Home
Blog
使用 LangSmith Agent Builder + Milvus 在 10 分鐘內使用自然語言建立 AI 代理程式

使用 LangSmith Agent Builder + Milvus 在 10 分鐘內使用自然語言建立 AI 代理程式

Tutorials

January 22, 2026

Min Yin

隨著 AI 開發的加速，越來越多的團隊發現建立 AI 助理不一定需要軟體工程背景。最需要助理的人 - 產品團隊、營運、支援、研究人員 - 往往清楚知道代理應該做什麼，卻不知道如何用程式碼實作。傳統的「無代碼」工具嘗試以拖放畫布來彌補這個缺口，然而當您需要真正的代理行為時，這些工具就會崩潰：多步推理、工具使用或持續記憶。

新發佈的LangSmith Agent Builder採用了不同的方法。您不需要設計工作流程，而是以簡單的語言描述代理程式的目標和可用工具，然後運行時會處理決策。沒有流程圖、沒有腳本，只有清楚的意圖。

但僅有意向並不能產生智慧型助理。記憶體才是關鍵。這就是被廣泛採用的開放原始碼向量資料庫Milvus 所提供的基礎。Milvus 可以將文件和對話記錄儲存為嵌入式資料，讓您的座席能夠回想上下文、擷取相關資訊，並作出準確的大規模回應。

本指南將介紹如何使用LangSmith Agent Builder + Milvus 來建立一個生產就緒、具備記憶功能的 AI 助理，而且完全不需要寫任何程式碼。

LangSmith Agent Builder 是什麼？

正如其名所示，LangSmith Agent Builder是 LangChain 推出的免程式碼工具，可讓您使用純語言建立、部署和管理 AI 代理。您不需要撰寫邏輯或設計可視化流程，只需要說明代理程式應該做什麼、可以使用什麼工具，以及應該如何運作。系統會處理困難的部分 - 產生提示、選擇工具、將元件連接在一起，以及啟用記憶體。

與傳統的無程式碼或工作流程工具不同，Agent Builder 沒有拖放畫布，也沒有節點庫。您與它互動的方式與 ChatGPT 相同。描述您想要建立的東西，回答幾個說明問題，Agent Builder 就會根據您的意向產生一個功能完整的代理程式。

在幕後，這個代理程式是由四個核心建構區塊所構成。

提示：提示是代理程式的大腦，定義它的目標、限制和決策邏輯。LangSmith Agent Builder 使用元提示來自動建構：您描述您想要的東西，它會問清楚問題，然後您的答案會被合成為一個詳細的、可生產的系統提示。您只需表達意圖，而無需手寫邏輯。
工具：工具可讓代理採取行動 - 發送電子郵件、張貼至 Slack、建立行事曆事件、搜尋資料或呼叫 API。Agent Builder 透過模型上下文通訊協定 (Model Context Protocol, MCP) 整合這些工具，提供安全、可擴充的方式來揭露功能。使用者可以依賴內建的整合，或新增自訂的 MCP 伺服器，包括用於向量搜尋和長期記憶的 MilvusMCP 伺服器。
觸發器：觸發器定義代理程式何時執行。除了手動執行之外，您還可以將代理附加到排程或外部事件，讓它們自動回應訊息、電子郵件或 webhook 活動。觸發器啟動時，Agent Builder 會啟動一個新的執行線程並執行代理的邏輯，從而實現連續的、事件驅動的行為。
子代理：子代理將複雜的任務分解成更小、更專業的單元。主代理可以將工作委派給子代理 - 每個子代理都有自己的提示和工具集 - 因此資料擷取、總結或格式化等任務都是由專門的助手來處理。這可避免單一提示過載，並創造更模組化、可擴充的代理體架構。

代理如何記住您的偏好？

Agent Builder 的獨特之處在於它如何處理記憶體。代理程式不會將偏好設定塞入聊天記錄，而是可以在執行時更新自己的行為規則。如果您說：「從現在開始，以一首詩結束每一則 Slack 訊息」，代理程式不會將其視為一次性的要求，而是將其儲存為適用於未來執行的持久性偏好設定。

在引擎蓋下，代理程式會保留一個內部記憶體檔案，基本上就是它不斷演進的系統提示。每次啟動時，它都會讀取這個檔案，以決定如何執行。當您提出修正或限制時，代理程式會加入結構化規則來編輯檔案，例如「總是以一首振奮人心的短詩結束簡報」。這種方法遠比依賴對話記錄來得穩定，因為代理程式會主動重寫操作指令，而不是將您的喜好埋藏在記錄檔中。

這個設計來自 DeepAgents 的 FilesystemMiddleware，但在 Agent Builder 中被完全抽象化。您從來不會直接接觸檔案：您只需以自然語言表達更新，系統就會在幕後處理編輯。如果您需要更多的控制，您可以插入自訂的 MCP 伺服器，或下放到 DeepAgents 層以進行進階的記憶體自訂。

實作示範：使用 Agent Builder 在 10 分鐘內建立 Milvus Assistant

既然我們已經介紹了 Agent Builder 背後的設計理念，現在讓我們以實作範例來瞭解完整的建置流程。我們的目標是建立一個智慧型的助理，可以回答 Milvus 相關的技術問題、搜尋官方文件，並隨著時間的推移記住使用者的喜好。

步驟 2.設定您的 Anthropic API 金鑰

注意：預設支援 Anthropic。您也可以使用自訂模型，只要其類型包含在 LangChain 正式支援的清單中。

1.新增 API 金鑰

2.輸入並儲存 API 金鑰

步驟 3.建立新代理

注意：按一下Learn More檢視使用說明文件。

設定自訂模型 (選用)

(1) 輸入參數並儲存

步驟 4.描述您的需求以建立代理程式

注意：使用自然語言描述來建立代理。


I need a Milvus technical consultant to help me answer technical questions about vector databases. 
Search the official documentation and remember my preference for the index type I use.

系统会询问后续问题以完善需求

問題 1: 選擇您希望代理記住的 Milvus 索引類型

問題 2：選擇代理應如何處理技術問題

問題 3：指定代理是否應專注於特定 Milvus 版本的指導

步驟 5.檢查並確認生成的代理

注意：系統自動生成代理配置。

在創建代理之前，您可以查看其元資料、工具和提示。一旦一切正常，請按一下「建立」繼續。

步驟 6.探索介面和功能區域

代理程式建立後，您會在介面左下角看到三個功能區域：

(1) 觸發器

觸發器定義代理程式應在何時執行，可回應外部事件或依據排程執行：

Slack：當訊息傳送到特定頻道時啟動代理程式
Gmail：收到新電子郵件時觸發代理程式
Cron：在排定的時間間隔執行代理程式

(2) 工具箱

這是代理程式可以呼叫的工具集。在顯示的範例中，三個工具是在建立時自動產生的，您可以按一下新增工具來增加更多工具。

如果您的代理需要向量搜尋功能，例如跨大量技術文件的語意搜尋，您可以部署 Milvus 的 MCP 伺服器，並使用MCP按鈕在此新增。請確定 MCP 伺服器是在可接達的網路端點執行；否則，Agent Builder 將無法呼叫它。

(3) 子代理

建立獨立的代理模組，專門處理特定的子任務，實現模組化系統設計。

步驟 7.測試代理

按一下右上角的Test，進入測試模式。以下是測試結果的範例。

Agent Builder vs. DeepAgents：您應該選擇哪一個？

LangChain 提供多種代理框架，正確的選擇取決於您需要多少控制權。DeepAgents是代理建置工具。它用於建立自主、長時間運行的 AI 代理，以處理複雜、多步驟的任務。它以 LangGraph 為基礎，支援進階規劃、檔案式上下文管理和子代理協調，非常適合長期或生產級專案。

那麼，Agent Builder 與Agent Builder 相比有何優勢？

Agent Builder著重於簡單和速度。它抽象化了大部分實作細節，讓您可以用自然語言描述您的代理程式、配置工具，並立即執行。記憶體、工具使用和人為迴圈工作流程都會為您處理。這使得 Agent Builder 成為快速原型、內部工具和早期驗證的完美選擇，在這些應用程式中，易用性比細節控制更重要。

相比之下，DeepAgents 專為需要完全控制記憶體、執行和基礎架構的場景而設計。您可以自訂中間件、整合任何 Python 工具、修改儲存後端 (包括在Milvus 中持久化記憶體)，並明確管理代理的狀態圖。這樣做的代價是工程上的努力--您要自己寫程式碼、管理依賴關係、處理故障模式，但您會得到一個完全可客製化的代理堆疊。

重要的是，Agent Builder 和 DeepAgents 並非獨立的生態系統，它們形成了一個單一的連續體。Agent Builder 建立在 DeepAgents 之上。這表示您可以先在 Agent Builder 中建立快速原型，然後在需要更多的彈性時，再進入 DeepAgents，而無需從頭重寫一切。反之亦然：在 DeepAgents 中建立的模式可以打包為 Agent Builder 模板，以便非技術使用者可以重複使用。