跳转到主要内容

​
简介

AI 智能体是一个自主系统，能够感知环境、做出决策并采取行动以实现目标。在 Shannon 中，智能体是使用大型语言模型（LLM）和工具处理任务的基本执行单元。

​
智能体能力

Shannon 智能体可以：

推理

使用 LLM 分析任务、规划解决方案并做出决策

执行工具

调用函数、运行代码、搜索网络并与 API 交互

协作

与其他智能体协作解决复杂的多步骤问题

学习

通过模式学习和缓存结果不断改进

​
智能体生命周期

以下是智能体处理任务的流程：
1

任务分析

智能体接收任务并分析需要完成的工作
2

规划

LLM 创建计划，可能会分解为多个步骤
3

工具选择

智能体识别需要使用哪些工具
4

执行

迭代执行工具并处理结果
5

综合

将结果组合成最终答案

​
Shannon 中的智能体类型

​
单智能体（简单模式）

单个智能体处理整个任务而不进行分解。 最适合：
  • 简单查询
  • 事实检索
  • 基本计算
  • 快速响应
示例： 
client.submit_task(
    query="法国的首都是什么？"
)
Shannon 会自动为简单查询选择单智能体模式。

​
多智能体（标准/复杂模式）

多个专业智能体协同工作，由 Shannon 的编排器进行协调。 最适合：
  • 复杂研究
  • 多步骤工作流
  • 需要不同专业知识的任务
  • 需要并行处理的任务
示例： 
client.submit_task(
    query="研究前 5 大 AI 趋势，分析市场影响，并创建摘要"
)
Shannon 会根据查询复杂度自动将复杂查询分解为多智能体工作流。

​
智能体组件

​
1. LLM 大脑

由语言模型驱动的决策核心：
  • 模型选择：Shannon 根据任务复杂度自动选择模型
    • 小型任务 → gpt-5-mini、claude-haiku
    • 复杂任务 → gpt-5、claude-opus
  • 上下文管理：自动管理上下文窗口
  • 缓存：在适用时重用之前的 LLM 响应

​
2. 工具系统

智能体可以执行各种工具： 内置工具：
  • Python 代码执行（WASI 沙箱隔离）
  • 网络搜索（Google/Serper/Bing/Exa/Firecrawl）
  • 文档检索
  • 数学计算
MCP 工具： Shannon 支持模型上下文协议进行外部工具集成。 自定义工具： 通过 OpenAPI 规范或 Python 实现添加您自己的工具。

​
3. 记忆系统

智能体维护两种类型的记忆： 会话记忆：
  • 对话中的短期上下文
  • 存储在 Redis（TTL 可配置，默认 30 天）
  • 支持多轮对话
向量记忆：
  • Qdrant 中的长期语义记忆
  • 跨会话检索
  • MMR 多样性获取相关上下文

​
平台配置

Shannon 的行为通过环境变量在平台级别进行配置： 
# 在 .env（示例）
DEFAULT_MODEL_TIER=small           # small | medium | large
MAX_TOKENS_PER_REQUEST=10000       # 每次请求的令牌预算（LLM 服务）
MAX_COST_PER_REQUEST=0.50          # 每次请求的成本限制（美元，LLM 服务）
AGENT_TIMEOUT_SECONDS=600          # 代理执行超时（编排器）

# 重启服务以应用更改
docker compose restart

​
模型层级

Shannon 根据配置的层级自动选择模型：
层级模型用例成本
SMALLgpt-5-mini、claude-haiku简单查询、高容量$
MEDIUMgpt-5、claude-sonnet通用目的$$
LARGEgpt-5-thinking、claude-opus复杂推理、关键任务$$$
Shannon 的智能路由器为每个任务选择最具成本效益的模型，通常可节省 60–90% 的成本（取决于工作负载）。
有关所有可用环境变量，请参阅配置指南。

​
智能体协调模式

Shannon 使用经过验证的认知模式进行多智能体协调：

​
思维链（CoT）

每个步骤都基于前一步构建的顺序推理： 
任务："计算复利"
步骤 1：确定公式
步骤 2：收集输入
步骤 3：计算结果
步骤 4：格式化输出

​
思维树（ToT）

探索性回溯以解决复杂问题： 
任务："设计系统架构"
分支 1：微服务方法
  ├─ 评估优缺点
  └─ 估算复杂度
分支 2：单体方法
  ├─ 评估优缺点
  └─ 估算复杂度
选择：根据标准选择最佳选项

​
ReAct（推理 + 行动）

用于动态任务的推理和行动交替： 
思考："我需要找到最新的股票价格"
行动：在网络上搜索"AAPL 股票价格"
观察："$150.25"
思考："现在计算 10% 的收益"
行动：计算 150.25 * 1.10
结果："$165.28"

​
安全性和隔离

Shannon 智能体在安全的环境中运行：

WASI 沙箱

所有代码执行都在 WebAssembly 系统接口沙箱中进行，具有以下特性：
  • 无网络访问
  • 只读文件系统
  • 内存限制
  • 执行超时

​
OPA 策略执行

控制智能体可以做什么： 
# 示例策略：按团队限制模型
package shannon.teams.datascience

allow {
    input.team == "data-science"
    input.model in ["gpt-5", "claude-sonnet"]
}

max_tokens = 50000 {
    input.team == "data-science"
}

​
最佳实践

​
1. 选择正确的模式

  • 简单：单步任务、快速响应
  • 标准：多步任务、中等复杂度
  • 复杂：研究、分析、高级推理

​
2. 设置预算限制

在平台级别配置令牌和成本限制以防止意外费用： 
# 在 .env 文件中
MAX_TOKENS_PER_REQUEST=5000
MAX_COST_PER_REQUEST=1.0
通过任务状态监控成本： 
status = client.get_status(task_id, include_details=True)
if status.metrics:
    print(f"成本：${status.metrics.cost_usd:.4f}")
    print(f"令牌：{status.metrics.tokens_used}")

​
3. 使用会话保持上下文

对于多轮对话，使用一致的 session_id： 
session_id = "user-123-conversation"
client.submit_task(query="...", session_id=session_id)

​
4. 监控性能

检查指标以优化： 
# 等待任务完成
status = client.wait(handle.task_id, timeout=300)
if status.metrics:
    print(f"使用的令牌：{status.metrics.tokens_used}")
    print(f"成本：${status.metrics.cost_usd:.4f}")
    print(f"持续时间：{status.metrics.duration_seconds:.2f}秒")

​
下一步

工作流

了解工作流模式

成本控制

掌握预算管理

API 参考

探索智能体 API

Python SDK

使用 SDK 构建

​
参与翻译

如果您想帮助翻译此文档，请访问我们的 GitHub 仓库。