Luma Agents实战指南：从零构建可部署的AI智能体

最近AI Agent 领域的热度持续升温但很多开发者面临一个共同的困境看了很多概念和框架却不知道如何真正落地一个能解决实际问题的智能体。是继续观望还是选择一个框架开始实践在最近的 Summer Signal 大会上Luma AI 正式发布了Luma Agents这不仅仅是一个新产品的亮相更传递了一个清晰的信号AI Agent 正在从“玩具”和“演示”走向“生产力工具”和“可部署服务”。对于开发者而言这意味着我们终于有了一个可以快速上手、功能聚焦且能产生实际价值的起点。本文将带你深入解析 Luma Agents 的核心设计、技术实现路径并提供一个从零开始的完整实战教程。你将了解到Luma Agents 解决了什么传统 AI 应用开发的痛点它的核心架构与工作流是怎样的如何一步步搭建你的第一个能“看”、能“想”、能“做”的智能体在实际部署中有哪些必须注意的“坑”和最佳实践无论你是想为现有产品增加 AI 能力还是探索新的自动化解决方案这篇文章都将提供一条清晰的实践路径。1. Luma Agents 要解决的核心问题从“调用模型”到“构建智能体”在深入代码之前我们必须先理解 Luma Agents 出现的背景和它瞄准的靶心。过去一年我们见证了 AI 能力的爆炸式增长但将这些能力转化为稳定、可靠的应用程序过程依然繁琐。传统 AI 应用开发的典型困境胶水代码地狱开发者需要编写大量代码来串联不同的 AI 模型如 GPT-4、Claude、文生图模型、工具如搜索、数据库、API和业务逻辑。这些代码往往脆弱、难以维护。状态管理复杂智能体需要记忆对话历史、工具调用结果、用户意图等状态。手动管理这些状态极易出错尤其是在多轮交互和复杂任务中。缺乏标准化工作流每个项目都从头设计智能体的决策循环思考 - 行动 - 观察没有可复用的模式和最佳实践。部署与监控困难将实验性的 Jupyter Notebook 或脚本转化为可扩展、可监控的在线服务是一个巨大的工程挑战。Luma Agents 的定位正是为了解决这些问题。它不是一个试图“通吃一切”的巨型框架而是一个面向生产环境的智能体编排与执行平台。它的核心价值在于提供了声明式的智能体定义用清晰的配置YAML/JSON描述智能体的能力、工具和工作流减少样板代码。内置的健壮工作流引擎自动处理规划、工具调用、状态管理和错误重试。开箱即用的工具集成预置了与常见服务如网络搜索、文件处理、代码执行交互的工具并支持轻松扩展。易于部署的服务架构设计之初就考虑了如何将智能体作为 API 服务或后台任务运行。简单来说Luma Agents 试图让开发者更专注于“定义智能体要做什么”而不是“如何让智能体运行起来”。2. 核心概念与架构拆解要高效使用 Luma Agents需要理解其几个核心抽象。这些概念构成了智能体的骨架。2.1 核心组件Agent智能体执行任务的主体。它由一个LLM大语言模型驱动具备记忆Memory、能使用工具Tools、并遵循特定的工作流Workflow。Tool工具智能体与外部世界交互的手段。一个工具通常对应一个具体的函数或 API 调用例如search_web、read_file、execute_python。Luma 提供了一批基础工具也支持自定义。Skill技能一组相关工具Tools和提示词Prompts的封装用于完成一类特定任务。例如一个“数据分析”技能可能包含query_database、generate_chart、summarize_findings等工具。技能提高了复用性。Workflow工作流定义了智能体执行任务的步骤和逻辑。它决定了智能体在接收到请求后是先规划再执行还是直接调用某个技能。工作流是智能体“思考”过程的蓝图。Memory记忆智能体存储和回忆信息的能力。包括短期记忆当前会话的上下文和长期记忆向量数据库存储的历史信息。这确保了智能体在多轮对话中能保持连贯性。2.2 架构与数据流一个典型的 Luma Agent 执行流程可以概括为以下步骤用户输入 - 工作流引擎 - LLM 规划 - 工具执行 - 观察结果 - 循环或结束 - 输出结果触发用户通过 API 或界面发起请求。规划工作流引擎将请求和当前状态记忆传递给 LLM。LLM 根据预设的提示词决定下一步是调用工具、询问用户还是直接回答。执行如果决定调用工具引擎会找到对应的工具函数传入参数并执行。观察工具执行的结果成功或失败被返回给引擎。循环引擎将结果作为新的观察反馈给 LLMLLM 进行下一轮规划。这个过程持续直到任务完成或达到最大步数。输出最终的结果被返回给用户并可能更新长期记忆。这种架构将 LLM 的“大脑”与工具的“手脚”清晰分离使得整个系统更可控、可调试。3. 环境准备与安装现在让我们开始动手搭建环境。Luma Agents 目前主要通过 Python SDK 进行交互和部署。3.1 系统与 Python 环境操作系统macOS / Linux / Windows (WSL2 推荐)Python 版本 3.9包管理工具pip或poetry3.2 安装 Luma AI SDKLuma Agents 功能包含在 Luma AI 的 Python SDK 中。通过 pip 安装是最简单的方式。# 创建并激活一个虚拟环境强烈推荐 python -m venv luma-env source luma-env/bin/activate # Linux/macOS # luma-env\Scripts\activate # Windows # 安装 Luma AI SDK pip install luma-ai3.3 获取 API 密钥Luma Agents 的核心能力如调用其托管的高级模型、使用特定工具需要认证。你需要注册 Luma AI 平台并获取 API 密钥。访问 Luma AI 官网 并注册账号。进入 Dashboard 或设置页面找到 API Keys 部分。创建一个新的 API 密钥并妥善保存。安全提示永远不要将 API 密钥直接硬编码在代码中或提交到版本控制系统如 Git。请使用环境变量管理。# 在终端中设置环境变量临时 export LUMA_API_KEYyour_actual_api_key_here # Linux/macOS # set LUMA_API_KEYyour_actual_api_key_here # Windows CMD # $env:LUMA_API_KEYyour_actual_api_key_here # Windows PowerShell在你的 Python 代码中可以通过os.environ读取import os from luma import Luma api_key os.environ.get(LUMA_API_KEY) if not api_key: raise ValueError(请设置 LUMA_API_KEY 环境变量) luma_client Luma(api_keyapi_key)4. 构建你的第一个智能体天气查询助手我们通过一个经典的“天气查询助手”示例来直观感受 Luma Agents 的开发流程。这个智能体将能够理解用户关于天气的询问调用一个模拟的天气 API 工具并组织语言回复。4.1 定义工具Tool首先我们需要定义一个“获取天气”的工具。这里我们用一个模拟函数代替真实的 API 调用。创建一个名为weather_agent.py的文件。# weather_agent.py import os from typing import Dict, Any from luma import Luma from luma.agent import Agent, tool # 1. 定义一个工具函数并使用 tool 装饰器装饰 tool def get_weather(city: str) - str: 根据城市名称获取当前天气信息。 Args: city: 城市名称例如 北京, 上海。 Returns: 返回该城市的模拟天气信息字符串。 # 这里模拟一个天气数据源。在实际应用中你会在这里调用如 OpenWeatherMap 的 API。 weather_data { 北京: 北京晴温度 25°C微风。, 上海: 上海多云温度 28°C湿度 65%。, 广州: 广州阵雨温度 30°C南风3级。, 深圳: 深圳晴间多云温度 31°C。 } return weather_data.get(city, f抱歉未找到{city}的天气信息。) # 注意目前 tool 装饰器可能需要更具体的配置来集成到 Luma 的运行时。 # 更常见的做法是通过 YAML 定义工具或使用 Luma 提供的工具库。 # 以下展示通过 Agent 配置来声明工具的另一种方式。上面的代码展示了工具函数的基本结构。但在 Luma 的典型用法中工具的定义和注册可能更倾向于配置化。我们接下来看看如何用 YAML 配置一个完整的智能体。4.2 通过 YAML 配置智能体推荐方式Luma Agents 强大之处在于其声明式配置。我们创建一个weather_agent_config.yaml文件。# weather_agent_config.yaml name: WeatherQueryAgent description: 一个友好的天气查询助手可以回答用户关于城市天气的问题。 # 指定驱动智能体的 LLM model: provider: openai # 可以使用 Luma 托管的或其他支持的模型 name: gpt-4o-mini # 模型名称平衡性能与成本 # 定义智能体可以使用的工具 # 这里我们引用一个预定义的“模拟工具”实际项目中可以替换为真实的 HTTP 工具 tools: - name: get_weather type: http # 工具类型 config: url: https://api.example.com/weather # 模拟 URL实际需替换 method: GET parameters: - name: city in: query required: true description: 要查询天气的城市名称 description: 根据城市名称查询实时天气信息。 # 定义系统提示词塑造智能体的行为和身份 system_prompt: | 你是一个专业的天气查询助手。你的唯一目标是帮助用户获取准确、清晰的天气信息。 用户可能会用自然语言描述例如“北京天气怎么样”或“上海今天会下雨吗”。 你的工作流程是 1. 理解用户询问中的城市名称。 2. 调用 get_weather 工具并传入正确的城市参数。 3. 将工具返回的原始天气信息转化为一段友好、通顺的中文回复给用户。 如果用户没有指定城市或者工具返回了错误信息请礼貌地提示用户。 # 工作流配置简化示例 workflow: type: sequential # 顺序执行工作流 steps: - type: llm_plan # LLM 根据用户输入和可用工具进行规划 - type: tool_call # 执行规划中决定的工具调用 - type: llm_response # 根据工具结果生成最终回复这个 YAML 文件清晰地定义了一个智能体的所有要素。在实际运行时Luma 的引擎会解析这个配置创建相应的运行时实例。4.3 使用 Python SDK 创建并运行智能体接下来我们在 Python 代码中加载这个配置并运行智能体。# run_weather_agent.py import os import yaml # 需要安装 PyYAML: pip install pyyaml from luma import Luma from luma.agent import Agent # 1. 初始化 Luma 客户端 api_key os.environ.get(LUMA_API_KEY) luma Luma(api_keyapi_key) # 2. 加载 YAML 配置 with open(weather_agent_config.yaml, r, encodingutf-8) as f: agent_config yaml.safe_load(f) # 3. 创建智能体实例 # 注意SDK 的具体方法名可能随版本更新请以官方文档为准。 # 这里演示一种可能的创建方式。 try: # 假设通过 client.agents.create 方法 weather_agent luma.agents.create(**agent_config) print(f智能体 {weather_agent.name} 创建成功ID: {weather_agent.id}) except AttributeError: # 如果上述方法不存在可能是另一种初始化模式 print(创建智能体方式可能已更新请查阅最新文档。) # 作为备选我们可以直接使用一个简单的对话模式演示 from luma.agent import AgentRuntime # 这里需要根据最新 SDK 调整 # agent AgentRuntime.from_config(agent_config) # 为了演示连贯性我们进行一个模拟调用 print(【模拟】智能体初始化完成。) # 4. 与智能体交互模拟流程 print(\n--- 开始与天气助手对话 ---) user_query 请问北京今天天气如何 print(f用户: {user_query}) # 模拟智能体的处理过程 # 步骤1: LLM 解析意图提取参数 print(智能体: 正在分析用户意图...) extracted_city 北京 # 模拟 LLM 提取的结果 # 步骤2: 调用工具模拟 print(f智能体: 调用工具 get_weather参数: city{extracted_city}) # 假设工具返回结果 tool_result 北京晴温度 25°C微风。 # 步骤3: LLM 组织回复 print(f工具返回: {tool_result}) final_response f根据最新信息{tool_result} 天气不错适合外出活动。 print(f天气助手: {final_response}) print(\n--- 对话结束 ---)运行这个脚本python run_weather_agent.py你将看到模拟的智能体交互流程。虽然这是一个简化示例但它清晰地展示了从配置到运行的完整链路。5. 进阶实战构建一个多技能研究助手单一功能的智能体只是开始。Luma Agents 的真正威力在于组合多个技能Skill来完成复杂任务。让我们构建一个“研究助手”它能根据用户主题进行网络搜索、总结资料并生成报告大纲。5.1 设计技能与工具这个助手需要三个核心技能网络搜索技能使用 Serper API 或 Tavily API 搜索最新信息。内容总结技能调用 LLM 对搜索到的长文本进行摘要。大纲生成技能根据摘要内容生成一份结构化的报告大纲。5.2 配置多技能智能体创建research_assistant_config.yaml。# research_assistant_config.yaml name: ResearchAssistant description: 一个AI研究助手可以搜索网络信息、总结内容并生成报告大纲。 model: provider: openai name: gpt-4o # 使用能力更强的模型进行复杂规划和分析 # 定义多个工具 tools: - name: web_search type: http config: url: https://google.serper.dev/search # 以 Serper 为例 method: POST headers: X-API-KEY: ${SERPER_API_KEY} # 从环境变量读取密钥 parameters: - name: q in: body required: true description: 搜索查询词 description: 在互联网上搜索相关信息返回摘要和链接。 - name: summarize_text type: llm config: instruction: 请将以下文本内容浓缩为一段核心摘要保留关键事实和观点。 description: 对长文本进行摘要总结。 - name: generate_outline type: llm config: instruction: 基于提供的资料摘要生成一份详细的报告大纲包含标题、章节和要点。 description: 根据内容生成结构化的报告大纲。 system_prompt: | 你是一个专业的研究助手。用户会给你一个研究主题。 你的任务是 1. 使用 web_search 工具搜索与主题相关的最新、可靠的信息。 2. 使用 summarize_text 工具对搜索得到的关键内容进行摘要。 3. 使用 generate_outline 工具基于摘要生成一份逻辑清晰、内容全面的报告大纲。 请一步一步地执行并在最终回复中清晰地呈现报告大纲。 如果搜索结果不理想或信息不足请如实告知用户。 workflow: type: sequential steps: - type: llm_plan prompt: 分析用户的研究主题并规划需要进行的搜索查询。 - type: tool_call tool: web_search - type: llm_plan prompt: 分析搜索结果提取需要总结的核心内容。 - type: tool_call tool: summarize_text - type: llm_plan prompt: 基于摘要规划报告的结构。 - type: tool_call tool: generate_outline - type: llm_response prompt: 将生成的大纲以美观的格式呈现给用户。5.3 实现与运行研究助手创建一个更接近真实调用的 Python 脚本。这里我们使用 Luma SDK 的模拟模式来展示逻辑因为实际工具调用需要配置真实的 API 密钥。# run_research_assistant.py import os import asyncio from luma import Luma from luma.agent import Agent, Tool, tool from typing import List, Dict # 模拟工具实现在实际中这些会是真正的 HTTP 或函数调用 tool async def mock_web_search(q: str) - List[Dict]: 模拟网络搜索工具。 print(f[工具调用] 正在搜索: {q}) await asyncio.sleep(1) # 模拟网络延迟 # 返回模拟数据 return [ {title: 关于AI Agent的最新研究综述, snippet: 本文介绍了AI Agent的架构、应用与挑战..., link: #}, {title: Luma AI 发布 Agents 平台, snippet: 在 Summer Signal 大会上Luma 展示了其智能体平台..., link: #} ] tool async def mock_summarize_text(text: str) - str: 模拟文本总结工具。 print(f[工具调用] 正在总结文本长度: {len(text)} 字符) await asyncio.sleep(0.5) return f摘要{text[:100]}... # 简单截取模拟 tool async def mock_generate_outline(summary: str) - str: 模拟大纲生成工具。 print(f[工具调用] 基于摘要生成大纲) await asyncio.sleep(0.5) return # AI Agent 发展趋势报告大纲 ## 1. 引言 - 研究背景与意义 ## 2. AI Agent 核心技术架构 - 规划与推理模块 - 工具使用与集成 - 记忆机制 ## 3. 主要平台与框架对比 - Luma Agents 特点 - 其他竞品分析 ## 4. 应用场景与案例分析 - 自动化工作流 - 个性化助手 - 复杂问题求解 ## 5. 当前挑战与未来展望 - 技术局限性 - 安全与伦理问题 - 发展趋势预测 async def main(): # 初始化这里使用模拟客户端实际需替换为真实 Luma 客户端 print(初始化研究助手...) # 模拟用户输入 research_topic AI Agent 的最新发展趋势 print(f\n用户研究主题: {research_topic}) # 模拟智能体工作流执行 print(\n--- 智能体开始执行 ---) # 1. 规划搜索 search_query f{research_topic} 2024 print(f步骤1 - 规划搜索词: {search_query}) # 2. 执行搜索 search_results await mock_web_search(search_query) print(f步骤2 - 搜索完成获得 {len(search_results)} 条结果。) # 3. 提取内容并总结 content_to_summarize .join([r[snippet] for r in search_results]) summary await mock_summarize_text(content_to_summarize) print(f步骤3 - 内容总结完成。) # 4. 生成报告大纲 report_outline await mock_generate_outline(summary) print(f步骤4 - 报告大纲生成完成。) # 5. 最终回复 print(\n--- 研究助手回复 ---) print(report_outline) if __name__ __main__: asyncio.run(main())运行此脚本python run_research_assistant.py这个示例展示了如何将多个工具串联在一个复杂的工作流中。在实际项目中你需要将tool装饰的函数替换为真正调用外部 API 的实现并使用 Luma SDK 的AgentRuntime来托管整个执行流程。6. 部署与集成将智能体变为服务开发完成的智能体最终需要部署以便其他应用调用。Luma 提供了多种集成方式。6.1 作为 API 端点部署推荐最通用的方式是将智能体部署为 REST API。Luma Cloud 可能提供托管服务你也可以使用其 SDK 自行搭建。# app.py - 使用 FastAPI 包装智能体 from fastapi import FastAPI, HTTPException from pydantic import BaseModel import os from luma import Luma from luma.agent import AgentRuntime import yaml app FastAPI(titleLuma Agent 服务) # 加载智能体配置 with open(research_assistant_config.yaml, r) as f: config yaml.safe_load(f) # 初始化 Luma 客户端和智能体运行时 # 注意以下为概念代码具体初始化方式需参考最新 SDK luma_client Luma(api_keyos.environ.get(LUMA_API_KEY)) # agent_runtime AgentRuntime.from_config(config, clientluma_client) class QueryRequest(BaseModel): message: str session_id: str None # 用于多轮对话会话管理 class QueryResponse(BaseModel): response: str session_id: str app.post(/research, response_modelQueryResponse) async def research_endpoint(request: QueryRequest): 研究助手 API 端点。 接收用户查询返回研究结果。 try: # 实际调用智能体运行时 # result await agent_runtime.run(request.message, session_idrequest.session_id) # 模拟响应 result f已收到您的研究请求{request.message}。报告大纲已生成详见返回内容。(此为模拟响应) return QueryResponse(responseresult, session_idrequest.session_id or new_session_123) except Exception as e: raise HTTPException(status_code500, detailf智能体处理失败: {str(e)}) app.get(/health) def health_check(): return {status: healthy} if __name__ __main__: import uvicorn uvicorn.run(app, host0.0.0.0, port8000)使用uvicorn运行uvicorn app:app --reload --host 0.0.0.0 --port 8000现在你的智能体就拥有了一个标准的 HTTP 接口可以被前端、移动端或其他后端服务调用。6.2 集成到现有应用你也可以直接在现有的 Python 应用程序中初始化并使用智能体。# integrate_into_app.py import os from luma import Luma # 假设的运行时导入 # from luma.agent import AgentRuntime class MyBusinessApp: def __init__(self): self.luma_client Luma(api_keyos.environ.get(LUMA_API_KEY)) # 初始化特定的智能体 # self.research_agent AgentRuntime.from_config(...) async def handle_user_request(self, user_input: str): 在业务逻辑中调用智能体。 # 1. 可以先进行一些业务逻辑预处理 if 天气 in user_input: # 2. 调用对应的智能体 # response await self.weather_agent.run(user_input) response [天气助手] 功能调用模拟。 elif 研究 in user_input or 报告 in user_input: # response await self.research_agent.run(user_input) response [研究助手] 功能调用模拟。 else: response 抱歉我暂时无法处理这个请求。 # 3. 对智能体的输出进行后处理如格式化、记录日志等 formatted_response fAI助手回复{response} return formatted_response7. 常见问题与排查指南在实际开发和部署中你可能会遇到以下问题。问题现象可能原因排查方式解决方案导入错误ModuleNotFoundError: No module named luma1. 未安装luma-ai包。2. 在错误的 Python 环境虚拟环境中运行。1. 运行pip list | grep luma检查。2. 检查终端提示符是否在虚拟环境中。1. 在正确的虚拟环境中执行pip install luma-ai。2. 确认激活了虚拟环境。认证失败AuthenticationError或Invalid API Key1.LUMA_API_KEY环境变量未设置或错误。2. API 密钥已过期或被撤销。1. 运行echo $LUMA_API_KEY(Linux/macOS) 检查。2. 登录 Luma 平台检查密钥状态。1. 重新设置正确的环境变量。2. 在 Luma 平台生成新的 API 密钥。工具调用失败1. 工具配置错误URL、参数。2. 工具依赖的第三方服务不可用或返回错误。3. 网络问题。1. 检查 YAML 配置中工具的config部分。2. 单独测试工具函数或 API 调用。3. 查看 Luma 引擎返回的错误详情。1. 修正工具配置。2. 确保第三方服务正常API 密钥有效。3. 在工具实现中加入更完善的错误处理和日志。智能体陷入循环或无法结束1. 系统提示词system_prompt指令不清晰。2. LLM 无法理解何时任务已完成。3. 最大步数max_steps设置过高。1. 审查提示词明确给出停止条件如“生成大纲后任务结束”。2. 查看执行日志观察 LLM 的决策过程。1. 优化提示词明确任务边界和结束信号。2. 在工作流中设置明确的结束步骤。3. 合理设置max_steps参数。响应速度慢1. 使用的 LLM 模型较大如 GPT-4。2. 工具调用如网络搜索耗时过长。3. 工作流步骤过多。1. 监控每个步骤的耗时。2. 检查是否有工具调用超时。1. 对于简单任务考虑使用更快/更小的模型如gpt-4o-mini。2. 为工具调用设置超时timeout。3. 优化工作流合并或减少非必要步骤。记忆上下文丢失1. 未正确配置或启用记忆功能。2. 会话session未正确传递或管理。1. 检查 Agent 配置中是否有memory相关设置。2. 确认在多轮对话中使用了相同的session_id。1. 在配置中启用记忆并选择合适的存储后端如向量数据库。2. 在应用层妥善管理并传递session_id。8. 最佳实践与工程建议遵循以下建议可以让你构建的 Luma Agents 更健壮、更易维护。提示词工程是核心智能体的表现 80% 取决于提示词。务必精心设计system_prompt明确角色、目标、工作流程和输出格式。进行多次迭代测试。工具设计要原子化每个工具应只做一件事并做好它。避免创建功能混杂的“巨无霸”工具。这有利于复用和调试。实施完善的错误处理在工具函数内部捕获异常并返回结构化的错误信息让 LLM 和上层工作流能够理解并处理失败。控制成本与延迟为工具调用设置超时和重试机制。根据任务复杂度选择合适的 LLM 模型。考虑对频繁使用的、变化不快的工具结果进行缓存。记录与监控对智能体的每次运行记录详细的日志包括输入、LLM 的中间思考、工具调用详情和输出。这对于调试复杂问题和优化性能至关重要。安全第一权限控制确保智能体只能访问其完成任务所必需的工具和数据。例如一个天气查询助手不应有访问数据库的权限。输入验证对所有用户输入和工具参数进行严格的验证和清理防止注入攻击。输出审查对于生成内容尤其是面向公众的考虑加入人工审核或内容安全过滤层。版本化管理配置将智能体的 YAML 配置文件纳入 Git 等版本控制系统。任何更改都应经过评审便于回滚和协作。从简单开始逐步复杂化不要一开始就设计一个包含 10 个工具和复杂工作流的全能智能体。从一个明确的小任务开始验证其可行性再逐步添加新能力。Luma Agents 在 Summer Signal 大会上的亮相标志着 AI Agent 开发正走向标准化和工程化。它通过声明式配置、内置工作流引擎和丰富的工具集成显著降低了将 LLM 能力转化为可靠应用的复杂度。本文从核心概念解析到环境搭建从单一功能助手到多技能研究助手的实战再到部署集成和问题排查提供了一个完整的入门路径。关键在于理解其“编排”和“执行”分离的设计哲学开发者定义What做什么Luma 处理How怎么做。下一步你可以探索官方文档与案例深入阅读 Luma AI 官方文档了解更高级的特性如自定义工作流、记忆管理、评估指标等。连接真实工具将示例中的模拟工具替换为真实的 API如 Serper/Tavily搜索、WolframAlpha计算、Zapier/Make自动化。加入社区关注 Luma AI 的 Discord 或论坛与其他开发者交流实践经验和解决方案。AI Agent 的世界正在快速演进而像 Luma Agents 这样的平台正在为我们铺平道路。现在是时候动手构建你的第一个智能体并亲眼见证它如何自动化你的工作流了。建议收藏本文在实践过程中随时参考。