.NET+AI | Workflow | 编排 AI Agent (3)
💡
原文中文，约1700字，阅读约需4分钟。
📝
内容提要
本文探讨如何将 AI Agent 集成到工作流中，利用 TurnToken 机制实现智能体协作。Executor 执行确定性逻辑，而 Agent 进行概率性推理。通过 WorkflowBuilder，可以轻松添加 Agent，构建复杂工作流，支持多级翻译任务。TurnToken 控制 Agent 的执行时机，提高工作流的灵活性和可视化效果。
🎯
关键要点
- 本文探讨如何将 AI Agent 集成到工作流中，利用 TurnToken 机制实现智能体协作。
- 在 MAF Workflow 中，有两种主要的执行单元：Executor（执行器）和 Agent（智能体）。
- Executor 处理确定性逻辑，而 Agent 进行概率性推理。
- 最佳实践是混合使用 Executor 和 Agent，分别处理结构化数据和模糊任务。
- WorkflowBuilder 支持原生集成 Agent，可以像添加普通 Executor 一样添加 Agent。
- TurnToken 控制 Agent 的执行时机，Agent 在工作流中是“懒加载”的，需等待 TurnToken 才开始思考。
- 设计 TurnToken 的原因包括等待上下文和控制节奏。
- 在执行包含 Agent 的工作流时，必须显式发送 TurnToken 以触发 Agent 的思考过程。
- 通过工作流编排多个 Agent 顺序协作，可以实现多级翻译任务。
- 引入 Agent 使得工作流从“编写代码”升级为“编排智能”，TurnToken 是启动开关。
❓
延伸问答
什么是 TurnToken，它在工作流中有什么作用？
TurnToken 是控制 Agent 执行时机的机制，Agent 需要等待 TurnToken 才开始思考和生成输出。
Executor 和 Agent 有什么区别？
Executor 处理确定性逻辑，而 Agent 进行概率性推理，适用于不同类型的任务。
如何在工作流中集成 Agent？
可以通过 WorkflowBuilder 像添加普通 Executor 一样添加 Agent，构建复杂工作流。
在工作流中使用 Agent 的最佳实践是什么？
最佳实践是混合使用 Executor 和 Agent，分别处理结构化数据和模糊任务。
工作流中如何实现多级翻译任务？
通过工作流编排多个 Agent 顺序协作，可以实现多级翻译任务。
引入 Agent 到工作流有什么优势？
引入 Agent 可以实现自动传递输入、可视化复杂协作链条和扩展性。
➡️
