AI Agent 工具节点

AI Agent 工具节点将 AI Agent 能力封装为可调用的工具。与作为工作流主 Agent 的 AI Agent Action 节点不同，Tool 版本注册为工具，由父级 AI Agent 根据需求自主调用，处理特定的子任务。这实现了多 Agent 协作和复杂任务拆分。

核心概念

什么是 AI Agent 工具？

AI Agent 工具是一个专业化的子 Agent，具备以下特征：

任务委派 — 父级 AI Agent 将特定子任务委派给它
自主执行 — 独立推理、调用自身工具、完成分配的任务
结果返回 — 将执行结果返回给父级 AI Agent 进行汇总
嵌套能力 — 可以注册自己的子工具，支持深层 Agent 层级

多 Agent 协作模式

用户输入 → 父级 AI Agent（路由器 / 编排器）
  ├─ 分析任务，决定调用哪些子 Agent
  ├─ 子 Agent 1（数据获取专家）
  │   └─ 调用：HTTP 请求工具、代码工具
  ├─ 子 Agent 2（分析专家）
  │   └─ 调用：代码工具、知识检索工具
  └─ 父 Agent 综合所有结果 → 最终回答

使用场景

典型应用

多源数据汇总 — 子 Agent 从不同平台获取数据，父 Agent 汇总整合
复杂任务拆分 — 将大型任务分解为多个专业子任务，由各自的子 Agent 处理
领域专家路由 — 根据用户意图路由到销售专家、技术专家、账号专家等子 Agent
跨系统编排 — 每个子 Agent 负责与特定外部系统的集成
质量保证流程 — 一个 Agent 生成内容，另一个审核，第三个优化

Tool 与 Action 版本对比

特性	AI Agent Action 节点	AI Agent 工具节点
角色	工作流中的主 Agent	被调用的子 Agent
执行方式	工作流中直接执行	由父级 AI Agent 按需调用
流式输出	支持	不支持（必须返回完整结果）
结构化输出	支持 JSON Schema	不支持（工具返回统一结果）
工具连接	可连接 Tool 节点	同样可连接自己的 Tool 节点
模型选择	显式选择模型	显式选择或 Auto 模式（基于 credit）
提示词编写	手动输入	手动输入或 AI 辅助（"Let the model define this parameter"）

节点配置

基础设置

工具调用名称 (toolName)

父级 AI Agent 用于调用此工具的唯一标识符。

字段属性：

必填字段
同一工作流内必须唯一
不支持表达式
格式要求：
- 只能包含字母、数字和下划线
- 必须以字母开头
- 不能与工作流中其他工具节点的调用名称重复
- 重复名称会在 UI 中标红显示错误

默认值：AI_AGENT_TOOL

配置示例：

javascript

// 1. 默认名称
toolName: "AI_AGENT_TOOL"

// 2. 描述性工具名称
toolName: "sales_expert_agent"

// 3. 领域特化名称
toolName: "data_fetching_subagent"

// 4. 角色导向名称
toolName: "order_processing_agent"

命名建议：

使用 UPPER_SNAKE_CASE 或 lower_snake_case：AI_AGENT_TOOL 或 sales_expert
见名知义：名称应清晰表达子 Agent 的角色
避免过长：建议在 30 个字符以内
避免连字符：仅允许字母、数字和下划线

重要提示：

父级 AI Agent 通过工具调用名称（而非节点名称）识别和调用工具
工具调用名称必须在工作流中唯一，重复会在 UI 中标红显示

工具描述 (toolDescription)

描述该工具的目的和职责范围。父级 AI Agent 根据此描述判断何时将任务委派给此子 Agent。

字段属性：

必填字段
支持表达式
支持多行文本

配置示例：

javascript

// 1. 明确的角色定义
toolDescription: `销售专家子 Agent。

职责范围：
- 处理产品咨询和推荐
- 计算价格和折扣
- 检查库存可用性
- 处理订单相关问题

何时调用：
- 用户询问产品、价格或订单
- 用户需要产品对比或推荐
- 用户需要购买决策帮助`

// 2. 数据汇总 Agent
toolDescription: `多平台数据汇总 Agent。

职责范围：
- 从 CRM 系统获取客户数据
- 从电商平台获取订单历史
- 从客服系统查询工单记录

父 Agent 应提供：
- customer_id: 客户标识
- data_requirements: 需要获取的数据类型

返回整合后的客户档案，包含所有收集到的数据。`

// 3. 内容审核 Agent
toolDescription: `内容质量审核子 Agent。

职责范围：
- 审核生成内容的准确性
- 检查语气和品牌一致性
- 标记潜在问题或改进建议

何时调用：
- AI 生成的内容需要在发送给用户前进行质量检查
- 回复草稿需要润色`

最佳实践：

定义清晰边界：此子 Agent 处理什么 vs. 父 Agent 应处理什么
列出输入期望：父 Agent 应提供哪些信息
描述输出：此子 Agent 返回什么类型的结果
使用指导：父 Agent 何时应该（和不应该）调用此工具

模型 (model)

选择此子 Agent 使用的 LLM 模型，或使用 Auto 模式。

连接方式：

连接模型节点：通过将模型节点连接到 AI Agent 工具节点来显式选择特定模型
Auto 模式（默认）：如果未连接模型节点，系统自动选择合适的模型

Auto 模式行为：

运行时会从组织账户余额中扣除 credit
如果组织 credit 耗尽，工具调用将失败并显示错误：

"Your token quota has been exceeded. Please contact support to increase
your quota or wait for your quota to reset at the start of the next
billing cycle"

模型选择建议：

yaml

复杂推理任务: GPT-4, Claude 3 Opus
均衡性能: GPT-3.5-turbo, Claude 3 Sonnet
对成本敏感的简单任务: GPT-3.5-turbo, Claude 3 Haiku

用户提示 (userPrompt)

父级 AI Agent 传递给此子 Agent 的任务或输入（必填）。

字段属性：

必填字段
支持表达式
支持多行文本
AI 辅助编写：点击 "Let the model define this parameter" 让 AI 自动生成提示词

配置示例：

javascript

// 1. 接收父 Agent 委派的任务
userPrompt: $("父 Agent").delegatedTask

// 2. 携带父 Agent 收集的上下文
userPrompt: `客户咨询: ${$("父 Agent").customerQuery}

目前已收集的客户数据:
- ID: ${$("父 Agent").customerId}
- 客户分层: ${$("父 Agent").customerSegment}

请分析并提供建议。`

// 3. 通过 "Let the model define this parameter" 按钮由 AI 定义的提示词
userPrompt: "你是一个销售专家。分析客户需求并从可用产品目录中推荐合适的产品。"

系统提示 (systemPrompt)

定义子 Agent 的角色、能力、约束和行为准则。

字段属性：

可选字段
支持表达式
支持多行文本
AI 辅助编写：点击 "Let the model define this parameter" 让 AI 自动生成系统提示词

配置示例：

javascript

// 1. 销售专家
systemPrompt: `你是一个销售专家子 Agent。

你的角色:
- 分析客户购买意向
- 推荐符合需求的产品
- 计算价格和适用折扣
- 客观对比产品

你的约束:
- 只推荐有库存的产品
- 不超出客户声明的预算
- 不做出公司无法兑现的承诺
- 标记复杂案例供人工审核

回复格式:
- 产品推荐及理由
- 价格明细
- 后续步骤建议`

// 2. 数据汇总 Agent
systemPrompt: `你是一个数据汇总子 Agent。

你的角色:
- 接收父 Agent 的数据需求
- 调用相应的数据源工具
- 将结果整合为统一格式
- 标记任何数据不一致或缺失

你的约束:
- 只访问有权限获取的数据
- 不修改任何源数据
- 透明地向父 Agent 报告错误
- 在 ${maxIterations} 轮工具调用后超时`

最大迭代次数 (maxIterations)

此子 Agent 最多可以执行多少轮工具调用。

字段属性：

数字类型
默认值：3

配置建议：

yaml

简单子任务: 2-3 次
中等复杂度: 5-8 次
复杂多工具任务: 10-15 次

连接子工具节点

AI Agent 工具节点支持嵌套工具连接 — 与主 AI Agent Action 节点一样，它们可以连接自己的 Tool 节点：

父级 AI Agent
  └─ AI Agent 工具节点（数据专家）
       ├─ HTTP 请求工具（CRM API）
       ├─ HTTP 请求工具（电商 API）
       └─ 代码工具（数据转换）

连接规则：

AI Agent 工具节点底部有 "Tool" 端口
可连接到任何 Tool 节点（代码工具、HTTP 请求工具、实体识别工具等）
也可以连接到其他 AI Agent 工具节点（深层嵌套，需谨慎使用）
子 Agent 自主决定调用其连接的哪些工具

高级设置

总是输出 (alwaysOutput)

执行失败时是否也输出空项。

默认：false

仅执行一次 (executeOnce)

是否仅使用第一个输入项执行一次。

默认：false

失败重试 (retryOnFail)

执行失败时是否自动重试。

默认：false

最大重试次数 (maxTries)

失败后最多重试几次。

默认：3

重试间隔 (waitBetweenTries)

重试之间的等待时间（毫秒）。

默认：1000（1 秒）

错误处理 (onError)

如何处理执行失败。

可选值：

stopWorkflow — 停止整个工作流（默认）
continueRegularOutput — 继续正常输出
continueErrorOutput — 继续并输出错误

输出数据

AI Agent 工具节点将其最终回答作为统一输出返回给父级 AI Agent：

javascript

// 父 Agent 访问子 Agent 的输出
$("AI Agent Tool").output
$("AI Agent Tool").answer

// 执行元数据（如果有）
$("AI Agent Tool").toolsUsed   // 子 Agent 使用的工具列表
$("AI Agent Tool").iterations  // 子 Agent 执行的迭代次数

注意

与 AI Agent Action 节点不同，Tool 版本不支持流式输出和结构化 JSON 输出。作为工具，它必须返回完整结果，供父 Agent 直接使用。

工作流示例

示例 1：多源数据汇总

Chat 触发器
  → AI Agent 节点（主编排器）
    System Prompt: "你是客服编排器。从多个数据源收集信息，提供全面的回答。"
    User Prompt: $('Chat Trigger').message
    Max Iterations: 3

    Tools:
      └─ AI Agent 工具节点（数据汇总器）
           toolName: "data_aggregator"
           toolDescription: "从 CRM、订单和客服系统获取客户数据并进行整合。输入: customer_id。返回整合的客户档案。"
           User Prompt: "获取客户 ${$('父 Agent').customerId} 的所有可用数据"
           System Prompt: "你是数据汇总专家。查询所有可用数据源并整合为单一档案。"

           Sub-Tools:
             ├─ HTTP 请求工具 → CRM API
             ├─ HTTP 请求工具 → 订单历史 API
             └─ HTTP 请求工具 → 工单 API

  → Answer 节点

用户: "告诉我客户 #C12345 的所有信息"
父 Agent: 委派给 data_aggregator
子 Agent:
  1. 调用 CRM API → 获取客户档案
  2. 调用订单历史 API → 获取 15 个订单
  3. 调用工单 API → 获取 3 个工单
  4. 返回整合的客户档案
父 Agent: 综合为自然语言回复

示例 2：领域专家路由

Chat 触发器
  → AI Agent 节点（路由器）
    System Prompt: "你是路由 Agent。分类用户请求并委派给合适的专家子 Agent。"
    User Prompt: $('Chat Trigger').message
    Max Iterations: 1

    Tools:
      ├─ AI Agent 工具节点（销售专家）
      │    toolName: "sales_expert"
      │    toolDescription: "处理产品咨询、定价、推荐和购买决策。"
      │    System Prompt: "你是销售专家。帮助客户找到合适的产品。"
      │    User Prompt: $('路由器').delegatedTask
      │
      └─ AI Agent 工具节点（技术支持专家）
           toolName: "tech_support_expert"
           toolDescription: "处理技术问题、故障排查和设置指导。"
           System Prompt: "你是技术支持专家。"
           User Prompt: $('路由器').delegatedTask
           Sub-Tools:
             ├─ HTTP 请求工具 → 知识库 API
             └─ HTTP 请求工具 → 工单系统 API

  → Answer 节点

用户: "导出报告时 App 一直崩溃"
路由器: 分类为技术支持 → 委派给 tech_support_expert
技术支持专家:
  1. 调用知识库 API → 找到相关文章
  2. 诊断问题
  3. 返回解决步骤
路由器: 返回格式化回答给用户

示例 3：内容生成 + 审核流程

Chat 触发器
  → AI Agent 节点（内容编排器）
    System Prompt: "你是内容经理。生成内容并通过质量审核流程。"
    User Prompt: $('Chat Trigger').message

    Tools:
      ├─ AI Agent 工具节点（内容创作者）
      │    toolName: "content_writer"
      │    toolDescription: "根据需求起草内容。输入: topic, tone, length 要求。"
      │    System Prompt: "你是专业内容创作者。创作引人入胜、准确的内容。"
      │    User Prompt: "撰写关于: ${$('内容编排器').topic} 的内容"
      │
      └─ AI Agent 工具节点（内容审核员）
           toolName: "content_reviewer"
           toolDescription: "审核内容的准确性、语气和品牌一致性。输入: draft_content。返回审核后的内容及建议。"
           System Prompt: "你是内容审核员。检查准确性、品牌一致性和可读性。返回审核后的内容及必要修改。"
           User Prompt: "请审核此草稿: ${$('content_writer').output}"

  → Answer 节点

用户: "为我们的新功能创建产品公告"
内容编排器:
  1. 调用 content_writer → 获取草稿
  2. 调用 content_reviewer（传入草稿）→ 获取审核版本
  3. 返回润色后的公告

示例 4：跨平台订单处理

Chat 触发器
  → AI Agent 节点（订单编排器）
    System Prompt: "你负责处理跨多个平台的复杂订单操作。"

    Tools:
      ├─ AI Agent 工具节点（库存 Agent）
      │    toolName: "inventory_agent"
      │    toolDescription: "查询所有仓库的库存。输入: product_ids。返回各仓库的可用性。"
      │    System Prompt: "查询所有仓库系统的库存。"
      │    User Prompt: "查询库存: ${$('订单编排器').productIds}"
      │    Sub-Tools:
      │      ├─ HTTP 请求工具 → 仓库 A API
      │      ├─ HTTP 请求工具 → 仓库 B API
      │      └─ 代码工具 → 合并和对比结果
      │
      └─ AI Agent 工具节点（履约 Agent）
           toolName: "fulfillment_agent"
           toolDescription: "基于库存结果创建履约订单。输入: order_details, inventory_results。"
           System Prompt: "根据库存可用性创建最优履约计划。"
           User Prompt: "为订单 ${$('订单编排器').orderId} 创建履约，使用: ${$('inventory_agent').output}"
           Sub-Tools:
             └─ HTTP 请求工具 → 履约 API

  → Answer 节点

用户: "处理订单 #ORD-500，商品 [SKU-1, SKU-2]"
订单编排器:
  1. 调用 inventory_agent → 获取仓库可用性
  2. 调用 fulfillment_agent（传入库存结果）→ 创建发货单
  3. 返回履约摘要给用户

最佳实践

1. 定义清晰的角色边界

javascript

// 好的做法：明确范围
toolDescription: `销售专家子 Agent。
处理：产品咨询、定价、推荐。
不处理：技术支持、账号管理、账单问题。
何时调用：用户询问产品相关或想要购买时。`

// 不好的做法：模糊范围
toolDescription: "帮忙处理事情"  // 父 Agent 不知道何时调用

2. 保持子任务聚焦

每个 AI Agent 工具应有单一、明确的职责：

javascript

// 好的做法：聚焦的 Agent
AI Agent 工具 1: "从 CRM 获取客户数据"
AI Agent 工具 2: "分析购买历史并推荐产品"
AI Agent 工具 3: "生成个性化邮件内容"

// 不好的做法：过载的 Agent
AI Agent 工具 1: "获取数据、分析、生成内容、发送邮件、记录结果"

3. 管理嵌套深度

避免过深的 Agent 层级：

yaml

推荐: 1-2 层嵌套
  父 Agent → 子 Agent → Tool 节点

谨慎: 3 层
  父 Agent → 子 Agent → 孙 Agent → Tool 节点

避免: 4 层以上
  调试和延迟变得困难

4. 合理设置 maxIterations

javascript

// 子 Agent 的迭代次数应计入其自身的工具调用
简单子 Agent（1-2 个数据源）:    maxIterations = 2-3
中等子 Agent（3-5 个工具）:      maxIterations = 5-8
复杂子 Agent（多步骤逻辑）:      maxIterations = 10-15

// 父 Agent 的迭代次数应计入子 Agent 调用
// 每次子 Agent 调用算作父 Agent 的一次迭代

5. 在 User Prompt 中提供充足上下文

javascript

// 好的做法：传递给子 Agent 丰富的上下文
userPrompt: `任务: 分析客户 ${customerId} 的追加销售机会。

客户档案:
- 分层: 企业版
- 当前套餐: Premium
- 使用量: 套餐上限的 85%
- 最近工单: 本月 3 个

可追加销售的产品:
${JSON.stringify(availableProducts)}

提供: 前 3 个推荐及理由。`

// 不好的做法：上下文不足
userPrompt: "分析客户"  // 子 Agent 没有信息可供使用

6. 使用 AI 辅助编写提示词

对于复杂的子 Agent 角色，使用 "Let the model define this parameter" 按钮：

在工具描述中描述子 Agent 的用途
点击系统提示上的 AI 按钮，自动生成全面的系统提示词
点击用户提示上的 AI 按钮，自动生成接收任务的模板
审核并优化生成的提示词

7. 监控 Credit 消耗

Auto 模式的子 Agent 在运行时消耗 credit：

javascript

// 通过工作流日志监控
System Prompt: `每次子 Agent 调用后，记录:
- 调用了哪个子 Agent
- 使用了多少次迭代
- 使用 Auto 模式还是显式模型`

常见问题

Q1: 何时使用 AI Agent 工具 vs. 普通 Tool 节点？

A：

场景	使用
简单数据获取或计算	代码工具 / HTTP 请求工具
需要推理和多步骤决策	AI Agent 工具
固定逻辑，始终相同流程	代码工具
需要判断的动态任务	AI Agent 工具
单次 API 调用	HTTP 请求工具
多源汇总并综合分析	AI Agent 工具

Q2: 子 Agent 可以调用另一个子 Agent 吗？

A：可以。AI Agent 工具节点可以连接其他 AI Agent 工具节点，实现嵌套 Agent 层级。但请注意：

保持深度 ≤ 2 层以便维护
每层嵌套都会增加延迟
深度嵌套的 Agent 更难调试
考虑一个配备更多工具的单个 Agent 是否可以达到同样效果

Q3: 父 Agent 如何知道子 Agent 能做什么？

A：父 Agent 完全依赖 toolDescription 字段。把它当作给另一个开发者的 API 文档来写：

javascript

toolDescription: `从所有平台获取整合的客户档案。

父 Agent 应提供:
- customer_id (string): 客户标识
- platforms (string array, 可选): 查询哪些平台，默认全部

返回:
- profile: 合并数据后的客户档案对象
- data_sources: 成功查询的平台列表
- errors: 查询失败的平台列表

何时调用: 需要跨所有系统获取客户完整视图时。`

Q4: 为什么不支持流式输出和结构化输出？

A：作为工具，AI Agent 工具必须返回完整结果，供父 Agent 一次性使用。流式输出会延迟父 Agent 的执行，而结构化输出不是必需的，因为父 Agent 可以解析自然语言结果。

如果需要子 Agent 返回结构化数据，在系统提示中指示它以特定格式返回：

javascript

systemPrompt: `始终在回复末尾附带 JSON 摘要块：
\`\`\`json
{
  "primary_intent": "...",
  "confidence": 0.0-1.0,
  "actions_taken": [...],
  "requires_followup": true/false
}
\`\`\``

Q5: 子 Agent 失败怎么办？

A：取决于错误处理设置：

stopWorkflow（默认）：整个工作流停止
continueRegularOutput：父 Agent 收到错误，可以决定如何处理
continueErrorOutput：父 Agent 收到错误详情

推荐方式：

javascript

// 父 Agent 系统提示
systemPrompt: `如果子 Agent 返回错误:
1. 不要向用户暴露技术错误
2. 如有替代方案，尝试其他方法
3. 如果无法继续，礼貌地说明情况
4. 适当时转人工支持`

Q6: 嵌套 Agent 的 credit 计费如何工作？

A：每个使用 Auto 模式的 AI Agent 工具独立消耗 credit：

父 Agent（显式模型）         → 向模型提供商计费
  └─ 子 Agent 1（auto 模式）    → 从组织 credit 扣除
       └─ 子 Agent 2（auto 模式） → 从组织 credit 扣除

控制成本的建议：

使用显式模型以获得可预测的计费
为每个 Agent 设置合理的 maxIterations
监控 credit 消耗模式
对简单的子任务使用更简单的模型

下一步

AI Agent Action 节点 — 了解主 AI Agent 节点
子工作流工具节点 — 将子流程注册为 AI 可调用的工具
思考工具节点 — 添加结构化推理能力
MCP 客户端工具节点 — 连接外部 MCP 服务器工具
代码工具节点 — 为子 Agent 添加自定义代码工具
HTTP 请求工具节点 — 为子 Agent 提供 API 访问能力

Chat 触发器

AI Agent 工具节点 ​

核心概念 ​

什么是 AI Agent 工具？ ​

多 Agent 协作模式 ​

使用场景 ​

典型应用 ​

Tool 与 Action 版本对比 ​

节点配置 ​

基础设置 ​

工具调用名称 (toolName) ​

工具描述 (toolDescription) ​

模型 (model) ​

用户提示 (userPrompt) ​

系统提示 (systemPrompt) ​

最大迭代次数 (maxIterations) ​

连接子工具节点 ​

高级设置 ​

总是输出 (alwaysOutput) ​

仅执行一次 (executeOnce) ​

失败重试 (retryOnFail) ​

最大重试次数 (maxTries) ​

重试间隔 (waitBetweenTries) ​

错误处理 (onError) ​

输出数据 ​

工作流示例 ​

示例 1：多源数据汇总 ​

示例 2：领域专家路由 ​

示例 3：内容生成 + 审核流程 ​

示例 4：跨平台订单处理 ​

最佳实践 ​

1. 定义清晰的角色边界 ​

2. 保持子任务聚焦 ​

3. 管理嵌套深度 ​

4. 合理设置 maxIterations ​

5. 在 User Prompt 中提供充足上下文 ​

6. 使用 AI 辅助编写提示词 ​

7. 监控 Credit 消耗 ​

常见问题 ​

Q1: 何时使用 AI Agent 工具 vs. 普通 Tool 节点？ ​

Q2: 子 Agent 可以调用另一个子 Agent 吗？ ​

Q3: 父 Agent 如何知道子 Agent 能做什么？ ​

Q4: 为什么不支持流式输出和结构化输出？ ​

Q5: 子 Agent 失败怎么办？ ​

Q6: 嵌套 Agent 的 credit 计费如何工作？ ​

下一步 ​

相关资源 ​

AI Agent 工具节点

核心概念

什么是 AI Agent 工具？

多 Agent 协作模式

使用场景

典型应用

Tool 与 Action 版本对比

节点配置

基础设置

工具调用名称 (toolName)

工具描述 (toolDescription)

模型 (model)

用户提示 (userPrompt)

系统提示 (systemPrompt)

最大迭代次数 (maxIterations)

连接子工具节点

高级设置

总是输出 (alwaysOutput)

仅执行一次 (executeOnce)

失败重试 (retryOnFail)

最大重试次数 (maxTries)

重试间隔 (waitBetweenTries)

错误处理 (onError)

输出数据

工作流示例

示例 1：多源数据汇总

示例 2：领域专家路由

示例 3：内容生成 + 审核流程

示例 4：跨平台订单处理

最佳实践

1. 定义清晰的角色边界

2. 保持子任务聚焦

3. 管理嵌套深度

4. 合理设置 maxIterations

5. 在 User Prompt 中提供充足上下文

6. 使用 AI 辅助编写提示词

7. 监控 Credit 消耗

常见问题

Q1: 何时使用 AI Agent 工具 vs. 普通 Tool 节点？

Q2: 子 Agent 可以调用另一个子 Agent 吗？

Q3: 父 Agent 如何知道子 Agent 能做什么？

Q4: 为什么不支持流式输出和结构化输出？

Q5: 子 Agent 失败怎么办？

Q6: 嵌套 Agent 的 credit 计费如何工作？

下一步

相关资源