真实 Agent 应用场景 / Real-World AI Agent Applications
📅 创建时间：2026-05-08 🏷️ 标签：#Agent应用 #CodeAgent #客服Agent #数据分析Agent #AutoGPT 📚 前置知识：[[07-rag-advanced]]
📋 本章目标
- 了解 Agent 在各行业的典型应用场景
- 掌握不同场景下的技术选型和架构设计
- 理解场景驱动的 Agent 设计思路
- 能够为新场景设计合适的 Agent 架构
第1部分：AI 客服 Agent
1.1 场景描述
┌─────────────────────────────────────────────────────────────┐
│ AI 客服 Agent 场景 │
├─────────────────────────────────────────────────────────────┤
│ │
│ 用户："我在网上看到你们的课程，想咨询一下价格" │
│ │
│ AI 客服需要： │
│ 1. 理解用户意图（咨询课程价格） │
│ 2. 查询产品知识库（课程定价、优惠信息） │
│ 3. 检查用户历史（是否是新客户、有无优惠） │
│ 4. 生成专业回复（结合知识 + 个性化） │
│ 5. 处理追问（课程内容、上课方式等） │
│ │
└─────────────────────────────────────────────────────────────┘1.2 技术架构
┌─────────────────────────────────────────────────────────────┐
│ AI 客服 Agent 架构 │
├─────────────────────────────────────────────────────────────┤
│ │
│ 用户输入 │
│ ↓ │
│ ┌──────────────────────┐ │
│ │ 意图识别 │ │
│ │ NLU / LLM 分类 │ │
│ └──────────┬─────────┘ │
│ ↓ │
│ ┌───────────────┼───────────────┐ │
│ ↓ ↓ ↓ │
│ ┌─────────────┐ ┌─────────────┐ ┌─────────────┐ │
│ │ 产品咨询 │ │ 订单查询 │ │ 投诉处理 │ │
│ │ RAG 检索 │ │ API 调用 │ │ 情感分析 │ │
│ └──────┬──────┘ └──────┬──────┘ └──────┬──────┘ │
│ └───────────────┼───────────────┘ │
│ ↓ │
│ ┌──────────────────────┐ │
│ │ 回复生成 + 审核 │ │
│ └──────────┬───────────┘ │
│ ↓ │
│ 回复用户 │
│ │
└─────────────────────────────────────────────────────────────┘1.3 核心实现
python
from langchain.agents import AgentExecutor, create_openai_functions_agent
from langchain.tools import Tool
# 知识库检索工具
product_kb_tool = Tool(
name="product_knowledge",
func=lambda query: rag_search("product_kb", query),
description="查询产品信息、价格、优惠活动"
)
# 订单查询工具
order_tool = Tool(
name="order_query",
func=lambda order_id: query_order_system(order_id),
description="查询用户订单状态、物流信息"
)
# 用户历史工具
user_history_tool = Tool(
name="user_history",
func=lambda user_id: get_user_profile(user_id),
description="获取用户历史记录和偏好"
)
tools = [product_kb_tool, order_tool, user_history_tool]
# System Prompt
system_prompt = """你是一个专业的在线课程平台客服。
要求：
1. 热情、专业、有耐心
2. 不确定时如实告知，不编造信息
3. 遇到无法处理的问题时转人工
4. 涉及价格、优惠等敏感信息，以知识库为准
5. 每次回复前先检索知识库"""
agent = create_openai_functions_agent(llm, tools, system_prompt)第2部分：Code Agent（代码助手）
2.1 场景描述
┌─────────────────────────────────────────────────────────────┐
│ Code Agent 场景 │
├─────────────────────────────────────────────────────────────┤
│ │
│ 用户："帮我写一个函数，计算斐波那契数列第 N 项" │
│ │
│ Code Agent 需要： │
│ 1. 理解任务（斐波那契数列） │
│ 2. 选择语言（用户未指定，可用默认或询问） │
│ 3. 编写代码 │
│ 4. 运行测试 │
│ 5. 如果有错误，调试并修复 │
│ 6. 解释代码逻辑 │
│ │
└─────────────────────────────────────────────────────────────┘2.2 技术架构
┌─────────────────────────────────────────────────────────────┐
│ Code Agent 架构 │
├─────────────────────────────────────────────────────────────┤
│ │
│ ┌─────────────────────────────────────────────────────┐ │
│ │ 任务理解 │ │
│ │ LLM 分析需求，确定实现方案 │ │
│ └─────────────────────────┬───────────────────────────┘ │
│ ↓ │
│ ┌─────────────────────────────────────────────────────┐ │
│ │ 代码生成 │ │
│ │ 生成代码 + 单元测试 │ │
│ └─────────────────────────┬───────────────────────────┘ │
│ ↓ │
│ ┌─────────────────────────────────────────────────────┐ │
│ │ 代码执行 │ │
│ │ Tool：subprocess / docker 隔离执行 │ │
│ └─────────────────────────┬───────────────────────────┘ │
│ ↓ │
│ ┌─────────────┴─────────────┐ │
│ ↓ ↓ │
│ 测试通过 测试失败 │
│ ↓ ↓ │
│ 解释代码 调试修复 │
│ ↓ ↓ │
│ └─────────────┬─────────────┘ │
│ ↓ │
│ 最终输出 │
│ │
└─────────────────────────────────────────────────────────────┘2.3 核心实现
python
import subprocess
from langchain.tools import Tool
# 代码执行工具（安全隔离）
def execute_code(code: str, language: str = "python") -> str:
"""安全执行代码"""
# 实际生产中应使用 Docker 隔离
try:
if language == "python":
result = subprocess.run(
["python", "-c", code],
capture_output=True,
text=True,
timeout=10
)
elif language == "javascript":
result = subprocess.run(
["node", "-e", code],
capture_output=True,
text=True,
timeout=10
)
return result.stdout + result.stderr
except Exception as e:
return f"执行错误: {e}"
# 单元测试生成
def generate_tests(code: str, language: str) -> str:
"""生成单元测试"""
prompt = f"""为以下{language}代码生成单元测试：
{code}
要求：
1. 使用 pytest 框架
2. 覆盖正常和边界情况
3. 输出可直接运行的测试代码"""
return llm.invoke(prompt)
# 工具注册
code_tools = [
Tool(name="execute_code", func=execute_code, description="执行代码"),
Tool(name="write_tests", func=generate_tests, description="生成单元测试"),
]
# Code Agent System Prompt
code_system_prompt = """你是一个专业的代码助手。
工作流程：
1. 理解用户需求
2. 编写代码（包含边界检查）
3. 生成单元测试
4. 运行测试验证
5. 如果测试失败，分析错误并修复
6. 解释代码逻辑
安全规则：
- 不执行删除文件、系统命令等危险操作
- 代码执行有 10 秒超时限制
- 如果代码有问题，诚实地告诉用户"""2.4 主流 Code Agent 工具
┌─────────────────────────────────────────────────────────────┐
│ 主流 Code Agent 工具 │
├─────────────────────────────────────────────────────────────┤
│ │
│ GitHub Copilot │
│ • 代码补全、生成 │
│ • 基于上下文智能推断 │
│ │
│ Cursor │
│ • AI 代码编辑器 │
│ • 支持多文件编辑 │
│ │
│ Claude (Anthropic) │
│ • 强大的代码理解和生成能力 │
│ • 支持复杂项目级任务 │
│ │
│ Devin (Cognition) │
│ • 自主完成端到端软件任务 │
│ • 可以自主修复 bug、优化代码 │
│ │
│ SWE-agent │
│ • 开源的软件工程 Agent │
│ • 专注于 bug 修复 │
│ │
└─────────────────────────────────────────────────────────────┘第3部分：数据分析 Agent
3.1 场景描述
┌─────────────────────────────────────────────────────────────┐
│ 数据分析 Agent 场景 │
├─────────────────────────────────────────────────────────────┤
│ │
│ 用户："分析一下我们公司 Q3 的销售数据，看看有什么问题" │
│ │
│ 数据分析 Agent 需要： │
│ 1. 连接数据源（数据库、Excel、API） │
│ 2. 数据清洗和预处理 │
│ 3. 执行分析（趋势、同比、环比、异常检测） │
│ 4. 生成可视化图表 │
│ 5. 撰写分析报告 │
│ │
└─────────────────────────────────────────────────────────────┘3.2 技术架构
┌─────────────────────────────────────────────────────────────┐
│ 数据分析 Agent 架构 │
├─────────────────────────────────────────────────────────────┤
│ │
│ 用户问题 │
│ ↓ │
│ ┌──────────────────────┐ │
│ │ 意图分解 & 规划 │ │
│ │ 确定需要哪些数据 │ │
│ └──────────┬───────────┘ │
│ ↓ │
│ ┌────────────────────┼────────────────────┐ │
│ ↓ ↓ ↓ │
│ ┌────────┐ ┌────────────┐ ┌────────────┐ │
│ │数据获取│ │ 数据清洗 │ │ 数据存储 │ │
│ │SQL查询│ │ 异常处理 │ │ 中间结果 │ │
│ └────┬───┘ └──────┬─────┘ └────────────┘ │
│ └───────────────────┼────────────────────┘ │
│ ↓ │
│ ┌──────────────────────┐ │
│ │ 分析执行 │ │
│ │ 统计 / 趋势 / 异常 │ │
│ └──────────┬───────────┘ │
│ ↓ │
│ ┌──────────────────────┐ │
│ │ 报告生成 │ │
│ │ 图表 + 文字解读 │ │
│ └──────────────────────┘ │
│ │
└─────────────────────────────────────────────────────────────┘3.3 核心实现
python
from langchain.tools import Tool
import pandas as pd
# SQL 查询工具
def query_database(sql: str) -> str:
"""执行 SQL 查询"""
try:
df = pd.read_sql(sql, connection)
return df.to_string()
except Exception as e:
return f"查询错误: {e}"
# Python 执行工具（数据分析专用）
def analyze_data(code: str) -> str:
"""执行数据分析代码"""
try:
# 隔离的命名空间执行
namespace = {"pd": pd}
exec(code, namespace)
# 返回关键结果
if "result" in namespace:
return str(namespace["result"])
return "分析完成"
except Exception as e:
return f"分析错误: {e}"
analysis_tools = [
Tool(name="query_sql", func=query_database, description="查询数据库"),
Tool(name="analyze_python", func=analyze_data, description="执行数据分析代码"),
]
analysis_system_prompt = """你是一个专业的数据分析师。
能力：
1. 编写 SQL 查询数据
2. 使用 Python 进行数据分析（pandas, numpy, matplotlib）
3. 生成分析报告和图表
4. 发现数据异常和趋势
工作流程：
1. 理解用户需求
2. 确定需要哪些数据表
3. 编写 SQL 获取数据
4. 执行数据分析
5. 生成结论和建议
注意：
- SQL 要注意性能和准确性
- 分析代码要有注释
- 最终用通俗语言解释分析结果"""第4部分：研究与报告 Agent
4.1 场景描述
┌─────────────────────────────────────────────────────────────┐
│ 研究报告 Agent 场景 │
├─────────────────────────────────────────────────────────────┤
│ │
│ 用户："帮我研究一下 AI Agent 领域最新的技术进展" │
│ │
│ 研究 Agent 需要： │
│ 1. 多源信息搜索（新闻、论文、博客、社交媒体） │
│ 2. 信息去重和优先级排序 │
│ 3. 内容深度阅读和提取 │
│ 4. 信息整合和观点综合 │
│ 5. 撰写结构化报告 │
│ │
└─────────────────────────────────────────────────────────────┘4.2 技术架构
┌─────────────────────────────────────────────────────────────┐
│ 研究 Agent 架构 │
├─────────────────────────────────────────────────────────────┤
│ │
│ ┌─────────────────────────────────────────────────────┐ │
│ │ 搜索阶段 │ │
│ │ 多源并行搜索 → 去重 → 质量筛选 → 候选列表 │ │
│ └─────────────────────────┬───────────────────────────┘ │
│ ↓ │
│ ┌─────────────────────────────────────────────────────┐ │
│ │ 阅读阶段 │ │
│ │ 深度阅读 → 关键信息提取 → 摘要 → 观点库 │ │
│ └─────────────────────────┬───────────────────────────┘ │
│ ↓ │
│ ┌─────────────────────────────────────────────────────┐ │
│ │ 整合阶段 │ │
│ │ 观点分类 → 逻辑组织 → 报告大纲 │ │
│ └─────────────────────────┬───────────────────────────┘ │
│ ↓ │
│ ┌─────────────────────────────────────────────────────┐ │
│ │ 撰写阶段 │ │
│ │ 按大纲撰写 → 引用标注 → 格式优化 → 审核 │ │
│ └─────────────────────────┬───────────────────────────┘ │
│ ↓ │
│ 最终报告 │
│ │
└─────────────────────────────────────────────────────────────┘4.3 多 Agent 协作实现
python
from crewai import Agent, Task, Crew
# 研究员 Agent
researcher = Agent(
role="AI 领域研究员",
goal="收集并分析 AI Agent 领域最新的技术动态",
backstory="你是一位专注 AI 领域的技术研究员，善于发现技术趋势和关键突破",
tools=[search_web_tool, read_url_tool]
)
# 分析师 Agent
analyst = Agent(
role="技术分析师",
goal="对收集的信息进行深度分析和趋势判断",
backstory="你是一位资深技术分析师，擅长从复杂信息中提取关键洞察",
tools=[]
)
# 作家 Agent
writer = Agent(
role="技术作家",
goal="将分析结果撰写成专业、易读的技术报告",
backstory="你是一位经验丰富的技术作家，文章结构清晰、逻辑严谨",
tools=[]
)
# 审核 Agent
reviewer = Agent(
role="质量审核",
goal="审核报告的准确性、完整性和可读性",
backstory="你是一位严格的编辑，对技术细节有敏锐的洞察",
tools=[]
)
# 定义任务
task1 = Task(description="搜索 AI Agent 领域近三个月的重要进展", agent=researcher)
task2 = Task(description="分析收集到的信息，识别关键趋势", agent=analyst)
task3 = Task(description="撰写 2000 字技术报告", agent=writer)
task4 = Task(description="审核报告质量", agent=reviewer)
# 创建团队
crew = Crew(
agents=[researcher, analyst, writer, reviewer],
tasks=[task1, task2, task3, task4],
process="sequential"
)
result = crew.kickoff()第5部分：自动化工作流 Agent（AutoGPT 类）
5.1 场景描述
┌─────────────────────────────────────────────────────────────┐
│ AutoGPT 类 Agent 场景 │
├─────────────────────────────────────────────────────────────┤
│ │
│ 用户："帮我把桌面上的照片整理一下，按日期分类" │
│ │
│ AutoGPT 类 Agent： │
│ 1. 分析任务：需要读取文件、执行文件操作 │
│ 2. 制定计划：列出具体步骤 │
│ 3. 逐步执行：读取照片 EXIF → 确定日期 → 移动到文件夹 │
│ 4. 自我检查：验证整理结果 │
│ 5. 持续优化：发现遗漏则补充 │
│ │
└─────────────────────────────────────────────────────────────┘5.2 技术架构
┌─────────────────────────────────────────────────────────────┐
│ AutoGPT Agent 核心循环 │
├─────────────────────────────────────────────────────────────┤
│ │
│ while not done: │
│ ┌─────────────────────────────────────────────────────┐ │
│ │ 1. Think（思考）：分析当前状态，决定下一步 │ │
│ └─────────────────────────┬───────────────────────────┘ │
│ ↓ │
│ ┌─────────────────────────────────────────────────────┐ │
│ │ 2. Plan（规划）：制定具体的执行计划 │ │
│ └─────────────────────────┬───────────────────────────┘ │
│ ↓ │
│ ┌─────────────────────────────────────────────────────┐ │
│ │ 3. Act（行动）：调用工具执行 │ │
│ └─────────────────────────┬───────────────────────────┘ │
│ ↓ │
│ ┌─────────────────────────────────────────────────────┐ │
│ │ 4. Observe（观察）：检查执行结果 │ │
│ └─────────────────────────┬───────────────────────────┘ │
│ ↓ │
│ ┌─────────────────────────────────────────────────────┐ │
│ │ 5. 是否完成？→ 是则结束，否继续循环 │ │
│ └─────────────────────────────────────────────────────┘ │
│ │
└─────────────────────────────────────────────────────────────┘5.3 核心实现
python
from langchain.agents import AgentExecutor, create_openai_functions_agent
from langchain.tools import Tool
import os
from pathlib import Path
# 文件读取工具
def read_file(path: str) -> str:
"""读取文件内容"""
try:
return Path(path).read_text(encoding='utf-8')
except:
return f"无法读取: {path}"
# 文件列表工具
def list_files(dir_path: str) -> str:
"""列出目录中的文件"""
try:
files = list(Path(dir_path).iterdir())
return "\n".join([f.name for f in files])
except:
return f"无法列出: {dir_path}"
# 文件移动工具
def move_file(source: str, dest: str) -> str:
"""移动文件"""
try:
Path(source).rename(dest)
return f"已移动: {source} → {dest}"
except Exception as e:
return f"移动失败: {e}"
# 文件操作 Agent
file_tools = [
Tool(name="read_file", func=read_file, description="读取文件内容"),
Tool(name="list_files", func=list_files, description="列出目录中的文件"),
Tool(name="move_file", func=move_file, description="移动文件到新位置"),
]
autogpt_system_prompt = """你是一个任务执行助手。
核心循环：
1. Think：分析当前状态和目标
2. Plan：制定具体步骤
3. Act：执行一个步骤
4. Observe：检查结果
5. 如果完成则停止，否则继续
安全规则：
- 只操作用户明确授权的文件和目录
- 执行前先确认操作
- 每次只执行一个步骤
- 遇到错误时停止并报告"""
# 最大化迭代次数，允许多步骤执行
agent = create_openai_functions_agent(llm, file_tools, autogpt_system_prompt)
executor = AgentExecutor(
agent=agent,
tools=file_tools,
max_iterations=50, # AutoGPT 风格：允许很多次迭代
max_execution_time=300 # 5 分钟超时
)
result = executor.invoke({
"input": "把桌面上的照片按日期分类到 '照片/YYYY-MM' 文件夹"
})第6部分：场景技术选型总结
┌─────────────────────────────────────────────────────────────┐
│ 场景技术选型指南 │
├─────────────────────────────────────────────────────────────┤
│ │
│ │ 场景 │ Agent 类型 │ 核心能力 │ 框架选择 │
│ ├────────────────┼───────────────┼───────────────┼─────────┤
│ │ 客服 │ 单 Agent │ RAG + 记忆 │ LangChain│
│ │ 代码助手 │ 单/多 Agent │ 代码执行 │ LangGraph│
│ │ 数据分析 │ 单 Agent │ SQL + Python │ LangChain│
│ │ 研究报告 │ 多 Agent │ 搜索 + 写作 │ CrewAI │
│ │ 自动化工作流 │ ReAct 循环 │ 工具调用 │ LangGraph│
│ │
│ 通用原则： │
│ • 简单任务 → 单 Agent │
│ • 复杂多步骤 → ReAct / Plan-and-Execute │
│ • 多角色协作 → CrewAI / AutoGen │
│ • 需要状态管理 → LangGraph │
│ │
└─────────────────────────────────────────────────────────────┘核心总结
总结1：五大典型场景
| 场景 | 核心挑战 | 关键技术 |
|---|---|---|
| AI 客服 | 知识库 + 情感理解 | RAG + 意图识别 |
| Code Agent | 代码执行 + 调试 | 沙箱执行 + 循环修复 |
| 数据分析 | 数据连接 + 自动化分析 | SQL + Python + 可视化 |
| 研究报告 | 多源信息整合 | 多 Agent 协作 |
| AutoGPT | 自主规划 + 工具调用 | ReAct + 状态管理 |
总结2：选型建议
任务简单、固定 → 单 Agent + RAG
任务复杂、需探索 → ReAct 循环
任务多角色 → CrewAI / AutoGen
任务有状态依赖 → LangGraph章节测试
测试1：场景匹配
什么场景最适合用多 Agent 协作（CrewAI）？
测试2：Code Agent
Code Agent 需要哪些关键能力？
测试3：AutoGPT
AutoGPT 的核心循环是什么？
测试4：选型
用户需要"帮我分析这份 Excel 销售数据"，应该选择什么技术方案？
测试5：架构设计
设计一个"AI 个人助理"Agent，至少需要哪些能力模块？
参考答案
测试1答案
答案：需要多个专业角色协作、任务有明确流水线分工的场景，如研究报告（研究员 + 分析师 + 作家 + 审核员）。
测试2答案
答案：代码生成、代码执行（沙箱隔离）、单元测试生成、错误调试和修复、代码解释。
测试3答案
答案：Think（思考当前状态）→ Plan（制定计划）→ Act（执行行动）→ Observe（观察结果）→ 判断是否完成，未完成则循环。
测试4答案
答案：数据分析 Agent，核心技术包括：文件读取（Excel/Pandas）、数据处理（清洗、统计）、SQL 查询（如果连接数据库）、可视化（图表生成），框架可选 LangChain。
测试5答案
答案：至少需要：
- 消息理解（RAG/对话管理）
- 日程管理（工具调用）
- 邮件处理（工具调用）
- 知识搜索（RAG）
- 记忆管理（短期+长期）
- 任务规划（工作流编排）
相关笔记
- [[05-agent-workflow]] - 不同场景的工作流选择
- [[06-multi-agent]] - 多 Agent 协作在研究报告中的应用
- [[03-rag-basics]] - RAG 在客服等场景中的应用
下一步学习
恭喜你完成了 Agent 学习路线！
- [ ] 回顾 [[00-agent-overview]] - 重新梳理整体框架
- [ ] 实践项目：选择一个场景，从零构建一个 Agent
学习状态：🟡 开始学习