AI Agent 节点 · 自主调用工具的智能体
第 5 章 · 第 2 节
AI Agent 节点是 Part 5 的主角。它把 LLM 从”只会聊天的脑子”升级成”能用工具的执行者”。这一节讲它内部到底怎么工作——理解原理后，你 prompt 怎么写、Tool 怎么描述都会有方向。
Agent 内部的循环 (ReAct 模式)
Section titled “Agent 内部的循环 (ReAct 模式)” 🔄 react-loop.txt
Agent 收到用户输入 → 进入"思考-行动"循环：
┌──────────────────────────────────────┐
│ Thought (思考): │
│ "用户问 GitHub 用户 torvalds 的资料 │
│ 我需要调 HTTP 工具查一下" │
│ │
│ Action (行动): │
│ 调用 HTTP Tool with URL=... │
│ │
│ Observation (观察): │
│ 收到 JSON 响应 { name: ..., ... } │
└──────────────────────────────────────┘
↓
继续循环（最多 N 次）
↓
Final Answer：整理回答给用户
这就是 ReAct (Reason + Act) 模式。Agent 的每一步都是”先想再做”，每个 Action 的结果会反馈回下一轮思考。
Agent 节点的关键参数
Section titled “Agent 节点的关键参数” ⚙ agent-params.txt
AI Agent 节点 Parameters:
▸ Agent Type: Tools Agent（默认，最强）
▸ Source for Prompt: Define below / From previous node
▸ Prompt: 用户输入（通常 ={{ $json.chatInput }}）
▸ System Message: 全局指令，定义 Agent 的角色和约束
▸ Max Iterations: 5 (循环最多几轮，防死循环)
▸ Return Intermediate Steps: false (调试时开)
System Message：定义 Agent 人设
Section titled “System Message：定义 Agent 人设”这是 Agent 的”使用说明书”——告诉它自己是谁、能做什么、不能做什么。
📜 system-prompt-example.txt
你是一个专业的电商客服助手。你的职责：
1. 用户问订单状态 → 调 get_order_status 工具
2. 用户想退款 → 调 process_refund 工具（先确认订单号）
3. 用户问产品信息 → 调 search_products 工具
边界规则：
- 不讨论与电商无关的话题
- 涉及金额超过 1000 元的操作，回答"需要人工审核"
- 始终用礼貌的中文回答
- 不要捏造订单信息——查不到就说查不到
输出格式：先回答用户问题，最后附一句"还有什么可以帮您？"
好 System Message 的结构：角色 + 能力清单 + 边界规则 + 输出格式。
Tool 描述：让 Agent 知道何时用
Section titled “Tool 描述：让 Agent 知道何时用”每个挂上去的工具都有一个 Description 字段。LLM 看这段描述决定要不要调它：
📝 tool-description.txt
❌ 烂描述（Agent 用不好）：
Name: http_call
Description: 发 HTTP 请求
✅ 好描述（Agent 知道何时用）：
Name: get_user_profile
Description: 根据用户邮箱查询用户的基本资料和积分。
输入：email (用户邮箱)
返回：name, points, level, vip_status
差异：
- 用动词清楚说明"做什么"
- 列输入参数
- 说明返回内容
- 不写实现细节（Agent 不需要知道你调的是哪个 API）
调试 Agent · Intermediate Steps
Section titled “调试 Agent · Intermediate Steps”新手最大的困惑：“Agent 为啥不调我那个工具？”
打开 Agent 节点的 Return Intermediate Steps 开关——再运行就能看到 Agent 每一步的 Thought / Action / Observation：
🔍 intermediate-steps.txt
输出中会多一个 intermediateSteps 字段：
[
{
"action": {
"tool": "get_user_profile",
"toolInput": { "email": "alice@x.com" }
},
"observation": "{ \"name\": \"Alice\", \"points\": 200, ... }"
},
{
"action": {
"tool": "send_email",
"toolInput": { ... }
},
"observation": "..."
}
]
看到这些就知道 Agent 想了什么、调了什么、得到了什么。
一个完整 Agent workflow 实例
Section titled “一个完整 Agent workflow 实例” 🎯 full-agent.txt
场景：客服 Bot 能查订单 + 估算退款时间
[Chat Trigger] 入口
↓
[AI Agent]
Chat Model: [OpenAI gpt-4o-mini]
Memory: [Window Buffer Memory] (size=10)
Tool 1: [Postgres Tool "get_order"]
Description: 按订单号查订单详情
Tool 2: [HTTP Tool "estimate_refund"]
Description: 估算退款到账时间，输入金额返回天数
System Message: 你是 XYZ 电商客服... (前面那段)
↓
[Respond to Chat] 回复给用户
对话举例:
用户：订单 #1234 的退款大概几天到？
Agent → 调 get_order(1234) → 收到 {amount: 500}
→ 调 estimate_refund(500) → 收到 {days: 3}
→ "您的订单 #1234 退款 ¥500，预计 3 天到账。还有什么可以帮您？"
Agent 翻车场景与解药
Section titled “Agent 翻车场景与解药”本节要点回顾
Section titled “本节要点回顾”- Agent 内部 = ReAct 循环（Thought → Action → Observation）
- System Message：角色 + 能力 + 边界 + 输出格式
- Tool Description 是 LLM 决策的依据——写好它比改 prompt 更重要
- 调试用 Return Intermediate Steps 看每一步
- Max Iterations 防死循环
- 用 gpt-4o-mini 起步省钱
下一节Memory 记忆——让 Agent 记得多轮对话。