作流水与证据
  • Memory：用户偏好与会话摘要

示意图：

在这里插入图片描述

八、结论（工程视角的收敛）

构建复合智能体是一个多学科交叉的工程问题：需要语言模型能力、检索技术、工具化接口设计、协议化通信（MCP/A2A）与严谨的验证体系。成功的工程化不是把模型直接塞进生产，而是通过模块化、接口化与证据化，把不确定性控制在可接受范围内，从而实现“有执行力且可控”的智能体服务。

书籍推荐 《AI Agent开发：零基础构建复合智能体》

如果你希望系统化把上述理论与工程实践结合起来，我推荐一本非常适合工程化学习的参考书：

《AI Agent开发：零基础构建复合智能体》
在这里插入图片描述

  • 适读人群：LLM 应用开发初学者、致力于 Agent 工程化的开发者、以及负责搭建企业 AI 平台的技术负责人。
  • 内容亮点：覆盖 MCP、A2A、RAG、LangChain、LangGraph、低代码平台“扣子”等核心技术；大量知识点 + 实例、完整项目实战、以及示例代码与教学视频帮助读者从单体 Agent 逐步构建到复合智能体系统。
  • 阅读价值：系统梳理了从模型调用、工具集成、到多 Agent 协作的完整工程路径，适合把理论转为生产力的工程师作为进阶指南。

免费送书

————————————————
⚠️：两种送书方式可以重复叠加获奖🏆

方式一 博客送书

本篇文章送书 🔥1本 评论区抽1位小伙伴送书
📆 活动时间：截止到 2025-10-08 20:00:00
🎁 抽奖方式：利用网络公开的在线抽奖工具进行抽奖
🤚 开奖条件：大于10个字的评论超过20条
💡 参与方式：关注、点赞、收藏 + 任意大于10个字的评论

方式二 公众号送书

关注公众号，参与评论，有机会获得📖哦！
📆 活动时间：截止到 2025-10-08 20:00:00
💡 参与方式：关注、点赞、推荐 + 文章留言
🎁 获奖方式：留言点赞数量最高者获得本书（数量相同者则以留言时间早者为准）

自主购买
小伙伴也可以访问链接进行自主购买哦~
直达京东购买链接🔗：《AI Agent开发：零基础构建复合智能体》

最后

  • 好看的皮囊千篇一律，有趣的鲲志一百六七！
  • 如果觉得文章还不错的话，可以点赞+收藏+关注 支持一下，鲲志的主页 还有很多有趣的文章，欢迎小伙伴们前去点评
  • 如果有什么需要改进的地方还请大佬指出❌
  • 欢迎学习交流｜商务合作｜共同进步！
  • ❤️ kunzhi96 公众号【鲲志说】

在这里插入图片描述

# AI # 人工智能
Logo
杭州城市开发者社区

纵情码海钱塘涌，杭州开发者创新动！ 属于杭州的开发者社区！致力于为杭州地区的开发者提供学习、合作和成长的机会；同时也为企业交流招聘提供舞台！

更多推荐

cover

计算机毕设java基于MVC的在线报名系统 基于 SSM+JavaWeb 的课程报名全流程平台 Java+MySQL 的教育报名一体化系统

avatar 杭州城市开发者社区
cover

10分钟上手YOLOv11：最强姿态估计模型来了，代码开源，效果炸裂！

avatar 杭州城市开发者社区

API 接口开发与实时实时采集构建京东商品数据通道方案

本文详细介绍了京东商品数据通道的完整解决方案，从数据采集、处理、存储到 API 服务构建，实现了一个高效、稳定、可扩展的商品数据获取与分发系统。该方案采用现代化的技术栈和架构设计，能够满足电商数据分析、竞品监控、价格跟踪等多种业务场景的需求。在实际应用中，还需要根据具体业务需求和数据规模进行适当调整和优化，特别是反爬策略和系统性能方面，需要持续迭代和改进以应对不断变化的网站机制和业务需求。

avatar 杭州城市开发者社区