pi-mono 学习 07|主 Agent 与 Tools:一套可迁移的设计方法

这篇写什么

把两份偏方法论的笔记(主 Agent 设计、Tools 设计)合并成一篇:给出一套可迁移、可施工的 agent 产品设计方法,不依赖编程场景。

主 Agent:先设计任务闭环,不要先写 prompt

主 agent 不是“一个大 prompt”,而是:任务边界、角色定义、行为规则与闭环运行方式的组合。

一个可用的主 agent,首先要回答:

  • 核心目标是什么
  • 完成标准是什么
  • 默认怎么推进
  • 何时继续、何时停止
  • 遇到失败怎么处理

提示词只是这些设计的表达载体,不是起点。

主 Agent 的设计骨架(建议写清楚)

  • 目标定义
  • 输入定义(用户通常怎么提任务)
  • 输出定义(你最终返回什么形态)
  • 完成条件与停止条件
  • 默认策略(模糊时问还是猜、失败时重试还是反馈)
  • 边界与禁区

Tools:从任务闭环反推,不要从已有 API 正推

Tools 的本质是:模型可以请求执行的外部动作单元。

一个好的 tools 体系要做到:

  1. 覆盖任务闭环中的关键动作
  2. 以统一 schema 暴露给 agent
  3. 让 runtime 能稳定调用、回灌、继续推进

Tool 设计的常见原则

  • 工具表达动作,而不是泄漏内部系统结构
  • 粒度适中:既不万能也不碎
  • schema 骨架统一(名称/描述/参数),业务语义可自由
  • 参数要“模型友好”(少、清晰、必填明确)
  • 返回结果要有清晰语义(成功/失败/关键信息),避免噪音转储
  • 错误要正式建模(是否可重试、失败原因)
  • 写操作要强调幂等或可预测性,明确副作用
  • 安全边界尽量设计进工具本身,而不是只靠 prompt

两者的边界

  • tools 决定“能做什么动作”
  • 主 agent 决定“什么时候做这个动作更合适、如何把动作串成闭环”
  • runtime 决定“如何让动作与模型形成可控循环(执行、回灌、继续/停止)”

小结

如果你把 agent 当产品做,主 agent 与 tools 的设计不是写 prompt 的副产物,而是先有闭环、再有动作、再有约束,最后才编译成 prompt + schema + runtime 策略。

Read more

传统 SaaS 转向 AI 时代,我目前的一点理解:先把数据能力变成 Agent 可调用的基础设施

最近我一直在思考一个问题:传统 SaaS 到底应该怎么转向 AI? 一开始很容易想到的方向是:给原来的系统加一个 AI 助手。 比如在页面右下角放一个聊天框,让用户可以问数据、生成报告、总结内容、解释指标。这个当然有价值,但我现在越来越觉得,这只是比较表层的一种转型。 真正的变化,可能不是“在 SaaS 里面加 AI”,而是 SaaS 本身的能力形态发生变化。 过去的 SaaS,核心是给人使用。 人登录系统,看页面、点按钮、筛选数据、导出报表、判断问题,然后再去做决策。数据库是给 Web 页面供数的,后端 API 是给前端页面服务的,整个产品的中心是“人如何操作软件”。 但 AI 时代,尤其是 Agent 逐渐发展之后,

By ladydd

对 Python 应用场景的一次重新思考:FastAPI、协程、线程、数据库与任务系统边界

最近在重新设计一个任务系统时,我顺便把自己对 Python,尤其是 CPython 应用场景的理解重新梳理了一遍。 这次讨论的背景是一个典型的异步任务服务: 上游提交任务 API 立即返回 task_id 后台 worker 慢慢执行 用户通过 task_id 查询任务状态 任务主要是 LLM 调用、图片下载、外部 HTTP 请求这类 I/O 型工作。 一开始关注的是队列、Redis、PostgreSQL、worker 并发控制这些问题。但聊到后面,其实更核心的问题变成了: Python 到底应该放在什么位置? 哪些并发适合 Python? 哪些并发不要硬塞给 Python? FastAPI、协程、线程、数据库之间应该怎么分工? 这篇文章就是这次思考的整理。 一、我不想抛弃 Python,

By ladydd

Go 和 Python 的并发模型对比:进程、线程、协程、并发和并行到底怎么理解?

最近我在写 worker 任务系统的时候,重新理解了一遍 Python 和 Go 的并发差异。 以前写 Python,多 worker 经常要考虑: 多进程怎么管理? 日志会不会串? 一个 worker 崩了怎么办? 怎么吃满多核心? 后来换成 Go,发现一个进程里开多个 goroutine worker 就很自然: go worker(1) go worker(2) go worker(3) go worker(4) 日志也好管,状态也好管,而且单进程还能利用多个 CPU 核心。 一开始很容易误会成: Python 不行,Go 行 但更准确的理解应该是: Python 和

By ladydd

Python 进程和 Go 进程的区别:为什么 Go 单进程多 worker 用起来更爽?

最近我在做 worker 任务系统的时候,突然意识到一个很关键的问题: 以前写 Python,多 worker 的时候经常要小心日志串、文件切割乱、时间不好管理。 但是换成 Go 以后,一个进程里开多个 goroutine worker,反而可以比较自然地写到同一个日志文件里。 一开始我以为这是“Python 和 Go 写日志能力不一样”,后来想明白了,核心不是日志本身,而是: Python 常见 worker 模型:多进程 Go 常见 worker 模型:单进程 + 多 goroutine 这背后其实是两个语言在并发模型上的巨大差异。 一、进程、线程、goroutine 先分清楚 先把几个概念捋一下。 进程:操作系统分配资源的单位 线程:CPU 调度执行的基本单位

By ladydd
陕公网安备61011302002223号 | 陕ICP备2025083092号