本文将会向您介绍如何利用 Eino ADK (Agent Development Kit) 构建一个强大的多智能体系统。
往期链接:Eino ADK:一文搞定 AI Agent 核心设计模式,从0到1搭建智能体系统
以 Excel Agent 这个实际业务场景为基础,Excel Agent 是一个能够“听懂你的话、看懂你的表格、写出并执行代码”的智能助手。它把复杂的 Excel 处理工作拆解为清晰的步骤,通过自动规划、工具调用与结果校验,稳定完成各项Excel数据处理任务。
接下来我们将从 Excel Agent 的完整架构与功能出发,向您展示该 Agent 是如何通过 Eino ADK 逐步搭建的,进而深入浅出的理解 Eino ADK 的核心设计特点,助您快速上手 Eino ADK,向构建自定义智能体与 AI 应用系统更进一步。
点击原文即可获取本示例完整代码链接,您可以随时浏览与下载。
Excel Agent 是什么?
Excel Agent 是一个“看得懂 Excel 的智能助手”,它先把问题拆解成步骤,再一步步执行并校验结果。它能理解用户问题与上传的文件内容,提出可行的解决方案,并选择合适的工具(系统命令、生成并运行 Python 代码、网络查询等等)完成任务。
Excel Agent 整体是基于 Eino ADK 实现的 Multi-Agent 系统,完整架构如下图所示:
Excel Agent 内部包含的几个 Agent 功能分别为:
- Planner:分析用户输入,拆解用户问题为可执行的计划
- Executor:正确执行当前计划中的首个步骤
- CodeAgent:接收来自 Executor 的指令,调用多种工具(例如读写文件,运行 python 代码等)完成任务
- WebSearchAgent:接收来自 Executor 的指令,进行网络搜索
- Replanner:根据 Executor 执行的结果和现有规划,决定继续执行、调整规划或完成执行
- ReportAgent:根据运行过程与结果,生成总结性质的报告
Excel Agent 的典型使用场景
在真实业务里,你可以把 Excel Agent 当成一位“Excel 专家 + 自动化工程师”。当你交付一个原始表格和目标描述,它会给出方案并完成执行:
- 数据清理与格式化:从一个包含大量数据的 Excel 文件中完成去重、空值处理、日期格式标准化操作。
- 数据分析与报告生成:从销售数据中提取每月的销售总额,聚合统计、透视,最终生成并导出图表报告。
- 自动化预算计算:根据不同部门的预算申请,自动计算总预算并生成部门预算分配表。
- 数据匹配与合并:将多个不同来源的客户信息表进行匹配合并,生成完整的客户信息数据库。
Excel Agent 的完整运行动线为:
核心收益:
- 更少的人工操作,把复杂繁琐的 Excel 处理工作交给 Agent 自动完成。
- 更稳定的产出质量,通过“规划—执行—反思”闭环减少漏项与错误。
- 更强的可扩展性,各 Agent 独立构建,低耦合利于迭代更新。
Excel Agent 既可以单独使用,也可以作为子 Agent,集成在一个复合的多专家系统中,由外部路由到此 Agent 上,解决 excel 领域相关的问题。
下面我们将逐步拆解 Excel Agent,深入了解 Eino ADK 的核心设计特点,以及如何利用这些特点构建高效、灵活的 AI 应用系统。
ChatModelAgent:与 LLM 交互的基石
ChatModelAgent是 Eino ADK 中的一个核心预构建的 Agent,内部使用了 ReAct[1]模式(一种让模型‘思考-行动-观察’的链式推理模式):
ChatModelAgent旨在让 ChatModel 进行显式的、一步一步的“思考”,结合思考过程驱动行动,观测历史思考过程与行动结果继续进行下一步的思考与行动,最终解决复杂问题:
- 调用 ChatModel(Reason)
- LLM 返回工具调用请求(Action)
- ChatModelAgent 执行工具(Act)
- 将工具结果返回给 LLM(Observation),结合之前的上下文继续生成,直到模型判断不需要调用工具后结束
在 Excel Agent 中,每个 Agent 的核心都是这样一个ChatModelAgent,以 Executor 运行【读取用户输入表格的头信息】这个步骤为例 ,我们可以通过观察完整的运行过程来理解 ReAct 模式在ChatModelAgent中的表现:
- Executor:经过判断,将任务转交给 CodeAgent 运行
- CodeAgent:接收到任务【读取用户输入表格的头信息】
- Think-1:上下文未提供工作目录下的所有文件,需要查看
- Act-1: 调用 Bash 工具,ls 查看工作目录下的所有文件
- Think-2: 找到了用户输入的文件,判断需要编写 Python 代码读取 xlsx 表格的首行
- Act-2: 调用 PythonRunner 工具,书写代码并运行,获取运行结果
- Think-3: 获取到了 xlsx 首行,判断任务完成
- 运行完成,将表格头信息返回给 Executor
Plan-Execute Agent:基于「规划-执行-反思」的多智能体协作框架
Plan-Execute Agent 是 Eino ADK 中一种基于「规划-执行-反思」范式的多智能体协作框架,旨在解决复杂任务的分步拆解、执行与动态调整问题。它通过 Planner(规划器)、Executor(执行器)和 Replanner(重规划器) 三个核心智能体的协同工作,实现任务的结构化规划、工具调用执行、进度评估与动态 replanning,最终达成用户目标:
// 完整代码: https://github.com/cloudwego/eino/blob/main/adk/prebuilt/planexecute/plan_execute.go// NewPlanner creates a new planner agent based on the provided configuration.func NewPlanner(_ context.Context, cfg *PlannerConfig) (adk.Agent, error)// NewExecutor creates a new executor agent.func NewExecutor(ctx context.Context, cfg *ExecutorConfig) (adk.Agent, error)// NewReplanner creates a new replanner agent.func NewReplanner(_ context.Context, cfg *ReplannerConfig) (adk.Agent, error)// New creates a new plan-execute-replan agent with the given configuration.func New(ctx context.Context, cfg *Config) (adk.Agent, error)
而 Excel Agent 的核心能力恰好为【解决用户在 excel 领域的问题】,与该智能体协作框架定位一致:
- 规划者(Planner):明确目标,自动拆解可执行步骤
- 执行者(Executor):调用工具(Excel 读取、系统命令、Python 代码)完成规划中的每一个详细步骤
- 反思者(Replanner):根据执行进度决定继续、调整规划或结束
Planner 和 Replanner 会将用户模糊的指令拆解为清晰的、可执行的步骤清单,即包含多个步骤(Step)的计划(Plan),Eino ADK 为此提供了灵活的 Plan 接口定义,支持用户自定义 Plan 结构与细节:
type Plan interface { // FirstStep returns the first step to be executed in the plan. FirstStep() string // Marshaler serializes the Plan into JSON. // The resulting JSON can be used in prompt templates. json.Marshaler // Unmarshaler deserializes JSON content into the Plan. // This processes output from structured chat models or tool calls into the Plan structure. json.Unmarshaler}
默认情况下,框架会使用内置的 Plan 结构作为兜底配置,例如下面就是 Excel Agent 产生的一个完整运行计划:
### 任务计划- [x] 1. Read the contents of '模拟出题.csv' from the working directory into a pandas DataFrame.- [x] 2. Identify the question type (e.g., multiple-choice, short-answer) for each row in the DataFrame.- [x] 3. For non-short-answer questions, restructure the data to place question, answer, explanation, and options in the same row.- [x] 4. For short-answer questions, merge the answer content into the explanation column and ensure question and merged explanation are in the same row.- [x] 5. Verify that all processed rows have question, answer (where applicable), explanation, and options (where applicable) in a single row with consistent formatting.- [x] 6. Generate a cleaned report presenting the formatted questions with all relevant components (question, answer, explanation, options) in unified rows.
Workflow Agents:可控的多 Agent 运行流水线
Excel Agent 中,存在一些需要按照特定顺序运行 agent 的情况:
- 顺序运行:先运行 Planner,再运行 Executor 和 Replanner;Planner 只运行一次。
- 循环运行:Executor 和 Replanner 需要按需循环运行多次,每次循环运行都是先运行 Executor 后运行 Replanner
- 顺序运行:Plan-Executor 整体运行完后,固定运行一次 ReportAgent 进行总结。
对于这些拥有固定执行流程的场景,Eino ADK 提供了三种流程编排方式,协助用户快速搭建可控的工作流:
- SequentialAgent:按照配置中提供的顺序,依次执行一系列子 Agent。每个子 Agent 执行完成后,其输出会通过 History 机制传递给下一个子 Agent,形成一个线性的执行链。
import github.com/cloudwego/eino/adk// 依次执行 制定研究计划 -> 搜索资料 -> 撰写报告sequential := adk.NewSequentialAgent(ctx, &adk.SequentialAgentConfig{ Name: "research_pipeline", SubAgents: []adk.Agent{ planAgent, // 制定研究计划 searchAgent, // 搜索资料 writeAgent, // 撰写报告 },})
- LoopAgent:重复执行配置的子 Agent 序列,直到达到最大迭代次数或某个子 Agent 产生 ExitAction,每次迭代的结果都会累积,后续迭代的输入可以访问所有历史信息。LoopAgent 基于 SequentialAgent 实现。
import github.com/cloudwego/eino/adk// 循环执行 5 次,每次顺序为:分析当前状态 -> 提出改进方案 -> 验证改进效果loop := adk.NewLoopAgent(ctx, &adk.LoopAgentConfig{ Name: "iterative_optimization", SubAgents: []adk.Agent{ analyzeAgent, // 分析当前状态 improveAgent, // 提出改进方案 validateAgent, // 验证改进效果 }, MaxIterations: 5,})
- ParallelAgent:允许多个子 Agent 基于相同的输入上下文并发执行。所有子 Agent 接收相同的初始输入,各自在独立的 goroutine(Go 语言中一种轻量级的并发执行单元) 运行,最终收集所有子 Agent 的执行结果并按顺序输出到
AsyncIterator中。
import github.com/cloudwego/eino/adk// 并发执行 情感分析 + 关键词提取 + 内容摘要parallel := adk.NewParallelAgent(…