Agent节点 与 Agent策略
• Agent节点（执行单元）
工作流的“决策中心”。它分配资源、管理状态，并记录整个推理过程。
Agent策略，是一个可插拔的推理算法模块（可以具象为提示词），定义了如何使用工具以及如何解决问题，它是嵌入Agent节点来产生作用的。
Dify官方Agent策略插件介绍
Function Calling将用户命令映射到特定的函数或工具。LLM 识别用户的意图，决定调用哪个函数，并提取所需的参数。这是一种直接调用外部能力的简单机制，它的优点有：
• 精确：直接调用适合定义任务的正确工具，避免复杂的推理。 • 易于外部集成：将外部 API 和工具集成到可调用的函数中。 • 结构化输出：提供结构化的Function Calling信息，便于处理。
ReAct 在LLM推理和采取行动之间交替进行。LLM分析当前状态和目标，选择并使用一个工具，然后利用工具的输出进行下一步的思考和行动。这个循环会一直重复，直到问题得到解决，它的优点有：
• 利用外部信息：有效使用外部工具来收集模型单独无法处理的任务所需的信息。 • 可解释的推理：推理和行动步骤交织在一起，允许一定程度上跟踪Agent 的过程。 • 广泛适用性：适用于需要外部知识或特定行动的任务，例如问答、信息检索和任务执行。
Agent节点配置方法简介
1. 拖放式设置
只需从工具面板拖动一个 Agent节点，并通过三个步骤进行配置：
• 选择推理策略 • 链接工具/模型 • 设置提示模板
2. 推理执行日志
Dify 的强大功能之一是其内置的日志机制，它会创建一个类似树状结构的代理思维过程。这种结构使您能够：• 可视化代理的执行路径，以便调试复杂的多步推理 • 实时查看： • 总时间和令牌使用量 • 每轮推理 • 工具调用轨迹
Agent策略开发简介
定义 Agent 策略涉及指定语言模型将如何：
1. 处理用户查询 2. 选择正确的工具 3. 使用正确的参数运行这些工具 4. 处理结果 5. 决定何时完成任务
Dify提供了一个标准化开发工具包，其中包括策略配置组件库（例如模型选择器/工具编辑器）、结构化日志接口以及沙盒测试环境。
具体来说，策略定义涵盖了其身份和元数据、所需参数（模型、工具、查询等）、参数类型和约束以及源代码的位置。
代理的执行分为三个主要阶段：初始化、迭代循环和最终响应。在初始化阶段，系统设置所有必要的参数、工具和上下文。然后，在迭代循环中，系统根据当前上下文准备提示，并使用有关可用工具的信息调用 LLM。它解析 LLM 的响应，以确定是否需要工具调用，或者是否已经得出最终答案。如果需要工具调用，系统将执行该工具，并将其输出更新到上下文中。此循环会一直持续，直到任务完成或达到预设的迭代限制。最后，在最后一个阶段，系统返回最终答案或结果。
例如，一个 function_calling.yaml 文件可能如下所示：
parameters:
-name:model
type:model-selector
scope:tool-call&llm
-name:tools
type:array[tools]
-name:max_iterations
type:number
default:5
extra:
python:
source: function_calling.py采用于这种声明式架构，配置策略变得和填表一样简单，同时支持：
• 动态参数验证（类型/范围/依赖关系） • 自动多语言标签渲染
详见https://docs.dify.ai/zh-hans/plugins/quick-start/develop-plugins/agent-strategy-plugin。
迭代计划
Dify计划进一步对Agent节点进行迭代，添加更多对开发人员友好的组件，例如：
• 知识库集成 • Chatflow 中的内存支持 • 错误处理和重试 • 更多官方 Agent 策略
