4-Phase编排架构：5个通用Agent Skill如何做到规则参数化+组件可组合+优雅降级

当你在写第3个评分逻辑的硬编码if-else时，就该想想：能不能把规则抽到YAML里，让业务改配置而不是改代码？

一、问题：为什么Agent Skill总在重复造轮子？

Agent开发者都在面对同一个困境——每个业务场景都在重写相似的流水线：

评分场景：提取特征 → 查规则 → 算分 → 出报告
投诉场景：提取工单 → 交叉验证 → 定根因 → 归档
查询场景：理解意图 → 构建SQL → 执行查询 → 出图表

骨架是一样的，变的只是每一步的"内容"。但现实是，每个团队都在从零搭流水线。

teleagent-skills 给出了一个答案：用4-Phase编排架构把骨架固化为5个通用Skill，业务变化只改YAML配置。

二、架构总览：4-Phase流水线 + 5个通用Skill

2.1 4-Phase编排架构图

┌─────────────────────────────────────────────────────────────┐
│                    上层业务 Skill                            │
│  (Scoring Engine / Evidence Chain / Data Aggregator / ...)  │
└──────────┬──────────┬──────────┬──────────┬────────────────┘
           │          │          │          │
           ▼          ▼          ▼          ▼
    ┌──────────┐┌──────────┐┌──────────┐┌──────────┐
    │ Phase 1  ││ Phase 2  ││ Phase 3  ││ Phase 4  │
    │ Extract  ││ Analyze  ││ Generate ││ Archive  │
    │          ││          ││          ││          │
    │Info-     ││Data-     ││Report-   ││Archive-  │
    │Extractor ││Analyst   ││Generator ││Manager   │
    └────┬─────┘└────┬─────┘└────┬─────┘└────┬─────┘
         │           │           │           │
         ▼           ▼           ▼           ▼
    ┌─────────────────────────────────────────────────┐
    │          JSON Contract (结构化数据契约)           │
    │   phase1_output.json → phase2_input.json → ...  │
    └─────────────────────────────────────────────────┘

核心思想：每个Phase是一个独立组件，Phase之间只通过JSON契约传递数据。

任何Phase可以被替换（换个更强大的Analyzer？换掉就行）
任何Phase可以被跳过（降级模式）
任何Phase可以被复用（5个Skill共享同一个Extract组件）

2.2 JSON契约示例

{
   
  "phase": "extract",
  "skill": "scoring-engine",
  "output": {
   
    "entities": [
      {
   
        "name": "客户A",
        "type": "enterprise_customer",
        "attributes": {
   
          "annual_revenue": 50000000,
          "employee_count": 320,
          "industry": "制造"
        }
      }
    ],
    "metadata": {
   
      "extraction_time": "2026-07-01T10:30:00Z",
      "source": "CRM_API",
      "confidence": 0.92
    }
  },
  "next_phase": "analyze"
}

三、三大设计原则深度解读

原则一：规则参数化——YAML配置驱动

传统做法是把评分规则写死在代码里：

# 硬编码，业务一变就要改代码
if customer.revenue > 10000000:
    score += 30
elif customer.revenue > 5000000:
    score += 20

teleagent-skills的做法——规则全部外置到YAML：

# scoring_rules.yaml
scoring_engine:
  name: "政企客户商机评分"
  version: "2.1"
  dimensions:
    - id: revenue
      name: "营收规模"
      weight: 0.30
      rules:
        - condition: "attributes.annual_revenue >= 100000000"
          score: 30
          label: "超大型"
        - condition: "attributes.annual_revenue >= 50000000"
          score: 20
          label: "大型"
        - condition: "attributes.annual_revenue >= 10000000"
          score: 10
          label: "中型"
    - id: industry
      name: "行业属性"
      weight: 0.25
      rules:
        - condition: "attributes.industry in ['金融','医疗']"
          score: 25
          label: "高价值行业"
    - id: growth
      name: "增长潜力"
      weight: 0.20
    - id: connectivity
      name: "接入成熟度"
      weight: 0.15
    - id: decision_chain
      name: "决策链清晰度"
      weight: 0.10
  thresholds:
    high: 70
    medium: 40
    low: 0

业务变了？改YAML。加维度？加YAML。零代码变动。

原则二：组件可组合——4-Phase编排 + JSON契约

5个Skill共享同一套4-Phase骨架，但每个Skill的Phase行为不同：

Skill	Phase 1 Extract	Phase 2 Analyze	Phase 3 Generate	Phase 4 Archive
Scoring Engine	提取评分对象属性	加载YAML规则匹配打分	生成评分报告+建议	归档评分记录
Evidence Chain	从多源提取证据	交叉验证+冲突检测	生成证据链报告	归档验证记录
Data Aggregator	校验清洗原始数据	聚合计算+同比环比	输出统计报表	归档聚合结果
Visualization Renderer	分析数据特征	生成ECharts配置	渲染HTML/Dashboard	缓存图表资源
NL2Query	提取查询意图+实体	构建SQL+置信度评估	格式化查询结果	记录查询日志

可组合的威力：上层Skill可以按需串联下层Skill。比如数据查询网关的编排链路：

NL2Query(Phase1-2) → Data Aggregator(Phase1-2) → Visualization Renderer(Phase1-3)

一个自然语言查询，自动走完"理解→查询→聚合→出图"全流程。

原则三：优雅降级——当子组件失败时的处理策略

4-Phase架构内置了三级降级策略：

┌─────────────┐     ┌─────────────┐     ┌─────────────┐     ┌─────────────┐
│   Phase 1   │────▶│   Phase 2   │────▶│   Phase 3   │────▶│   Phase 4   │
│   Extract   │     │   Analyze   │     │   Generate  │     │   Archive   │
└──────┬──────┘     └──────┬──────┘     └──────┬──────┘     └──────┬──────┘
       │                   │                   │                   │
       ▼                   ▼                   ▼                   ▼
  ┌──────────┐       ┌──────────┐       ┌──────────┐       ┌──────────┐
  │ 返回原始  │       │ 跳过分析  │       │ 简化模板  │       │ 本地缓存  │
  │ 输入数据  │       │ 标记低    │       │ 原始数据  │       │ 延迟重试  │
  │ +置信度0  │       │ 置信度    │       │ 直出      │       │ 写入      │
  └──────────┘       └──────────┘       └──────────┘       └──────────┘

降级的核心原则：宁可给用户一个低置信度的结果，也不要直接报错中断。

四、5个Skill逐一深度解读

4.1 评分引擎 (Scoring Engine)

定位：基于YAML规则配置的多维度加权评分组件。

典型场景：政企客户商机评分、供应商评估、客户流失预警、合作伙伴分级。

输入→规则匹配→评分输出流：

{
   
  "customer": "客户A",
  "total_score": 78,
  "grade": "A级-重点跟进",
  "dimension_breakdown": {
   
    "revenue": {
    "score": 20, "max": 30, "label": "大型" },
    "industry": {
    "score": 15, "max": 25, "label": "中价值行业" },
    "growth": {
    "score": 20, "max": 20 },
    "connectivity": {
    "score": 15, "max": 15 },
    "decision_chain": {
    "score": 8, "max": 10 }
  },
  "recommendation": "建议安排专属客户经理，优先推荐5G专网+云网融合方案"
}

4.2 证据链 (Evidence Chain)

定位：多源证据交叉验证组件，能检测冲突、评估置信度、定位根因。

数据源1: 客户投诉记录     ──┐
                           │     ┌──────────────────┐
数据源2: 系统告警日志     ──┼────▶│  Evidence Chain  │
                           │     │  Phase2: Analyze │
数据源3: SLA监控数据      ──┘     └────────┬─────────┘
                                            │
                    ┌───────────────────────┐│
                    │ 交叉验证结果:          │
                    │ • 投诉说"断网2小时"   │
                    │ • 告警显示"光衰异常"   │
                    │ • SLA记录"可用率99.1%" │
                    │ 冲突检测:              │
                    │ 投诉vs SLA存在表面矛盾  │
                    │ 根因="光衰异常": 0.87  │
                    └───────────────────────┘

4.3 数据聚合器 (Data Aggregator)

定位：原始数据二次加工组件，支持校验清洗、聚合计算、同比环比、TOP排名。

原始查询结果              聚合器输出
┌──────────────┐         ┌──────────────────────────────┐
│ 300行明细数据 │───────▶│ 月度汇总 + 同比/环比         │
│ (区县x月份)   │         │ TOP10排名                    │
│              │         │ 异常值标注(超过2sigma)        │
│              │         │ 趋势方向                      │
└──────────────┘         └──────────────────────────────┘

4.4 可视化渲染器 (Visualization Renderer)

定位：结构化数据到ECharts图表/Dashboard的自动化渲染组件。

图表类型选择是自动的：时序数据→折线图，分类型数据→柱状图/饼图，多维数据→雷达图。

4.5 NL2Query

定位：自然语言到结构化查询的智能转换组件。

用户输入: "华东区上月5G专网新增客户数"

Phase1 Extract:  intent="query", entities=[region="华东", time="上月", metric="5G专网"]
Phase2 Analyze:  生成SQL + 置信度0.88
Phase3 Generate: 格式化结果
Phase4 Archive:  记录查询日志

置信度评分机制：当置信度低于阈值时，输出标注"低置信度"警告，展示SQL供人工确认。

五、行业用例矩阵

行业	评分引擎	证据链	数据聚合器	可视化渲染器	NL2Query
金融	客户信用评级	反洗钱多源验证	交易量同比环比	风控Dashboard	"查某客户近3月交易"
制造	供应商评估	质检vs产线验证	产线OEE统计	产能看板	"查A线本月良率"
零售	会员价值评分	数据冲突检测	SKU动销聚合	销售热力图	"查华东区畅销品"
医疗	患者风险分层	诊疗vs检验验证	科室接诊统计	病床占用率	"查心内科空床数"

关键洞察：5个Skill通过YAML规则配置适配不同行业，评分引擎代码逻辑完全相同——只是YAML文件不同。

六、与现有框架的本质区别

维度	LangChain/LlamaIndex	AutoGen/CrewAI	teleagent-skills
编排方式	代码级Chain	多Agent对话	4-Phase声明式编排
规则管理	代码中硬编码	Prompt中描述	YAML参数化配置
降级策略	try-catch	重试对话	声明式降级配置
业务适配	改代码	改Prompt	改YAML

七、快速上手

git clone https://github.com/yuzhaopeng-up/teleagent-skills.git
cd teleagent-skills

# 评分引擎示例
cp skills/scoring-engine/config/scoring_rules.yaml my_rules.yaml
# 编辑 my_rules.yaml 定制你的评分维度
# 将Skill目录复制到你的Agent平台skills目录下

协议：Apache 2.0

Agent Skills开源生态

仓库	定位	GitHub
financial-ai-skills	金融AI技能库：104个场景纯Python实现	https://github.com/yuzhaopeng-up/financial-ai-skills
teleagent-skills	5个通用业务Skill：4-Phase编排+规则参数化	https://github.com/yuzhaopeng-up/teleagent-skills
agent-cluster-comm	多Agent集群5层通信架构	https://github.com/yuzhaopeng-up/agent-cluster-comm
skill-framework	Skill治理框架：L0-L4分类+YAML模板+Python工具	https://github.com/yuzhaopeng-up/skill-framework
fintech-h5-demos	12个零依赖金融H5仪表盘演示	https://github.com/yuzhaopeng-up/fintech-h5-demos

别再从零写流水线了。4-Phase骨架已经搭好，你只需要写YAML。

Star teleagent-skills 一起把Agent Skill标准化。

通用Agent技能：5个开箱即用的业务自动化Skill