LLM Agent节点

LLM Agent节点是FlowAI智能工作流中的核心组件，它可以在执行过程中自主选择和组合工具，以完成复杂的多步骤任务。全新版本的Agent已与workflow_worker的执行引擎全面打通，支持子工作流工具化、MCP扩展以及更丰富的内置工具能力。

核心升级亮点

• 子工作流工具化：任意工作流都可注册为Agent工具。系统会自动生成唯一别名、同步名称与描述，并根据输入节点构建JSON Schema，确保提示词中按规范调用。
• MCP集成增强：前端支持添加多种类型的MCP服务器（sse/streamable-http）并配置自定义Header，Worker会逐一校验所有MCP工具的JSON Schema并返回详细错误信息。
• 内置工具扩展：新增Markdown转Excel、URL编码、Base64、哈希与时间工具，支持直接在提示词中组合使用。
• 多语言与流式反馈：System Prompt会自动注入指定回答语言，执行期间会实时回传迭代轮次、推理过程、工具调用状态，便于监控Agent行为。

节点配置概览

基础设置

1. 节点名称：影响变量引用，例如：$LLMAgent1.result → $智能助手.result。建议采用语义清晰的名称，便于团队协作。
2. 模型选择：下拉列表整合官方模型与「我的模型」，并自动过滤掉不支持Function Calling的模型。可按任务在性能与成本间平衡选择。
3. 提示词编辑区：支持变量注入、编写多步骤任务描述以及定义输出格式。

响应与执行控制

• 输出语言：从前端选择后会写入System Prompt，Worker会提醒模型始终使用该语言输出最终答案。
• 最大迭代轮数：控制Agent可以循环调用工具的次数，默认5次，上限50次。每一轮都可能包含多次工具调用与思考，超过限制会返回错误信息。

工具与集成

• 内置工具选择：勾选后即可让Agent调用官方工具（见下文《内置工具能力》）。启用越多，模型尝试成本越高，可按需精简。
• 联动工作流：点击“添加联动工作流”即可绑定其它工作流。前端会自动生成安全别名并展示输入字段；
• MCP服务器：支持配置多个MCP端点，包含名称、类型、URL与自定义Header。Worker在connectMCPServer中会先校验 Schema，再尝试建立连接，失败时会返回逐项错误便于排查。

LLM Agent与LLM节点的区别

特性	LLM Agent节点	LLM节点
功能定位	智能体，可自主决策并调用工具	单次AI推理，生成文本内容
工具调用	支持自动调用多种工具	不支持工具调用
任务复杂度	适合复杂、多步骤任务	适合单一文本生成任务
自主性	高，可根据任务自主选择工具	低，严格按提示词执行
应用场景	数据收集、分析、自动化处理	内容生成、文本分析

提示词编写技巧

与LLM节点相比，LLM Agent的提示词更关注任务目标、成功标准与工具使用约束。当启用了联动工作流或MCP工具时，请在提示词中显式告知Agent工具用途和触发条件，例如：

当需要生成日报草稿时调用 report_generator 工具，传入 {"date": "$输入.日期"}。

基础语法示例

请帮我在 http://example.com 查询 "$输入.关键词" 的最新信息，并提供三条要点总结。

多步骤任务示例

请执行以下任务：
1. 调用 fetch_web 工具抓取 "$输入.股票代码" 的行情页面
2. 使用 calculator 计算过去 7 天的平均价格
3. 如果平均价格高于 $输入.阈值，则调用 http_call 向通知API发送告警

数据处理示例

请分析以下数据：$输入.数据表
要求：
1. 输出每列的平均值和标准差
2. 使用 md2xls 将 Markdown 表格转换为可下载的 XLSX 链接
3. 根据发现给出三条可执行建议

内置工具能力

当前版本已支持以下内置工具（详见workflow_worker/tools/tools.go）：

• fetch_web：抓取网页内容，返回正文与元数据，适合新闻/价格收集。
• http_call：发起GET/POST/PUT/DELETE请求，可附带自定义Header与Body，常用于触发外部API。
• calculator：执行复杂数学表达式，包括三角函数、对数与常量，适用于统计分析。
• md2xls：将包含表格的Markdown内容转为可下载XLSX文件。
• url_codec：对字符串进行URL编码或解码。
• base64_codec：执行Base64编码/解码。
• hash：计算md5/sha1/sha256哈希值。
• now：按指定时区返回当前时间（RFC3339），便于时间戳记录。

联动工作流使用说明

1. 在配置面板中点击“添加联动工作流”，选择目标工作流。
2. 系统会基于工作流名称自动生成规范化别名（仅含小写、数字、下划线/中划线）。
3. 前端展示的输入字段来自工作流输入节点，Worker会为其生成JSON Schema供LLM参考。

若子工作流执行失败，Agent会收到错误信息并可决定是否继续下一步操作。

MCP集成指南

• 配置要求：每个MCP服务器需填写名称、URL与类型，只支持sse与streamable-http。
• Schema校验：Worker会在ValidateAllToolSchemas中逐一验证工具Schema，若存在错误，会汇总所有问题并返回，方便调整。
• 执行回退：即便部分MCP服务器连接失败，系统也会继续执行其余可用工具，并在日志中给出Warning。
• 认证处理：可在前端为每个MCP端点配置独立Header，例如Authorization或自定义Token。

执行流程与输出

1. Worker在每轮迭代前会统计Token用量，必要时执行余额校验（官方模型会触发扣费检查）。
2. Agent的推理、最终回答和工具调用过程会通过消息流回显：
   • Agent Round n指明当前迭代与可用工具列表
   • stream事件包含思考内容（reasoning）与输出片段（content）
   • 工具调用前会输出Calling tool: ...并附参数
3. 所有迭代结束后，最终结果写入$LLMAgent节点名称.result。若输出为合法JSON，系统会自动解析并存入上下文。
4. 其他节点可直接引用$LLMAgent.alias.result或$LLMAgent.alias.args获取子工作流数据。

常见应用场景

• 数据收集与分析：组合网页抓取、计算器与md2xls快速生成报表。
• 自动化客服与运营：根据用户咨询调用内部知识库工作流，再通过HTTP接口发送通知。
• 内容聚合：通过MCP连接外部知识源，自动整理并输出多语言摘要。
• 运维巡检：定时调用API获取监控指标，使用hash或calculator校验后触发告警。

使用建议与最佳实践

1. 任务定义：清晰描述目标、成功标准与输出格式。复杂任务可拆解并使用有序列表。
2. 工具选择：仅启用必要工具，避免让模型在无关能力上浪费Token。
3. 性能优化：根据任务复杂度调整max_iterations，同时在提示词中限制不必要的探测步骤。
4. 调试技巧：先用小样本测试，观察每轮回传的推理与工具调用，再逐步增加复杂度。
5. MCP维护：定期核对Schema与认证配置，出现验证错误时优先处理相关工具。

通过合理配置与调优，LLM Agent节点可以帮助您构建高度自动化的智能工作流，大幅提升团队在数据处理、业务运营与集成方面的效率。更多关于变量语法的内容，请参阅变量语法指南。

提示

在使用LLM Agent节点时，建议先从简单任务入手，逐步增加复杂度，并通过实时日志观察AI的工具调用与思考过程，以确保其按预期执行。