阿里云百炼智能体与工作流深度联动,打造更灵活的AI+流程开发体验

简介: 阿里云百炼平台推出智能体与工作流相互调用功能,支持四种灵活嵌套模式,提升复杂业务流程的复用与自动化能力。通过组件化封装,用户可在智能体中调用工作流,或在工作流中嵌套智能体,显著提高开发效率与系统灵活性,适用于不同技术水平的开发者。

🔔阿里云百炼平台上线智能体与工作流相互调用功能,支持四种灵活嵌套模式,实现复杂业务流程的高效复用与自动执行。

通过组件化封装,用户可轻松在智能体中调用工作流,或在工作流中嵌套智能体,大幅提升开发效率与系统灵活性。无论你是不懂代码的小白,低代码开发者还是资深工程师,都能从中获得前所未有的自动化体验!

接下来,我将为大家详细介绍四种嵌套方式,分别是:工作流嵌套智能体、智能体嵌套工作流、工作流嵌套工作流,以及智能体嵌套智能体。 最后,我们将介绍智能体与工作流相互嵌套时,传参的模型识别和业务透传的区别及使用方法。

一、工作流嵌套智能体组件

在使用工作流时,无论是使用插件还是MCP,都需要参数传递。如果参数较为复杂,则可能需要在工作流中添加脚本节点,通过编写代码来实现参数的传递。这种方式使得在工作流中引入插件和MCP变得复杂。

新增的组件功能可以很好地解决这一问题。我们可以通过搭建一个智能体,专门负责为对应的插件或MCP组件传递参数。随后,将这个智能体发布为组件,并在工作流中引入。这样一来,只需为该组件传递一个参数,即可轻松实现插件或MCP的使用。

接下来,我们将以AntV可视化图表MCP为例进行说明。

1、创建智能体,发布为组件

首先我们搭建一个智能体,专门给AntV 的MCP进行参数设置。

输入如下提示词并选择对应的模型。

# 角色
你是一位数据可视化专家,专门负责将用户提供的数据整理成适合AntV可视化图表MCP所需的数据格式,并根据数据生成可视化图表,最终图表图片地址,以Markdown的格式进行显示。
## 技能
### 技能1: 数据整理与转换
- 根据用户输入的数据内容,将其整理为符合AntV可视化图表MCP要求的数据格式。
- 确保数据格式正确无误,便于后续图表生成。
### 技能2: 选择合适的图表类型
- 分析用户提供的数据特点,确定最适合展示这些数据的折线图图表。
- 依据数据的性质和用户需求,选择最直观且易于理解的图表形式。
### 技能3: 图表生成与呈现
- 使用AntV工具生成选定类型的图表。
- 将生成的图表保存为图片,并提供该图片的访问地址。
## 限制
- 仅处理与数据可视化相关的任务,不涉及其他类型的数据分析。
- 图表类型的选择应基于数据特性和最佳实践,确保图表能够清晰地传达信息。
- 返回的图片地址必须是有效的,且可以直接访问到生成的图表图片。
- 在整个过程中,保持专业性,确保数据的准确性和图表的美观性。

选择AntV 可视化图表MCP。

设置好提示词,选中对应的MCP,随后点击发布按钮,将其发布为组件。

发布渠道当中将当前智能体发布为组件。

2、创建工作流-引入组件

我们设计了一个工作流,用于在网络上检索相关数据,并通过刚刚发布的AntV智能体组件生成图表。

引入联网搜索的MCP组件。

由于联网搜索的MCP组件功能较为单一,仅包含一个工具,且该工具的参数仅有两个,因此我们可以直接在工作流中引入该MCP组件的工具即可满足需求。

为了实现多样化的数据收集目标,我们可以通过联网搜索来获取三种不同类型的数据:公司股票数据、公司财务数据以及公司股权架构数据。

为此,可以复制三个联网搜索的MCP节点,并在每个节点前分别添加一个文本节点,用于动态拼接所需的搜索内容。这样能够确保每次搜索都具备针对性,同时提升数据采集的效率和准确性。

然后设置好对应MCP工具的参数,三个节点都一样。

引入对应的AntV的智能体组件。连接到MCP联网搜索组件的后面。

引入三个AntV可视化智能体组件,分别将MCP联网搜索的结果作为参数传入这些组件中。

三个节点均需设置输入参数,并分别引用前面联网搜索的内容。

最后我们将所有的结果汇总到结束节点当中。

3、运行测试

运行成功

二、智能体嵌套工作流

1、将工作流发布为组件

在智能体中处理多链路复杂问题时,仅依赖智能体自身的能力往往难以实现所需功能。此时,我们需要将工作流引入智能体中。具体操作是将刚刚搭建的工作流发布为组件,并将其集成到相应的智能体中。

2、创建一个智能体引入上面的工作流

输入提示词,选择模型,并选择对应的工作流

提示词如下:

你是一个公司分析助手,根据用户输入的公司名称,
通过 AntV工作流组件-公司股票财务组件 工作流组件,实现公司数据的分析。

3、运行测试


三、工作流嵌套工作流

工作流嵌套工作流的方式能够有效解决工作流中相同节点复用的问题。如果某个工作流内部的某一部分流程需要在多个节点中使用,我们可以将这部分封装为独立的组件,随后在工作流中直接复用该节点。

由于上述三个节点的逻辑基本相同,我们可以将其封装为一个组件,然后引入工作流中进行复用。这种方式不仅能够提升效率,还能让流程更加简洁清晰。

1、创建新的工作流

创建搜索与可视化工作流组件,和之前逻辑一样,这里不做过多赘述

将其发布为组件


2、修改之前的工作流,引入上面的工作流组件

复制三个组件并设置对应的参数

重新设置输出节点

3、运行测试

四、智能体嵌套智能体

当一个智能体承担过多任务时,过多的提示词可能会加剧大模型的幻觉问题。此时,可以将任务拆分给两个智能体来处理,从而有效避免因单个智能体提示词过多而导致的幻觉问题。因此,我们有必要在智能体中引入其他智能体以实现这一目标!

1、将之前创建的公司分析的智能体发布为组件

2、创建一个新的智能体,引入上面创建的智能体组件

在这个全新的智能体中,我们需要借助上述的公司分析智能体组件来完成公司分析任务,同时通过高德地图MCP组件实现公司位置查询功能。

输入如下提示词,并选择高德地图MCP以及公司分析智能体组件即可完成配置。

# 角色
你是一位专业的公司分析师,擅长通过多种工具和数据源对公司进行全面分析。你的任务是根据用户提供的公司名称,查询公司的地理位置,并进行深入的公司分析。
## 技能
### 技能1: 公司位置查询
- 使用Amap Maps工具查询并提供公司的具体位置信息。
- 提供详细的地理位置描述,包括周边环境、交通情况等。
### 技能2: 公司分析
- 通过智能体公司分析工具,分析公司
- 分析公司的业务模式、市场定位和发展历程。
- 在公司分析智能体当中有图表信息的数据,要以图片的形式显示出来。
### 技能3: 竞争对手分析
- 识别并分析公司的主要竞争对手。
- 提供竞争对手的市场份额、竞争优势和劣势等方面的详细信息。
### 技能4: 行业趋势分析
- 分析公司所在行业的市场趋势和发展前景。
- 提供行业报告和市场研究报告,帮助用户了解行业动态。
## 限制
- 只讨论与公司分析相关的话题。
- 所有分析应基于客观数据和事实,避免引入个人观点或偏见。
- 在提供财务分析时,确保数据来源可靠,并明确标注数据来源。
- 不得泄露任何敏感或机密信息。
- 如果需要调用外部工具或数据库,请明确说明并指导用户如何使用这些工具。

运行测试

五、模型识别和业务透传

当我们发布组件时,会看到一个下拉框,其中包含两个选项:默认值为“模型识别”,另一个选项是“业务透传”。

  • 模型识别:在智能体中使用该组件时,参数由大模型自动传递,无需手动干预。
  • 业务透传:在使用组件时,参数需要在输入问题时手动传入。

需要注意的是,这一功能仅在智能体使用组件时生效。而在工作流中,无论选择哪一种选项,效果都相同,均需手动传入参数。

再次创建一个新的工作流,我们将设置多个参数。此工作流的搭建将非常简洁

下图仅用于功能演示,简单完成连接配置,并实现输出功能!

发布为组件,将传输方式全部设置为业务透传,然后点击发布。

在智能体当中引入该工作流组件。

选择好对应的工作流后,可以发现右上角多出了一个按钮。

在这种情况下,如果我们未设置该按钮对应的内容,直接进行提问时,系统将会提示错误或无法正常运行。

然后设置对应工作流的输入参数。

修改刚刚创建的工作流组件,将输入参数设置为模型识别。

返回智能体界面后可以发现,智能体中的入参变量配置内容已经为空。此时,输入参数由大模型自行判断并自动填充。


好了,已经讲解完了哦~~,快跟着文章操作吧。


📣如果需要进一步了解阿里云百炼的可直接点击下面链接哈:

👉阿里云百炼详情了解可点击此官网链接:阿里云百炼官网介绍

👉阿里云百炼控制台页面可点击此链接直接进入:阿里云百炼控制台


如果在创建过程中有任何的疑问都可以在评论区中留言探讨或是加入我们的官方支持群(群号:120480015429)进行交流反馈!

1bb53390962d38c328f19fcc8419d77a.png


相关文章
|
6月前
|
人工智能 数据处理 API
阿里云、Ververica、Confluent 与 LinkedIn 携手推进流式创新,共筑基于 Apache Flink Agents 的智能体 AI 未来
Apache Flink Agents 是由阿里云、Ververica、Confluent 与 LinkedIn 联合推出的开源子项目,旨在基于 Flink 构建可扩展、事件驱动的生产级 AI 智能体框架,实现数据与智能的实时融合。
1059 6
阿里云、Ververica、Confluent 与 LinkedIn 携手推进流式创新,共筑基于 Apache Flink Agents 的智能体 AI 未来
|
6月前
|
人工智能 自然语言处理 测试技术
从人工到AI驱动:天猫测试全流程自动化变革实践
天猫技术质量团队探索AI在测试全流程的落地应用,覆盖需求解析、用例生成、数据构造、执行验证等核心环节。通过AI+自然语言驱动,实现测试自动化、可溯化与可管理化,在用例生成、数据构造和执行校验中显著提效,推动测试体系从人工迈向AI全流程自动化,提升效率40%以上,用例覆盖超70%,并构建行业级知识资产沉淀平台。
从人工到AI驱动:天猫测试全流程自动化变革实践
|
6月前
|
人工智能 测试技术 API
构建AI智能体:二、DeepSeek的Ollama部署FastAPI封装调用
本文介绍如何通过Ollama本地部署DeepSeek大模型,结合FastAPI实现API接口调用。涵盖Ollama安装、路径迁移、模型下载运行及REST API封装全过程,助力快速构建可扩展的AI应用服务。
1841 6
|
6月前
|
人工智能 运维 安全
加速智能体开发:从 Serverless 运行时到 Serverless AI 运行时
在云计算与人工智能深度融合的背景下,Serverless 技术作为云原生架构的集大成者,正加速向 AI 原生架构演进。阿里云函数计算(FC)率先提出并实践“Serverless AI 运行时”概念,通过技术创新与生态联动,为智能体(Agent)开发提供高效、安全、低成本的基础设施支持。本文从技术演进路径、核心能力及未来展望三方面解析 Serverless AI 的突破性价值。
|
6月前
|
SQL 人工智能 机器人
AI Agent新范式:FastGPT+MCP协议实现工具增强型智能体构建
FastGPT 与 MCP 协议结合,打造工具增强型智能体新范式。MCP 如同 AI 领域的“USB-C 接口”,实现数据与工具的标准化接入。FastGPT 可调用 MCP 工具集,动态执行复杂任务,亦可作为 MCP 服务器共享能力。二者融合推动 AI 应用向协作式、高复用、易集成的下一代智能体演进。
835 0
|
6月前
|
存储 人工智能 Java
AI 超级智能体全栈项目阶段四:学术分析 AI 项目 RAG 落地指南:基于 Spring AI 的本地与阿里云知识库实践
本文介绍RAG(检索增强生成)技术,结合Spring AI与本地及云知识库实现学术分析AI应用,利用阿里云Qwen-Plus模型提升回答准确性与可信度。
1923 90
AI 超级智能体全栈项目阶段四:学术分析 AI 项目 RAG 落地指南:基于 Spring AI 的本地与阿里云知识库实践
|
6月前
|
人工智能 搜索推荐 数据可视化
当AI学会“使用工具”:智能体(Agent)如何重塑人机交互
当AI学会“使用工具”:智能体(Agent)如何重塑人机交互
672 115
|
6月前
|
人工智能 API 开发工具
构建AI智能体:一、初识AI大模型与API调用
本文介绍大模型基础知识及API调用方法,涵盖阿里云百炼平台密钥申请、DashScope SDK使用、Python调用示例(如文本情感分析、图像文字识别),助力开发者快速上手大模型应用开发。
2288 17
构建AI智能体:一、初识AI大模型与API调用
|
6月前
|
存储 机器学习/深度学习 人工智能
构建AI智能体:三、Prompt提示词工程:几句话让AI秒懂你心
本文深入浅出地讲解Prompt原理及其与大模型的关系,系统介绍Prompt的核心要素、编写原则与应用场景,帮助用户通过精准指令提升AI交互效率,释放大模型潜能。
1115 6

热门文章

最新文章

相关产品

  • 大模型服务平台百炼