跳转至

智能体

智能体是应用中的核心构建块。一个智能体是配置了 instructions 和工具的大型语言模型（LLM）。

基本配置

你最常为智能体配置的属性包括：

  • name: 一个必填字符串，用于标识你的智能体。
  • instructions: 也称为开发者消息或系统提示词（system prompt）。
  • model: 使用哪个 LLM，以及可选的 model_settings 来配置如 temperature、top_p 等模型调优参数。
  • tools: 智能体为完成任务可使用的工具。
from agents import Agent, ModelSettings, function_tool

@function_tool
def get_weather(city: str) -> str:
    """returns weather info for the specified city."""
    return f"The weather in {city} is sunny"

agent = Agent(
    name="Haiku agent",
    instructions="Always respond in haiku form",
    model="gpt-5-nano",
    tools=[get_weather],
)

上下文

智能体在其 context 类型上是泛型的。Context 是一种依赖注入工具：这是你创建并传递给 Runner.run() 的对象，它会传给每个智能体、工具、任务转移等，并作为本次运行的依赖与状态集合。你可以提供任何 Python 对象作为上下文。

@dataclass
class UserContext:
    name: str
    uid: str
    is_pro_user: bool

    async def fetch_purchases() -> list[Purchase]:
        return ...

agent = Agent[UserContext](
    ...,
)

输出类型

默认情况下，智能体输出纯文本（即 str）。如果你希望智能体产生特定类型的输出，可以使用 output_type 参数。常见的做法是使用 Pydantic 对象，但我们支持任何可被 Pydantic TypeAdapter 包装的类型——比如 dataclasses、list、TypedDict 等。

from pydantic import BaseModel
from agents import Agent


class CalendarEvent(BaseModel):
    name: str
    date: str
    participants: list[str]

agent = Agent(
    name="Calendar extractor",
    instructions="Extract calendar events from text",
    output_type=CalendarEvent,
)

Note

当你传入 output_type 时，这会告诉模型使用 structured outputs 而不是常规纯文本响应。

多智能体系统设计模式

设计多智能体系统的方式很多，但我们常见到两种广泛适用的模式：

  1. 管理器（智能体作为工具）：一个中心管理/编排器将专门的子智能体作为工具调用，并保留对会话的控制权。
  2. 任务转移：对等的智能体将控制权转移给某个专门的智能体，由其接管会话。这是去中心化的。

更多细节参见我们的智能体构建实用指南。

管理器（智能体作为工具）

customer_facing_agent 处理所有用户交互，并调用作为工具暴露的专门子智能体。更多内容参见 tools 文档。

from agents import Agent

booking_agent = Agent(...)
refund_agent = Agent(...)

customer_facing_agent = Agent(
    name="Customer-facing agent",
    instructions=(
        "Handle all direct user communication. "
        "Call the relevant tools when specialized expertise is needed."
    ),
    tools=[
        booking_agent.as_tool(
            tool_name="booking_expert",
            tool_description="Handles booking questions and requests.",
        ),
        refund_agent.as_tool(
            tool_name="refund_expert",
            tool_description="Handles refund questions and requests.",
        )
    ],
)

任务转移

任务转移是智能体可委派给的子智能体。当发生任务转移时，被委派的智能体会接收会话历史并接管会话。该模式支持模块化、专门化的智能体，在单一任务上表现出色。更多内容参见 handoffs 文档。

from agents import Agent

booking_agent = Agent(...)
refund_agent = Agent(...)

triage_agent = Agent(
    name="Triage agent",
    instructions=(
        "Help the user with their questions. "
        "If they ask about booking, hand off to the booking agent. "
        "If they ask about refunds, hand off to the refund agent."
    ),
    handoffs=[booking_agent, refund_agent],
)

动态 instructions

在大多数情况下，你可以在创建智能体时提供 instructions。你也可以通过函数提供动态 instructions。该函数将接收智能体和上下文，并必须返回提示词。支持常规和 async 函数。

def dynamic_instructions(
    context: RunContextWrapper[UserContext], agent: Agent[UserContext]
) -> str:
    return f"The user's name is {context.context.name}. Help them with their questions."


agent = Agent[UserContext](
    name="Triage agent",
    instructions=dynamic_instructions,
)

生命周期事件（hooks）

有时你希望观察智能体的生命周期。例如，你可能想记录事件，或在特定事件发生时预取数据。你可以通过 hooks 属性挂接到智能体生命周期。子类化 AgentHooks 类，并重写你感兴趣的方法。

安全防护措施

安全防护措施允许你在智能体运行的同时对用户输入进行检查/验证，并在智能体产出结果后对其输出进行检查。例如，你可以对用户输入和智能体输出进行相关性筛查。更多内容参见 guardrails 文档。

克隆/复制智能体

通过在智能体上使用 clone() 方法，你可以复制一个智能体，并可选地更改任意属性。

pirate_agent = Agent(
    name="Pirate",
    instructions="Write like a pirate",
    model="gpt-4.1",
)

robot_agent = pirate_agent.clone(
    name="Robot",
    instructions="Write like a robot",
)

强制工具使用

提供工具列表并不总意味着 LLM 会使用工具。你可以通过设置 ModelSettings.tool_choice 来强制使用工具。可选值包括：

  1. auto，允许 LLM 自行决定是否使用工具。
  2. required，要求 LLM 使用工具（但可智能选择使用哪一个）。
  3. none，要求 LLM 不 使用工具。
  4. 设置特定字符串，例如 my_tool，要求 LLM 使用该特定工具。
from agents import Agent, Runner, function_tool, ModelSettings

@function_tool
def get_weather(city: str) -> str:
    """Returns weather info for the specified city."""
    return f"The weather in {city} is sunny"

agent = Agent(
    name="Weather Agent",
    instructions="Retrieve weather details.",
    tools=[get_weather],
    model_settings=ModelSettings(tool_choice="get_weather")
)

工具使用行为

Agent 配置中的 tool_use_behavior 参数控制工具输出的处理方式：

  • "run_llm_again"：默认值。运行工具后，LLM 处理结果以生成最终响应。
  • "stop_on_first_tool"：第一次工具调用的输出将作为最终响应，不再进行额外的 LLM 处理。
from agents import Agent, Runner, function_tool, ModelSettings

@function_tool
def get_weather(city: str) -> str:
    """Returns weather info for the specified city."""
    return f"The weather in {city} is sunny"

agent = Agent(
    name="Weather Agent",
    instructions="Retrieve weather details.",
    tools=[get_weather],
    tool_use_behavior="stop_on_first_tool"
)
  • StopAtTools(stop_at_tool_names=[...])：当调用到任一指定工具时停止，并将其输出作为最终响应。
from agents import Agent, Runner, function_tool
from agents.agent import StopAtTools

@function_tool
def get_weather(city: str) -> str:
    """Returns weather info for the specified city."""
    return f"The weather in {city} is sunny"

@function_tool
def sum_numbers(a: int, b: int) -> int:
    """Adds two numbers."""
    return a + b

agent = Agent(
    name="Stop At Stock Agent",
    instructions="Get weather or sum numbers.",
    tools=[get_weather, sum_numbers],
    tool_use_behavior=StopAtTools(stop_at_tool_names=["get_weather"])
)
  • ToolsToFinalOutputFunction：自定义函数，用于处理工具结果，并决定是停止还是继续让 LLM 处理。
from agents import Agent, Runner, function_tool, FunctionToolResult, RunContextWrapper
from agents.agent import ToolsToFinalOutputResult
from typing import List, Any

@function_tool
def get_weather(city: str) -> str:
    """Returns weather info for the specified city."""
    return f"The weather in {city} is sunny"

def custom_tool_handler(
    context: RunContextWrapper[Any],
    tool_results: List[FunctionToolResult]
) -> ToolsToFinalOutputResult:
    """Processes tool results to decide final output."""
    for result in tool_results:
        if result.output and "sunny" in result.output:
            return ToolsToFinalOutputResult(
                is_final_output=True,
                final_output=f"Final weather: {result.output}"
            )
    return ToolsToFinalOutputResult(
        is_final_output=False,
        final_output=None
    )

agent = Agent(
    name="Weather Agent",
    instructions="Retrieve weather details.",
    tools=[get_weather],
    tool_use_behavior=custom_tool_handler
)

Note

为防止无限循环，框架会在一次工具调用后自动将 tool_choice 重置为 "auto"。可通过 agent.reset_tool_choice 配置这一行为。产生无限循环的原因是工具结果会发送给 LLM，而由于 tool_choice 的设置，LLM 会再次生成工具调用，如此往复。