5分钟上手！RAGFlow Agent组件：零代码构建智能工作流

你是否还在为复杂业务流程的自动化而烦恼？是否希望无需编写代码就能构建灵活的智能工作流？RAGFlow Agent组件正是为解决这些问题而生。本文将带你快速掌握如何利用Agent组件，通过可视化配置和模板化设计，轻松打造属于你的多智能体协作系统。读完本文，你将能够：理解Agent组件的核心架构、掌握工作流编排的基本方法、使用现有模板快速搭建应用场景、了解如何自定义工具和扩展功能。

Agent组件核心架构

RAGFlow Agent组件是一个基于工具的工作流编排框架，允许用户通过组合不同的工具和子智能体（Sub-Agent）来构建复杂的业务流程。其核心架构主要包含以下几个部分：

• Agent基类：定义了智能体的基本行为和接口，位于agent/component/base.py。
• 工具集成模块：负责加载和管理各种工具，如检索工具（Retrieval）、Web搜索工具等，具体实现见agent/component/agent_with_tools.py。
• 工作流定义：通过JSON格式的DSL（领域特定语言）定义智能体之间的协作关系和数据流向，示例模板可参考agent/templates/目录下的文件。
• LLM集成：与大语言模型（如DeepSeek）对接，处理自然语言理解和生成任务，相关代码位于agent/component/llm.py。

Agent组件的核心优势在于其模块化设计和灵活的工具集成能力。用户可以根据实际需求，选择合适的工具和子智能体，快速搭建满足特定业务场景的工作流。

工作流编排基本方法

RAGFlow Agent组件采用可视化的方式进行工作流编排，用户无需编写代码，只需通过配置JSON文件即可定义智能体之间的关系和数据流向。以下是工作流编排的基本步骤：

1. 定义主智能体（Lead-Agent）：负责接收用户请求，识别用户意图，并将任务分配给合适的子智能体。
2. 配置子智能体（Sub-Agent）：根据不同的任务类型，配置专门的子智能体，如处理产品咨询的Product Agent、处理投诉的Soothe Agent等。
3. 设置工具：为需要调用外部资源的子智能体配置相应的工具，如为Product Agent添加检索工具以查询产品知识库。
4. 定义数据流向：明确智能体之间的输入输出关系，确保数据能够正确传递和处理。

以下是一个简单的工作流配置示例，展示了如何定义一个处理客服请求的多智能体系统：

{
  "components": {
    "Agent:Main": {
      "component_name": "Agent",
      "params": {
        "llm_id": "deepseek-chat@DeepSeek",
        "max_rounds": 2,
        "tools": [
          {
            "component_name": "Agent",
            "name": "Product Agent",
            "params": {
              "tools": [{"component_name": "Retrieval"}]
            }
          },
          {
            "component_name": "Agent",
            "name": "Soothe Agent"
          }
        ]
      }
    }
  }
}

在实际应用中，用户可以通过修改JSON配置文件来调整智能体的行为和工具的参数，以适应不同的业务需求。

快速上手：使用客服模板构建多智能体系统

为了帮助用户快速上手，RAGFlow提供了多个预定义的工作流模板，位于agent/templates/目录下。其中，customer_service.json模板展示了如何构建一个多智能体客服系统。以下是使用该模板的详细步骤：

步骤1：理解模板结构

客服模板定义了一个主智能体（Customer Server Agent）和三个子智能体：

• Casual Agent：处理闲聊和非业务相关的对话。
• Soothe Agent：处理用户投诉和负面情绪。
• Product Agent：处理产品咨询，可调用检索工具查询产品知识库。

主智能体负责根据用户输入的意图，将请求分配给合适的子智能体，并将处理结果返回给用户。

步骤2：配置智能体参数

每个智能体都有一系列可配置的参数，如LLM模型选择、温度参数（temperature）、最大重试次数等。例如，在Product Agent的配置中，可以设置检索工具的参数：

{
  "component_name": "Retrieval",
  "params": {
    "kb_ids": [],
    "top_n": 8,
    "similarity_threshold": 0.2
  }
}

这些参数可以根据实际需求进行调整，以优化智能体的性能和响应质量。

步骤3：运行工作流

配置完成后，用户可以通过调用Agent组件的API来启动工作流。以下是一个简单的Python代码示例，展示如何加载并运行客服模板：

from agent.canvas import Canvas

# 加载客服模板
canvas = Canvas.from_template("customer_service.json")

# 运行工作流
result = canvas.run(user_query="我的订单什么时候发货？")
print(result)

通过这种方式，用户可以快速搭建一个功能完善的多智能体客服系统，而无需编写复杂的代码。

应用场景举例

RAGFlow Agent组件的应用场景非常广泛，除了客服系统外，还可以用于构建各种复杂的业务流程。以下是几个典型的应用场景：

产品咨询与支持

通过Product Agent和检索工具的结合，可以快速构建一个产品咨询系统。当用户询问产品相关问题时，Product Agent会调用检索工具从产品知识库中查找相关信息，并生成准确的回答。这种方式不仅可以提高客服效率，还能确保回答的一致性和准确性。

客户投诉处理

Soothe Agent专门用于处理用户投诉和负面情绪。它通过共情和安抚的语言，缓解用户的不满情绪，并引导用户提供更多详细信息，以便后续处理。这种方式可以有效提高客户满意度，减少客户流失。

市场调研与分析

通过组合Web搜索工具和数据分析工具，可以构建一个市场调研智能体。该智能体能够自动收集市场数据，分析行业趋势，并生成详细的调研报告。这种方式可以大大节省人工调研的时间和成本，为企业决策提供有力支持。

高级功能：自定义工具和扩展

RAGFlow Agent组件支持用户自定义工具和扩展功能，以满足特定的业务需求。以下是自定义工具的基本步骤：

1. 创建工具类：继承ToolBase类，实现工具的具体功能，代码位于agent/tools/base.py。
2. 注册工具：在配置文件中注册新工具，使其能够被智能体加载和调用。
3. 使用工具：在智能体的参数配置中引用新工具，如：

{
  "tools": [
    {
      "component_name": "CustomTool",
      "params": {
        "api_key": "your_api_key"
      }
    }
  ]
}

通过自定义工具，用户可以将RAGFlow与企业内部系统、第三方API等进行集成，进一步扩展Agent组件的功能。

总结与展望

RAGFlow Agent组件为用户提供了一个灵活、高效的工作流编排框架，通过组合不同的工具和智能体，可以快速构建满足特定业务需求的应用系统。本文介绍了Agent组件的核心架构、工作流编排方法、快速上手步骤、应用场景以及高级扩展功能，希望能够帮助用户更好地理解和使用该组件。

未来，RAGFlow团队将继续优化Agent组件的性能和易用性，增加更多预定义模板和工具，以支持更广泛的应用场景。同时，我们也欢迎社区贡献者积极参与项目开发，共同推动RAGFlow的发展和创新。

官方文档：docs/guides/agent/ 模板示例：agent/templates/ API参考：docs/references/http_api_reference.md