LLM Agent節點

LLM Agent節點是FlowAI智能工作流中的核心組件，它可以在執行過程中自主選擇和組合工具，以完成複雜的多步驟任務。全新版本的Agent已與workflow_worker的執行引擎全面打通，支持子工作流工具化、MCP擴展以及更豐富的內置工具能力。

核心升級亮點

• 子工作流工具化：任意工作流都可註冊為Agent工具。系統會自動生成唯一別名、同步名稱與描述，並根據輸入節點構建JSON Schema，確保提示詞中按規範調用。
• MCP集成增強：前端支持添加多種類型的MCP服務器（sse/streamable-http）並配置自定義Header，Worker會逐一校驗所有MCP工具的JSON Schema並返回詳細錯誤信息。
• 內置工具擴展：新增Markdown轉Excel、URL編碼、Base64、哈希與時間工具，支持直接在提示詞中組合使用。
• 多語言與流式反饋：System Prompt會自動注入指定回答語言，執行期間會實時回傳迭代輪次、推理過程、工具調用狀態，便於監控Agent行為。

節點配置概覽

基礎設置

1. 節點名稱：影響變量引用，例如：$LLMAgent1.result → $智能助手.result。建議採用語義清晰的名稱，便於團隊協作。
2. 模型選擇：下拉列表整合官方模型與「我的模型」，並自動過濾掉不支持Function Calling的模型。可按任務在性能與成本間平衡選擇。
3. 提示詞編輯區：支持變量注入、編寫多步驟任務描述以及定義輸出格式。

響應與執行控制

• 輸出語言：從前端選擇後會寫入System Prompt，Worker會提醒模型始終使用該語言輸出最終答案。
• 最大迭代輪數：控制Agent可以循環調用工具的次數，默認5次，上限50次。每一輪都可能包含多次工具調用與思考，超過限制會返回錯誤信息。

工具與集成

• 內置工具選擇：勾選後即可讓Agent調用官方工具（見下文《內置工具能力》）。啟用越多，模型嘗試成本越高，可按需精簡。
• 聯動工作流：點擊“添加聯動工作流”即可綁定其它工作流。前端會自動生成安全別名並展示輸入字段；
• MCP服務器：支持配置多個MCP端點，包含名稱、類型、URL與自定義Header。Worker在connectMCPServer中會先校驗 Schema，再嘗試建立連接，失敗時會返回逐項錯誤便於排查。

LLM Agent與LLM節點的區別

特性	LLM Agent節點	LLM節點
功能定位	智能體，可自主決策並調用工具	單次AI推理，生成文本內容
工具調用	支持自動調用多種工具	不支持工具調用
任務複雜度	適合複雜、多步驟任務	適合單一文本生成任務
自主性	高，可根據任務自主選擇工具	低，嚴格按提示詞執行
應用場景	數據收集、分析、自動化處理	內容生成、文本分析

提示詞編寫技巧

與LLM節點相比，LLM Agent的提示詞更關注任務目標、成功標準與工具使用約束。當啟用了聯動工作流或MCP工具時，請在提示詞中顯式告知Agent工具用途和觸發條件，例如：

當需要生成日報草稿時調用 report_generator 工具，傳入 {"date": "$輸入.日期"}。

基礎語法示例

請幫我在 http://example.com 查詢 "$輸入.關鍵詞" 的最新信息，並提供三條要點總結。

多步驟任務示例

請執行以下任務：
1. 調用 fetch_web 工具抓取 "$輸入.股票代碼" 的行情頁面
2. 使用 calculator 計算過去 7 天的平均價格
3. 如果平均價格高於 $輸入.閾值，則調用 http_call 向通知API發送告警

數據處理示例

請分析以下數據：$輸入.數據表
要求：
1. 輸出每列的平均值和標準差
2. 使用 md2xls 將 Markdown 表格轉換為可下載的 XLSX 鏈接
3. 根據發現給出三條可執行建議

內置工具能力

當前版本已支持以下內置工具（詳見workflow_worker/tools/tools.go）：

• fetch_web：抓取網頁內容，返回正文與元數據，適合新聞/價格收集。
• http_call：發起GET/POST/PUT/DELETE請求，可附帶自定義Header與Body，常用於觸發外部API。
• calculator：執行復雜數學表達式，包括三角函數、對數與常量，適用於統計分析。
• md2xls：將包含表格的Markdown內容轉為可下載XLSX文件。
• url_codec：對字符串進行URL編碼或解碼。
• base64_codec：執行Base64編碼/解碼。
• hash：計算md5/sha1/sha256哈希值。
• now：按指定時區返回當前時間（RFC3339），便於時間戳記錄。

聯動工作流使用說明

1. 在配置面板中點擊“添加聯動工作流”，選擇目標工作流。
2. 系統會基於工作流名稱自動生成規範化別名（僅含小寫、數字、下劃線/中劃線）。
3. 前端展示的輸入字段來自工作流輸入節點，Worker會為其生成JSON Schema供LLM參考。

若子工作流執行失敗，Agent會收到錯誤信息並可決定是否繼續下一步操作。

MCP集成指南

• 配置要求：每個MCP服務器需填寫名稱、URL與類型，只支持sse與streamable-http。
• Schema校驗：Worker會在ValidateAllToolSchemas中逐一驗證工具Schema，若存在錯誤，會彙總所有問題並返回，方便調整。
• 執行回退：即便部分MCP服務器連接失敗，系統也會繼續執行其餘可用工具，並在日誌中給出Warning。
• 認證處理：可在前端為每個MCP端點配置獨立Header，例如Authorization或自定義Token。

執行流程與輸出

1. Worker在每輪迭代前會統計Token用量，必要時執行餘額校驗（官方模型會觸發扣費檢查）。
2. Agent的推理、最終回答和工具調用過程會通過消息流回顯：
   • Agent Round n指明當前迭代與可用工具列表
   • stream事件包含思考內容（reasoning）與輸出片段（content）
   • 工具調用前會輸出Calling tool: ...並附參數
3. 所有迭代結束後，最終結果寫入$LLMAgent節點名稱.result。若輸出為合法JSON，系統會自動解析並存入上下文。
4. 其他節點可直接引用$LLMAgent.alias.result或$LLMAgent.alias.args獲取子工作流數據。

常見應用場景

• 數據收集與分析：組合網頁抓取、計算器與md2xls快速生成報表。
• 自動化客服與運營：根據用戶諮詢調用內部知識庫工作流，再通過HTTP接口發送通知。
• 內容聚合：通過MCP連接外部知識源，自動整理並輸出多語言摘要。
• 運維巡檢：定時調用API獲取監控指標，使用hash或calculator校驗後觸發告警。

使用建議與最佳實踐

1. 任務定義：清晰描述目標、成功標準與輸出格式。複雜任務可拆解並使用有序列表。
2. 工具選擇：僅啟用必要工具，避免讓模型在無關能力上浪費Token。
3. 性能優化：根據任務複雜度調整max_iterations，同時在提示詞中限制不必要的探測步驟。
4. 調試技巧：先用小樣本測試，觀察每輪迴傳的推理與工具調用，再逐步增加複雜度。
5. MCP維護：定期核對Schema與認證配置，出現驗證錯誤時優先處理相關工具。

通過合理配置與調優，LLM Agent節點可以幫助您構建高度自動化的智能工作流，大幅提升團隊在數據處理、業務運營與集成方面的效率。更多關於變量語法的內容，請參閱變量語法指南。

提示

在使用LLM Agent節點時，建議先從簡單任務入手，逐步增加複雜度，並通過實時日誌觀察AI的工具調用與思考過程，以確保其按預期執行。