本文介绍了Agent在大模型中的应用场景及搭建方法，主要从业务逻辑编排、模型选择、插件使用、知识库配置等方面进行讲解。文章强调了模型作为Agent核心的重要性，并详细解析了插件、知识库、变量和工作流等关键组成部分。最后，为新手提供了从简易Bot到复杂Agent的逐步学习建议，旨在帮助读者快速掌握Agent搭建技能，提升工作效率。

前言

近一年agent不断火热，或是大模型借助工具自助决策完成任务，或是通过静态编排的工作流自动顺序执行结果，让我们在处理相关任务时效率得到指数级提高。

尽管可以在很多智能体商店找到一些场景下的agent项目，但为了能够个性化满足自己的需求，最好还是可以自己了解、尝试搭建一些基础agent。

本篇就以扣子平台为例，给大家做个agent的入门介绍（其实各平台比如dify、n8n业务逻辑都大差不差，选择扣子是因为国内平台，好理解些）；

按学习新事物的惯例逻辑，主要会从agent的整体框架、组成部分逻辑角度进行展开，主要是回答为什么；对于怎么搭建，后面会专门写一些实战案例，也可以后续关注。

应用场景

先说下搭建的agent怎么用？拿扣子来说，很多人还是觉得在扣子搭建的智能体，只能在扣子商店或者字节系平台（扣子是字节推出的智能体开发平台）如豆包、飞书使用。

其实不然，agent在发布时是可以直接生成api和sdk的，这样想象空间就大了，有2个我们接触最多的场景，一是可以直接内嵌到微信公众号或微信客服消息中，通过公众号或微信好友的交互形式进行使用，非常贴合我们的使用习惯；

第二种就是直接对接到app中，通过调用api使其成为app的一个板块或功能，尤其是支持多模态的agent，音视频交互，在app里是不是想象力大增！

agent从搭建到使用主要由3个核心环节：业务逻辑编排（包括人设提示词）——调试预览——发布使用，在发布使用这个环节就可以生成上述说的对接其他平台的一些请求样式。

业务逻辑编排

知道应用场景后，就回到了核心怎么搭的问题，要了解怎么搭，最基础的肯定还是要了解agent编排的几个核心元素，在agent搭建中，有个常见公式即agent=llm（模型）+memory（含知识库、变量、数据库）+plugin（插件工具），最常用的其实也是这几个：

模型：

无疑是agent的核心和灵魂，如果说agent里有避不可少的一个元素，那就是模型了，像知识库、插件这些都是按需添加，但模型是必须的，哪怕只靠模型和提示词，也是可以做出一个简易bot，发布就能用。

在这个地方选择自己需要的模型进行添加，对应模型参数一般默认即可。

需要注意的是如果agnet里需要配置插件，那一定要选择带有function call或工具调用标记的模型，这个标记的意思是模型具有调用api、函数、工具来获取信息、执行操作或完成特定任务的能力。

插件：

这个比较容易理解，模型更像是一个大脑，但要解决问题，还是需要借用外部工具的能力，就像四肢一样，这些插件本质上就是由一个或多个api构成的，点击“+”号选择需要的插件即可。

知识库：

因为模型都是通过历史数据训练的，这些数据在训练时就已经固定。所以模型训练完后，其知识就停留在训练时的状态，无法自动获取训练之后的新信息。

这时候就需要给模型最新的知识获取入口，一种方法就是通过网络搜索插件，利用联网能力获取新内容，另一种就是知识库，把相关信息传递给模型。

另外在面对非公域信息时，如个人或公司内部私密的内容，这时候就只能用知识库了，哪怕是网络搜索之类的插件也无法解决这个问题。

在coze中用知识库也比较简单，点击+号先在知识库板块创建一个知识库，然后点击再在agent里添加即可；原理就是会对你提供的文档利用rag技术进行切片检索，信息重组，然后再通过模型生成相关信息给你，所以文档切片与召回策略配置对回答的效果匹配度就非常重要。

R：Retrieval（检索）：从知识库中找到与用户问题相关的内容；

A：Augmented（增强）：挑选出最相关的段落和信息，并把它们汇总整理；

G：Generation（生成）：大模型将整合的信息生成一个自然流畅的回答。

知识库设置保持默认即可，有几个参数简单解释下：

查询改写：是指根据对话历史对用户输入的内容进行优化或重构，从而更准确地捕捉真实的用户意图，提升信息检索的效率。大白话就是回答时不局限用户问的当前问题，而是会考虑前面用户问的几个问题当作上下文背景信息来回答。

结果重排：是指根据相关性或质量对检索到的文档切片进行重新排序，以提高生成答案的准确性和相关性；未开启结果重排时，节点输出的是向量检索的结果，根据匹配度从大到小排序；开启结果重排后，系统会将召回结果交由 Rerank 模型进行质量和相关性判断，对结果重新排序，将与输入问题最相关的内容排在前面。

变量：

变量用来存储动态变化的信息，配置变量后，在用户与agent的交互过程中，系统会自动识别与变量匹配的内容，并将其存储至变量中，可以在工作流等节点的环节读取检索和使用这些变量。

打开启用变量开关且勾选操作列后，表示启用变量并可以在智能体的人设与提示词中使用变量。

仅打开启用变量开关，未勾选操作列时，表示仅支持在工作流、插件中使用该变量。

工作流：

这是agent处理复杂任务的核心板块，本质是通过一系列可视化的形式将不同节点进行拖拽，实现解决任务的逻辑，可以添加模型节点、代码节点、数据库节点等等。

做这个工作流的核心前提还是自己要对需求任务的解决步骤sop明晰，怎么拆分任务、每个子任务通过工作流自动化、然后将多个子任务进行串联；平时可以多看商店市场里的工作流是怎么做的，无他，多练。后面也会进行一些工作流案例拆解分析。

入手建议

对于新手小白，建议可以先从简易bot开始上手，只依靠模型和提示词，体验到高效率带来的快感；然后再往里添加插件、知识库等；再逐渐结合基础工作流，一步步往丰富工作流，最终做出多逻辑的复杂agent。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线科技企业深耕十二载，见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事，早已在效率与薪资上形成代际优势，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。我们整理出这套 AI 大模型突围资料包：

• ✅ 从零到一的 AI 学习路径图
• ✅ 大模型调优实战手册（附医疗/金融等大厂真实案例）
• ✅ 百度/阿里专家闭门录播课
• ✅ 大模型当下最新行业报告
• ✅ 真实大厂面试真题
• ✅ 2026 最新岗位需求图谱

所有资料 ⚡️ ，朋友们如果有需要 《AI大模型入门+进阶学习资源包》，下方扫码获取~

① 全套AI大模型应用开发视频教程

（包含提示工程、RAG、LangChain、Agent、模型微调与部署、DeepSeek等技术点）

② 大模型系统化学习路线

作为学习AI大模型技术的新手，方向至关重要。 正确的学习路线可以为你节省时间，少走弯路；方向不对，努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划，带你从零基础入门到精通！

③ 大模型学习书籍&文档

学习AI大模型离不开书籍文档，我精选了一系列大模型技术的书籍和学习文档（电子版），它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。

④ AI大模型最新行业报告

2025最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。

⑤ 大模型项目实战&配套源码

学以致用，在项目实战中检验和巩固你所学到的知识，同时为你找工作就业和职业发展打下坚实的基础。

⑥ 大模型大厂面试真题

面试不仅是技术的较量，更需要充分的准备。在你已经掌握了大模型技术之后，就需要开始准备面试，我精心整理了一份大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。

以上资料如何领取？

为什么大家都在学大模型？

最近科技巨头英特尔宣布裁员2万人，传统岗位不断缩减，但AI相关技术岗疯狂扩招，有3-5年经验，大厂薪资就能给到50K*20薪！

不出1年，“有AI项目经验”将成为投递简历的门槛。

风口之下，与其像“温水煮青蛙”一样坐等被行业淘汰，不如先人一步，掌握AI大模型原理+应用技术+项目实操经验，“顺风”翻盘！

这些资料真的有用吗？

这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

以上全套大模型资料如何领取？