跳转至

智能体

智能体是应用中的核心构建块。一个智能体是经过配置的指令和工具的大型语言模型（LLM）。

基本配置

你最常配置的智能体属性包括：

  • name: 标识智能体的必填字符串。
  • instructions: 也称为开发者消息或系统提示词（system prompt）。
  • model: 要使用的 LLM，以及可选的 model_settings 用于配置如 temperature、top_p 等模型调参。
  • 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：它是你创建并传递给 Runner.run() 的对象，会传递给每个智能体、工具、任务转移等，用作本次运行所需依赖与状态的集合。你可以提供任意 Python 对象作为 context。

@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，智能体产生纯文本（即 str）输出。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。常见选择是使用 Pydantic 对象，但我们支持任何可以被 Pydantic TypeAdapter 包装的类型——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，这会指示模型使用 structured outputs 而不是常规的纯文本响应。

多智能体系统设计模式

设计多智能体系统的方法很多，但我们常见的两种广泛适用的模式是：

  1. 管理器（智能体作为工具）：一个中心管理者/编排者将专业化的子智能体作为工具调用，并保持对对话的控制。
  2. 任务转移：对等智能体将控制权交给接管对话的专业智能体。这是去中心化的。

详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业化子智能体。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以委派的子智能体。当发生任务转移时，被委派的智能体会接收对话历史并接管对话。该模式支持模块化、专长化、擅长单一任务的智能体。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],
)

动态指令

在大多数情况下，你可以在创建智能体时提供指令。不过，你也可以通过函数提供动态指令。该函数会接收智能体和上下文，并且必须返回提示词。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，你可能希望记录事件，或在某些事件发生时预取数据。你可以通过 hooks 属性挂接智能体生命周期。继承 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并行地对用户输入进行检查/验证，并在智能体产生输出后对其进行检查。例如，你可以筛查用户输入与智能体输出的相关性。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，并可选地修改任意属性。

pirate_agent = Agent(
    name="Pirate",
    instructions="Write like a pirate",
    model="gpt-5.2",
)

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

强制使用工具

提供工具列表并不总意味着 LLM 会使用某个工具。你可以通过设置 ModelSettings.tool_choice 来强制使用工具。可用取值为：

  1. auto，允许 LLM 自行决定是否使用工具。
  2. required，要求 LLM 使用某个工具（但它可以智能地决定使用哪个工具）。
  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 参数控制如何处理工具输出：

  • "run_llm_again"：默认值。工具运行后，LLM 处理结果以生成最终响应。
  • "stop_on_first_tool"：首次工具调用的输出即作为最终响应，不再经过 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=[...])：若调用了任一指定工具则停止，使用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由 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"。该行为可通过 agent.reset_tool_choice 配置。出现无限循环的原因是工具结果会被送回 LLM，而由于设置了 tool_choice，LLM 又会生成另一次工具调用，如此反复。