构建可靠AI Agent：从提示词、工作流到知识库的实战指南

主要观点总结

本文系统阐述了在当前Agentic AI技术快速发展的背景下，如何构建一个可靠、高效且可落地的AI Agent应用，包括Agent核心架构、Prompt工程、工作流设计、知识库构建等方面。同时，也介绍了关于安全、如何确定AI项目以及湖仓一体化架构等相关内容。

关键观点总结

关键观点1: Agent核心架构定义

Agent系统由大语言模型、提示词、工作流、知识库、工具调用等五个关键组件构成。其中，LLM和工具调用已经形成了相对标准化的技术栈，业务开发的核心竞争力在于提示词工程、工作流设计和知识库构建。

关键观点2: Prompt工程

给AI写“需求文档”即提示词，分为系统提示词和用户提示词。系统提示词设置了agent的角色和任务类型，包括身份、上下文、例子、输出规范等。可以使用工具简单生成初版，再进行后续优化。需要注意设置少量examples，尽量遵循规范以提高agent的回答质量。

关键观点3: 工作流设计

选择DSL描述工作流而非自然语言，通过结构化语法更准确地描述业务流程。可以使用Mermaid等工具来绘制流程图。另外，也介绍了使用关系型数据库保存流程信息的思路。

关键观点4: 知识库构建

介绍了RAG与向量数据库的背景和相关知识。也探讨了关系型数据库在保存精准任务信息中的应用。

关键观点5: 安全问题

提示词攻击是AI系统的一种攻击手段，通过精心设计的提示词绕过系统安全限制或引导模型产生意外行为。目前无法完全避免提示词攻击，但可以通过主动防御（输入过滤与验证）+被动修补（提示词中记录badcase）+持续迭代（模型迭代与持续修补）的综合策略来降低风险。

关键观点6: 如何确定AI项目

确定AI项目需要先确定业务问题，集思广益寻找解决方案，评估解决方案的可行性和价值。对于AI项目，推荐采用“Ready, Fire, Aim”的方式快速验证和迭代。

关键观点7: 湖仓一体化架构

介绍了湖仓一体化架构的概念和优势，融合了数据湖的低成本、高扩展性，以及数据仓库的高性能、强数据治理能力。