2.6 高级功能实战演练

2.6 高级功能实战演练

本节摘要：把前五节的技能串成一次综合实战。本节聚焦三个把智能体从"演示品"推向"产品"的能力：流式输出（体验像聊天）、会话持久化（跨轮记住上下文）、结构化响应（对接业务系统），并给出一个融合练习的完整示例。

本节导航

阅读完本节，你应当能够：

1. 用流式输出改善用户交互体验
2. 用持久化记忆实现跨会话上下文保持
3. 用结构化响应对接下游系统
4. 综合运用多能力完成一个完整任务
5. 判断"产品化"还缺哪些工程环节

一、问题与直觉

演示用的智能体可以"等结果"，产品里的智能体不行。用户等 10 秒没反应就流失了；用户昨天聊的内容今天全忘，体验像失忆；系统要的是结构化数据，智能体给一长段散文没法对接。这三个问题——响应慢、无记忆、难集成——是智能体从玩具到产品的三座山，本节逐个翻过去。

二、核心原理

2.1 三个高级能力的定位

• 流式输出：边生成边返回，用户不用干等
• 会话持久化：状态存进数据库，重启不丢上下文
• 结构化响应：按 schema 返回，下游直接解析

2.2 记忆的存储位置

持久化记忆依赖数据库：Agno 把会话与状态写入数据库，智能体实例重建后能从库中恢复上下文。这让"重启不丢"成为可能——记忆不在内存里，而在数据库里。

三、工程实践要点

3.1 流式输出

from agno.agent import Agent

agent = Agent(name="chat_bot")

# 流式逐块输出
for chunk in agent.run("给我讲一个关于数据科学家的故事", stream=True):
    print(chunk.content, end="", flush=True)
​

💡 关键直觉：流式输出最大的价值不是"快"，而是让用户看到进度。哪怕是逐字蹦出，用户的等待焦虑也大幅下降——这是交互产品的体验底线。

3.2 会话持久化

from agno.agent import Agent
from agno.storage.sqlite import SqliteStorage

agent = Agent(
    name="memory_bot",
    storage=SqliteStorage(table_name="chat_sessions", db_file="sessions.db"),
    add_history_to_messages=True,   # 把历史拼进上下文
)

# 第一轮：记住用户偏好
agent.print_response("我更喜欢简洁的回答，以后都这样")
# 第二轮：无需重申，智能体还记得
agent.print_response("刚才说的记住了吗？")
​

⚠️ 常见坑：配了 storage 却漏了 add_history_to_messages=True，历史不会自动进上下文——智能体依然"失忆"。两个开关要一起用。

3.3 结构化响应

from agno.agent import Agent
from pydantic import BaseModel

class Order(BaseModel):
    order_id: str
    items: list
    total: float

agent = Agent(name="order_bot", response_model=Order)
order = agent.run("帮我生成一笔订单：两件衬衫，共 399 元")
print(order.order_id, order.total)   # 直接拿到字段
​

3.4 综合实战：智能客服雏形

把三件套拼成一个客服智能体：

from agno.agent import Agent
from agno.storage.sqlite import SqliteStorage
from agno.tools.duckduckgo import DuckDuckGoTools
from pydantic import BaseModel

class Ticket(BaseModel):
    category: str
    summary: str
    urgent: bool

agent = Agent(
    name="support_bot",
    description="负责处理用户售后问题的客服智能体",
    tools=[DuckDuckGoTools()],            # 查订单物流等公开信息
    storage=SqliteStorage(table_name="support", db_file="support.db"),
    add_history_to_messages=True,          # 记住历史
    response_model=Ticket,                 # 输出工单
)

ticket = agent.run("我上周买的耳机坏了，想退货")
print(ticket.category, ticket.urgent)     # 结构化工单
​

这个示例里，智能体记住用户、联网查信息、输出结构化工单——流式、记忆、结构三个能力一次用齐。

3.5 产品化检查单

四、记忆实战：两轮对话验证法

内存管理最直观的验证方式，原始资料给的是"两轮对话法"。第一轮告诉智能体一个事实："我叫小张，在做电商项目"；第二轮换个话题问："还记得我在做什么项目吗？"配置了持久化记忆的智能体能直接答上来，没配置的会一脸茫然。

这个五分钟实验的价值在于把抽象的"记忆"变成可观察的行为。进一步还可以做边界测试：重启进程后再问（验证是真持久化而非进程内缓存）、隔了二十轮对话后再问（验证记忆窗口策略）、在另一个会话里问（验证会话隔离）。三个测试下来，记忆机制的行为边界你就摸清了。

生产上配记忆要同时想三件事：存多久（生命周期）、存多少（窗口与摘要策略）、给谁看（会话隔离与权限）。只配不管理，数据库会越滚越大，上下文越来越贵。

五、结构化输出实战：从字符串到数据

高级演练的第二站是让输出可直接进业务系统。原始示例的做法朴素而实用：

import json

response = agent.run("给出这款产品的名称、价格、卖点，用 JSON 输出")
product = json.loads(response.content)   # 字符串 → 字典
print(product["名称"], product["价格"])
​

实战中的护栏有两层。指令层：明确字段清单、类型、缺失时填什么，模型遵守格式的稳定性会大幅提升。解析层：包一层异常处理，解析失败时把报错信息回喂给模型让它自纠一次，通常能救回大部分格式错误。

六、推理与决策：规则库协作

第三站原始资料展示了智能体与规则引擎的分工——以疾病诊断为例，把确定性知识放进规则库，智能体负责自然语言理解和规则触发。这个模式极具推广价值：退款政策、审批条件、排班规则这类企业里大量存在的确定性逻辑，交给规则库维护；模糊的语言理解和解释生成，交给智能体。两者各干各的擅长事。

用户描述症状（自然语言）
        │
        ▼
   智能体抽取关键特征
        │
        ▼
   规则库匹配（确定性判断）
        │
        ▼
   智能体把结论翻译成通俗解释
​

知识图谱查询属于同思路的升级版：结构化知识放图数据库，智能体生成查询、解读结果。共同原则是——别让概率模型背诵确定性知识，让它做语言与推理的接口层。

七、常见问题

记忆、知识库、规则库三者怎么分工？

记时间维度：记忆存"发生过什么"（对话与状态），知识库存"参考资料"（文档检索），规则库存"必须遵守的逻辑"（确定性判断）。一个客服智能体三者全要：记得住老用户、查得到政策文档、算得准退款规则。

结构化输出不稳定有什么根治办法？

指令约束加异常自纠是性价比最高的组合。要更强保证，可以按固定模式分两步走：先让模型自由回答，再用第二个便宜模型把回答转成结构化数据——生成与格式化分离，各自成功率都更高。

高级功能一起上，顺序是什么？

先知识库（提升回答正确性），再记忆（提升连续性），最后团队（提升复杂任务承载力）。顺序反过来容易在还没站稳时就背上调试复杂度。

给功能上保险：最小评估集

高级功能越多，越需要一套廉价的回归手段。做法朴素：挑十个有代表性的真实问题（覆盖记忆两轮追问、结构化输出、规则触发各几条），连同期望要点一起存成清单。每次改配置——换模型、调指令、加记忆窗口——就把清单跑一遍，逐条对照要点是否仍然满足。

这套最小评估集的成本是半小时搭建，收益是每次改动的心安。更妙的是它会随时间增值：线上出的每个坏案例，补录进清单，评估集就从十题长成百题，系统的行为边界被越描越清。等到第 3 章讲性能优化与 RAG 调优时，这份资产直接复用为基线测量工具。

高级功能的组合拳：一个完整小系统

把本节的三项能力串成一个闭环小系统，是对"高级"二字最好的注解。设想一个个人健康助手：记忆机制记住用户的身高体重、饮食历史与健身目标；结构化输出让每日三餐的识别结果以固定字段入库（餐名、热量估计、时间）；规则库负责硬约束——热量超标连续三天就触发提醒，指标异常直接建议就医。三个组件各挡一面，缺一角系统就瘸：没记忆则每天从零开始，没结构化则数据无法累计，没规则则所有判断都在赌模型发挥。

这个小系统两三百行代码就能搭起来，却已经具备了生产级应用的骨架。更重要的是它演示了一个方法论：复杂系统不是"更难的智能体"，而是"多种朴素机制的有机组合"。新手容易被"高级"吓住，其实高级感的来源是组合的秩序，不是单点的魔法。把每一项能力做扎实，再想清楚它们交换什么数据，系统自然就立起来了——这也是本教程第 4 章所有案例的共同底色。

补一个容易被忽略的实战细节：记忆与结构化输出联用时，注意"记忆污染"——上一轮的结构化输出（比如一大段 JSON）被完整存进历史，后续每轮请求都背着这段死重。解法是在写入记忆前做一次摘要或裁剪，只留业务字段不留原始格式。这个小处理能让长会话的 token 消耗差出数倍，是高级功能组合使用时最常见的账单刺客。

要点速记

• 要点一：产品化三件套——流式输出、会话持久化、结构化响应
• 要点二：流式输出改善体验，让用户看到进度
• 要点三：storage 与 add_history_to_messages 必须成对使用
• 要点四：response_model 让系统直接消费结果
• 要点五：综合示例——客服智能体一次用齐三个能力
• 要点六：产品化还看安全、监控、成本，不只是功能

第 2 章的能力全部到手。第 3 章往上再走一步——多模态、RAG 进阶、协作机制与性能优化。