7.3 进阶案例与自动化
一个真正实用的 Agent，不仅能"被动回答"，还能"主动工作"——定时执行任务、自动推送结果、甚至与其他 Agent 协作完成复杂项目。
一、多 Agent 协作：从"单兵作战"到"团队协同"
在前两节中，我们搭建的都是单个 Agent。但现实中的复杂任务，往往需要多个具备不同专长的 Agent 协作完成——就像一家公司里有销售、客服、技术等不同岗位的员工。
多 Agent 协作有两种基本模式：
| 模式 | 原理 | 适用场景 | 类比 |
|---|---|---|---|
| 串联（工作流） | 像流水线，任务按固定顺序在 Agent 之间传递 | 流程固定的任务（如：采集→分析→生成报告） | 工厂流水线 |
| 并联（多 Agent） | 像专家团，主 Agent 根据需要将任务分派给专业 Agent | 多场景切换的任务（如：旅行规划中切换到记账） | 医院分诊台 |
串联模式示例：一个"论文辅助 Agent"可以由三个子 Agent 串联组成——"文献检索 Agent"负责搜索相关论文，"摘要提取 Agent"负责提炼核心观点，"综述生成 Agent"负责整合成一篇文献综述。每个 Agent 专注于自己擅长的环节，最终输出质量远高于单个 Agent 独立完成。
并联模式示例：一个"校园生活助手"可以包含多个专业 Agent——用户问课程安排时，主 Agent 将对话转交给"课表查询 Agent"；问食堂菜单时，转交给"餐饮推荐 Agent"；问社团活动时，转交给"活动信息 Agent"。用户始终在同一个对话窗口中，但背后是不同的专业 Agent 在响应。
二、案例：每日 AI 简报助手
假设你希望每天早上 8 点自动收到一份 AI 领域的新闻简报，无需手动操作。这就需要一个具备"定时触发"能力的 Agent。
为什么这个案例值得学？ 它展示了 Agent 最核心的价值——自动化。一旦搭建完成，这个 Agent 会每天自动运行，你不需要做任何操作就能收到最新的行业资讯。这种"设置一次，持续受益"的模式，是 Agent 区别于普通 AI 对话的关键。
工作流设计：
定时触发（每天 8:00）
↓
插件节点：搜索最近 24 小时的 AI 新闻
↓
大模型节点：筛选 5 条最重要的新闻，撰写摘要
↓
大模型节点：生成一份格式化的简报
↓
插件节点：推送到飞书/微信群
大模型节点提示词：
以下是最近 24 小时关于人工智能的新闻搜索结果。
请完成：
1. 从中筛选最重要的 5 条新闻；
2. 每条新闻用 1 句话概括核心内容；
3. 在末尾附上一句"今日观点"，点评当天最值得关注的趋势。
输出格式为 Markdown。
三、触发器配置
触发器是让 Agent 自动运行的"闹钟"。扣子平台支持以下触发方式：
| 触发类型 | 说明 | 适用场景 |
|---|---|---|
| 定时触发 | 按设定的时间周期自动执行 | 每日简报、周报生成 |
| 消息触发 | 收到特定消息时执行 | 客服自动回复 |
| Webhook 触发 | 接收外部系统的调用信号 | 与其他平台联动 |
定时触发的配置步骤：
- 在工作流编辑器中，将"开始节点"替换为"定时触发"节点；
- 设置执行频率（每天/每周/自定义 Cron 表达式）；
- 设置执行时间（如每天 08:00）；
- 保存并发布工作流。
实操演示：在扣子平台配置每日简报的完整流程
第 1 步：登录扣子平台（coze.cn），点击"创建 Bot"，命名为"AI 简报助手"，描述填写"每天自动生成 AI 领域新闻简报"。
第 2 步：点击"工作流"→"新建工作流"，进入可视化编辑器。按以下顺序拖入节点：
📷 【截图位置】：扣子平台工作流可视化编辑器截图，展示节点拖拽和连线操作（建议尺寸：宽度占满页面）
定时触发 → 插件节点（必应搜索）→ 大模型节点 → 输出节点
第 3 步：配置定时触发节点——点击该节点，设置"执行频率"为"每天"，"执行时间"为"08:00"。
第 4 步：配置插件节点——选择"必应搜索"插件，搜索关键词设置为"AI 人工智能 最新进展"，搜索结果数量设为 10。
第 5 步：配置大模型节点——将搜索结果作为输入变量，提示词参考上文的模板。
第 6 步：点击右上角"试运行"，检查输出是否符合预期。确认无误后点击"发布"。
四、教育场景中的 Agent 应用
Agent 在教育领域有着广阔的应用前景。以下是一个来自实际教学实践的案例，展示了 Agent 如何解决传统教学中的痛点。
案例：小学生英语口语陪练 Agent
许多小学生在面对真人外教时容易紧张、不敢开口，而家庭请外教的成本又很高。一个设计良好的英语口语陪练 Agent 可以有效解决这两个问题。
| 设计要素 | 具体配置 |
|---|---|
| 人设 | 22 岁英国大学毕业生，性格热情耐心，喜欢用幽默的方式鼓励学生 |
| 主动发问 | 不等学生开口，主动发起话题（"What did you have for breakfast today?"） |
| 纠错机制 | 学生说错语法时温和纠正并讲解（"你用了'I will washed'，应该是'wash'哦"） |
| 词汇控制 | 将对话词汇难度控制在《新概念英语 1》范围内 |
| 记忆功能 | 用数据库记录学生已掌握的单词，避免重复教学，逐步引入新词 |
这个案例体现了 Agent 的三个核心优势：个性化（根据每个学生的水平调整难度）、低压力（学生面对 AI 不会紧张）、持续可用（随时随地练习，不受时间和地点限制）。
佐治亚理工学院的"Jill Watson"助教也是一个经典案例：教授在网络课程中部署了一个 AI 助教，负责回答学生关于课程安排、作业要求等常规问题。由于回复准确且语气自然，学生在很长一段时间内并未察觉它是机器人。这说明，对于结构化、重复性的教学事务，Agent 已经能够达到接近人类的服务水平。
五、更多 Agent 创意
| Agent 名称 | 功能描述 | 核心组件 |
|---|---|---|
| 元宵节手抄报生成器 | 输入主题，生成手抄报的文字内容和版面建议 | 大模型 + 知识库（节日素材） |
| 调研诊断报告生成器 | 上传调研数据，自动生成分析报告 | 大模型 + 数据处理插件 |
| 课程答疑助手 | 基于教材内容回答学生提问 | 大模型 + 知识库（教材） |
| 面试模拟教练 | 模拟面试官提问并给出反馈 | 大模型 + 角色设定 |
☆ 拓展任务：搭建一个你自己的 Agent
从以上创意中选择一个（或自拟主题），在扣子平台上搭建并测试。要求：
- 包含至少一个工作流；
- 使用知识库或插件中的至少一项；
- 记录搭建过程和测试结果。
◆ 阅读材料：京东 JIMI 智能客服——从关键词匹配到情感分析的进化
京东的智能客服 JIMI 经历了三代技术演进：第一代基于关键词匹配，用户说"退货"就弹出退货流程，机械且死板；第二代引入自然语言理解（NLU），能识别"我买的东西不想要了"也是退货意图；第三代加入情感分析，能感知用户的情绪状态——当检测到用户愤怒时，会自动转接人工客服，并提醒客服人员注意安抚。
JIMI 的进化史，就是 AI Agent 从"规则驱动"到"智能驱动"的缩影。今天我们在扣子平台上搭建的 Agent，正处于这一进化链条的前端——虽然还比较简单，但核心思路是一致的：感知用户需求、调用合适的工具、给出有用的回应。