使用 LangSmith Agent Builder + Milvus 在 10 分钟内使用自然语言构建人工智能代理

随着人工智能发展的加速，越来越多的团队发现，构建人工智能助手并不一定需要软件工程背景。最需要助手的人--产品团队、操作、支持、研究人员--往往清楚地知道 Agents 应该做什么，却不知道如何用代码实现。传统的 "无代码 "工具试图通过拖放画布来弥补这一差距，然而当你需要真正的代理行为时，它们就会崩溃：多步骤推理、工具使用或持久记忆。

新发布的LangSmith Agent Builder采用了不同的方法。你不需要设计工作流程，而是用简单的语言描述 Agents 的目标和可用工具，然后运行时会处理决策。没有流程图，没有脚本，只有清晰的意图。

但仅有意图并不能生成智能助手。记忆才是关键。这就是被广泛采用的开源向量数据库Milvus 所提供的基础。通过将文档和对话历史存储为 Embeddings，Milvus 可以让您的 Ag 回忆上下文，检索相关信息，并做出准确的大规模响应。

本指南将介绍如何使用LangSmith Agent Builder + Milvus 构建一个生产就绪、支持记忆的人工智能助手，而且无需编写任何代码。

什么是 LangSmith Agent Builder 及其工作原理？

正如它的名字所示，LangSmith Agent Builder是 LangChain 推出的一款无需编写代码的工具，可让您使用纯语言构建、部署和管理人工智能代理。你无需编写逻辑或设计可视化流程，只需解释 Agents 应该做什么、可以使用什么工具以及应该如何行为。然后，系统会处理难处理的部分--生成提示、选择工具、将组件连接在一起并启用内存。

与传统的无代码或工作流工具不同，Agent Builder 没有拖放画布，也没有节点库。您与它的交互方式与您与 ChatGPT 的交互方式相同。描述你想创建的内容，回答几个明确的问题，生成器就会根据你的意图生成一个功能完备的 Agents。

在幕后，该代理由四个核心构建模块构成。

• 提示：提示是代理的大脑，它定义了代理的目标、约束条件和决策逻辑。LangSmith Agent Builder 使用元提示来自动构建：你描述你想要什么，它就会问一些明确的问题，然后将你的答案综合成一个详细的、生产就绪的系统提示。您只需表达意图，而无需手写逻辑。
• 工具：工具可让 Agents 采取行动--发送电子邮件、发布到 Slack、创建日历事件、搜索数据或调用 API。Agent Builder 通过模型上下文协议（MCP）集成了这些工具，提供了一种安全、可扩展的方式来公开功能。用户可以依靠内置集成或添加自定义 MCP 服务器，包括用于向量搜索和长期记忆的 MilvusMCP 服务器。
• 触发器：触发器定义了代理运行的时间。除手动执行外，您还可以将 Agents 附加到计划或外部事件，使其自动响应消息、电子邮件或 webhook 活动。触发器触发时，Agent Builder 会启动一个新的执行线程并运行代理逻辑，从而实现连续的事件驱动行为。
• 子代理子代理将复杂的任务分解成更小、更专业的单元。主代理可以将工作委托给子代理--每个子代理都有自己的提示和工具集--这样，数据检索、汇总或格式化等任务就由专门的助手来处理。这就避免了单个提示符过载，并创建了一个模块化程度更高、可扩展的代理架构。

代理如何记住你的偏好？

Agent Builder 的独特之处在于它如何处理记忆。代理不会将首选项塞进聊天记录，而是在运行时更新自己的行为规则。如果你说："从现在开始，用一首诗来结束每条 Slack 消息"，Agent 不会将其视为一次性请求，而是将其存储为适用于未来运行的持久首选项。

在引擎盖下，Agent 保存着一个内部存储文件，基本上就是它不断进化的系统提示。每次启动时，它都会读取该文件，以决定如何行动。当你提出更正或限制时，Agent 就会通过添加结构化规则来编辑该文件，比如 "总是用一首振奋人心的短诗来结束简报"。这种方法比依赖对话历史记录要稳定得多，因为 Agents 会主动改写操作符，而不是把你的偏好埋藏在文字记录中。

这种设计来自 DeepAgents 的文件系统中间件（FilesystemMiddleware），但在 Agent Builder 中被完全抽象化了。您永远不会直接接触文件：您用自然语言表达更新，系统会在幕后处理编辑。如果您需要更多控制，可以插入自定义 MCP 服务器，或下放到 DeepAgents 层进行高级内存自定义。

实践演示：使用代理生成器在 10 分钟内构建 Milvus 助手

既然我们已经介绍了 Agent Builder 背后的设计理念，下面就让我们通过一个实际操作示例来了解完整的构建过程。我们的目标是创建一个智能助手，它可以回答与 Milvus 相关的技术问题，搜索官方文档，并长期记忆用户的偏好。

步骤 1.登录 LangChain 网站

步骤 2.设置 Anthropic API 密钥

注：默认支持 Anthropic。您也可以使用自定义模型，只要其类型包含在 LangChain 官方支持的列表中即可。

1.添加 API 密钥

2.输入并保存 API 密钥

步骤 3.创建新 Agents

注：单击 "了解更多"查看使用文档。

1. 配置自定义模型（可选）

(1) 输入参数并保存

步骤 4.描述您的需求以创建 Agents

注意：使用自然语言描述创建 Agents。

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.

1. 系统会询问后续问题以完善需求

问题 1： 选择希望代理记住的 Milvus 索引类型

问题 2：选择代理应如何处理技术问题

问题 3：指定代理是否应重点指导特定的 Milvus 版本

步骤 5.审查并确认生成的 Agents

注意：系统会自动生成 Agents 配置。

创建代理之前，可以查看其元数据、工具和提示。一旦一切正常，单击 "创建 "继续。

步骤 6.探索界面和功能区

创建代理后，您会在界面左下角看到三个功能区：

(1) 触发器

触发器定义了代理应在何时运行，可以是响应外部事件，也可以是按计划运行：

• Slack：当特定频道收到信息时激活代理
• Gmail收到新邮件时触发代理
• Cron：按计划间隔运行 Agents

(2) 工具箱

这是代理可以调用的一组工具。在所示示例中，三个工具是在创建过程中自动生成的，您可以单击添加工具来添加更多工具。

如果您的 Agents 需要向量搜索功能--例如在大量技术文档中进行语义搜索--您可以部署 Milvus 的 MCP 服务器，并使用MCP按钮将其添加到这里。确保 MCP 服务器运行在可到达的网络端点；否则，Agent Builder 将无法调用它。

(3) 子代理

创建专用于特定子任务的独立代理模块，实现模块化系统设计。

步骤 7.测试代理

单击右上角的 "测试"进入测试模式。以下是测试结果示例。

Agent Builder 与 DeepAgents：您应该选择哪一个？

LangChain 提供多种代理框架，正确的选择取决于您需要多少控制权。DeepAgents是代理构建工具。它用于构建自主、长期运行的人工智能 Agents，以处理复杂的多步骤任务。它基于 LangGraph 构建，支持高级规划、基于文件的上下文管理和子代理协调，非常适合长期或生产级项目。

那么，Agent Builder 和Agent Builder 相比有何优势？

Agent Builder注重简单和速度。它抽象化了大部分实施细节，让您可以用自然语言描述 Agents、配置工具并立即运行。内存、工具使用和人机交互工作流都由它代为处理。这使得 Agents Builder 成为快速原型开发、内部工具和早期验证的完美选择，在这些应用中，易用性比细粒度控制更重要。

相比之下，DeepAgents 专为需要完全控制内存、执行和基础架构的场景而设计。您可以定制中间件，集成任何 Python 工具，修改存储后端（包括在Milvus 中持久化内存），并明确管理 Agents 的状态图。这样做的代价是工程上的努力--你要自己编写代码、管理依赖关系和处理故障模式，但你会得到一个完全可定制的 Agents 堆栈。

重要的是，Agent Builder 和 DeepAgents 并不是两个独立的生态系统，它们构成了一个统一体。Agent Builder 构建在 DeepAgents 之上。这意味着您可以从 Agent Builder 中的快速原型开始，然后在需要更多灵活性时再进入 DeepAgents，而无需从头开始重写一切。反之亦然：在 DeepAgents 中构建的模式可以打包成 Agent Builder 模板，这样非技术用户就可以重复使用它们。

结论

得益于人工智能的发展，构建人工智能代理不再需要复杂的工作流程或繁重的工程设计。有了 LangSmith Agent Builder，你只需使用自然语言就能创建有状态的、长期运行的助手。你只需专注于描述 Agents 应该做什么，而系统则负责处理规划、工具执行和持续的内存更新。

与Milvus 搭配使用，这些 Agents 可获得可靠的持久内存，用于语义搜索、偏好跟踪和跨会话的长期上下文。无论您是在验证一个想法，还是在部署一个可扩展的系统，LangSmith Agent Builder 和 Milvus 都能为 Agents 提供一个简单、灵活的基础，让它们不仅能做出响应，还能随着时间的推移不断记忆和改进。

有问题或想深入了解？加入我们的Slack 频道，或预约 20 分钟的Milvus Office Hours课程，获得个性化指导。