AI智能體（Agent）開(kāi)發(fā)框架與平臺(tái)可謂百家爭(zhēng)鳴，各有所長(zhǎng)。但一個(gè)不爭(zhēng)的事實(shí)是，大部分在底層設(shè)計(jì)上是趨同的。不過(guò)今天我們將要體驗(yàn)的這款開(kāi)源免費(fèi)框架 - Parlant，或許會(huì)顛覆你的傳統(tǒng)認(rèn)知：

一款旨在最大程度消除LLM帶來(lái)的不確定性，以幫助你“馴服”智能體的框架。

Build compliant AI chat agents, in minutes.
The production-ready engine for Al chat agents that generate aligned responses and follow instructions-even as you scale complexity.

接下來(lái)讓我們一起走進(jìn)這款獨(dú)特的框架：

• 企業(yè)應(yīng)用Agent的最大“攔路虎”
• 構(gòu)建對(duì)話式Agent：主流框架的方法
• 構(gòu)建對(duì)話式Agent：Parlant的方法
• 深度實(shí)踐：迭代構(gòu)建一個(gè)模擬10086客服助手
• 總結(jié)、及與LangGraph對(duì)比

這不一定是你見(jiàn)過(guò)最強(qiáng)大的，但很可能是最特別的、甚至“有趣”的Agent框架。

01 企業(yè)應(yīng)用Agent的最大"攔路虎 "

很多人都認(rèn)識(shí)到：盡管大模型（LLM）有著強(qiáng)大的自然語(yǔ)言理解與處理能力，但它的不確定性是限制它在面向客戶與關(guān)鍵業(yè)務(wù)的企業(yè)場(chǎng)景中得以廣泛應(yīng)用的最大障礙 。傳統(tǒng)的Agent通常依賴于大量這樣的復(fù)雜LLM提示：

prompt="
你是一名智能客服助手，目標(biāo)是高效、準(zhǔn)確地幫助客戶解決問(wèn)題。  
你具備以下能力： 
...
### 工作方式（比如ReAct思考模式）：
...
### 確保遵循如下業(yè)務(wù)規(guī)則和輸出要求：
...
### 可用的工具列表：
... 

"

遺憾的是，LLM無(wú)法確保絕對(duì)的指令遵循：有時(shí)候會(huì)產(chǎn)生偏差或遺忘，有時(shí)候會(huì)“幻覺(jué)”，特別是在一些長(zhǎng)任務(wù)或者長(zhǎng)對(duì)話場(chǎng)景中，隨著上下文的“膨脹”，它的輸出更加“不可預(yù)測(cè)”，并可能直接導(dǎo)致Agent工作的失敗。

為了優(yōu)化這個(gè)問(wèn)題，這些方法已經(jīng)被不斷嘗試：

• 流程層面：Workflow/狀態(tài)機(jī) (約束智能體流程)、HITL(人類檢查)
• 節(jié)點(diǎn)層面：規(guī)則輔助(減少LLM依賴)、樣本(讓LLM參考)
• 輸出層面：結(jié)構(gòu)化輸出(提高LLM輸出的一致性)
• 模型層面：微調(diào)(適應(yīng)特定領(lǐng)域)、R4G (給LLM補(bǔ)充知識(shí))

它們?cè)诤艽蟪潭茸孉gent行為更可控，但情況仍然復(fù)雜：

• 增加提示樣本：樣本只代表少數(shù)，覆蓋率有限
• 微調(diào)：限定在特定領(lǐng)域，換了環(huán)境可能會(huì)更差
• RAG：給模型增加了知識(shí)，但無(wú)法其思考方式
• 結(jié)構(gòu)化輸出：形式可控，但內(nèi)容可能是“幻覺(jué)”
• 工作流：靈活性低，且節(jié)點(diǎn)可能仍然依賴LLM

所以，如何讓Agent不偏離預(yù)期行為，提高行為的一致性和確定性，一直是各種開(kāi)發(fā)框架與應(yīng)用的努力方向（甚至也是Gen-AI的最大“黑點(diǎn)”）。

02 構(gòu)建對(duì)話式Agent: 主流框架的方法

假如我們需要構(gòu)建一個(gè)典型的對(duì)話式Agent（如智能客服），典型的方法有：

借助增強(qiáng)型LLM的Agent

借助提示工程（參考第一節(jié)的例子）、函數(shù)調(diào)用（Function Calling）與外部工具（RAG管道、企業(yè)API）構(gòu)建的ReAct范式的Agent：

這種方法的最大問(wèn)題是過(guò)度依賴于Prompt與LLM的理解、遵循與推理能力，隨著上下文的增大，發(fā)生偏移和幻覺(jué)的概率越大，而且你需要在每次推理中把所有希望LLM遵循的原則告訴它。如果我們把Agent比作是一個(gè)數(shù)字員工，那么這種方法就是：

給員工一本厚厚的手冊(cè)，讓他去服務(wù)客戶，偶爾犯錯(cuò)是難免的。

基于工作流定義的Agent

借助如LangGraph、AutoGen等框架定義的流程式Agent，按照預(yù)定義的過(guò)程與客戶交互（ReActAgent也可以看做是工作流的特例）。

這種Agent的缺點(diǎn)是比較僵化（雖然在局部仍然會(huì)體現(xiàn)LLM的智能），特別是AI對(duì)話式場(chǎng)景下，很難預(yù)測(cè)客戶的交互行為時(shí)，容易陷入"不知所措”或者人工”智障“的狀態(tài)，它更適合復(fù)雜任務(wù)型的Agent。用上面的比喻來(lái)說(shuō)，這種方式是：

給員工制定嚴(yán)格的行動(dòng)步驟，但客戶如果”不走尋常路“，就容易出錯(cuò)。

那么Parlant是如何做的呢？

03 構(gòu)建對(duì)話式Agent: Parlant的方法

Parlant專注于對(duì)話式Agent的場(chǎng)景，并設(shè)計(jì)了一種獨(dú)特的控制Agent與用戶之間交互的新方法，被稱之為ABM（Agent Behavior Model，用戶行為建模）。

簡(jiǎn)單的說(shuō)，就是給Agent指定一套完整的、結(jié)構(gòu)化的、自然語(yǔ)言描述的業(yè)務(wù)準(zhǔn)則，包括Agent的目標(biāo)、行動(dòng)指南（Guideline）、對(duì)話流程（Journey）、標(biāo)準(zhǔn)化回復(fù)（Canned Response）、詞匯表（Glossary）等，并通過(guò)框架來(lái)強(qiáng)制這些準(zhǔn)則的應(yīng)用與執(zhí)行。

以一個(gè)典型的行動(dòng)指南（Guildeline）為例：

await agent.create_guideline(     
    condition="客戶詢問(wèn)話費(fèi)余額",     
    action="使用query_balance工具查詢并告知客戶當(dāng)前余額",     
    tools=[query_balance]     
)

注意，你無(wú)需編排工作流，也無(wú)需用提示詞讓LLM識(shí)別客戶意圖，你需要做的只是很自然的設(shè)定這個(gè)準(zhǔn)則，Parlant會(huì)確保這個(gè)準(zhǔn)則被執(zhí)行。

那么Parlant是如何最大可能的確保準(zhǔn)則被遵循的呢？盡管內(nèi)部過(guò)程較復(fù)雜，并且依賴于一種ARQ（注意推理查詢）的創(chuàng)新提示技術(shù)，但可以總結(jié)成兩點(diǎn)：

1. Parlant引擎會(huì)動(dòng)態(tài)根據(jù)上下文來(lái)評(píng)估與加載本次交互相關(guān)的規(guī)則，并基于這些規(guī)則來(lái)執(zhí)行操作與合成回復(fù)。
2. 在Agent輸出回復(fù)給客戶之前對(duì)其進(jìn)行監(jiān)督，以最大程度的確保Agent正確遵循了必要的準(zhǔn)則后給予放行。

用之前的比喻來(lái)說(shuō)，Parlant的方式就是：

在員工服務(wù)客戶的過(guò)程中，有權(quán)威會(huì)根據(jù)情景持續(xù)指導(dǎo)你并監(jiān)督執(zhí)行。

對(duì)比主流框架的方法，Parlant方法的好處是：

• 降低LLM的認(rèn)知負(fù)擔(dān)（每次只加載相關(guān)準(zhǔn)則）
• 非常適合處理邊緣場(chǎng)景（添加針對(duì)性準(zhǔn)則）
• 可以為每一次Agent行為提供可解釋性（畢竟有”權(quán)威“盯著）

下面我們用實(shí)例來(lái)認(rèn)識(shí)Parlant中的核心模塊。

04 實(shí)戰(zhàn)：構(gòu)建一個(gè)模擬的10086客服助手

在這個(gè)案例中，我們一步步的借助Parlant來(lái)創(chuàng)建一個(gè)模擬10086客服的Agent，你將可以深入認(rèn)識(shí)與體會(huì)ABM建模是如何幫助創(chuàng)建一個(gè)易于理解、更可控的企業(yè)級(jí)對(duì)話式Agent。

【步驟1：準(zhǔn)備工作】

安裝Parlant的開(kāi)發(fā)SDK（Python3.10以上）：

pip install parlant

例子中使用了OpenAI接口，因此你至少需要設(shè)置環(huán)境變量OPENAI_API_KEY。（如果是借助第三方API平臺(tái)，需要設(shè)置OPENAI_BASE_URL,但默認(rèn)Parlant SDK中不支持傳入OPENAI_BASE_URL，方法請(qǐng)參考本文源碼中的說(shuō)明）。

【步驟2：創(chuàng)建智能體（Agent）】

Parlant的Agent是一個(gè)定制化的 AI 角色，代表你的“服務(wù)員工”。你可以使用 SDK 創(chuàng)建并配置多個(gè) Agent，每個(gè) Agent 有獨(dú)立的身份、背景和行為特征；每個(gè) Agent 都可以擁有自己的行為模型和對(duì)話歷史，相互隔離。

通過(guò)幾行代碼創(chuàng)建一個(gè)Agent：

async def main() -> None:     
    async with p.Server(     
        nlp_service=p.NLPServices.openai     
    ) as server:     
        agent = await server.create_agent(     
            name="10086客服小助手",     
            description="專業(yè)友好的電信運(yùn)營(yíng)商客戶服務(wù)代表，提供話費(fèi)查詢、套餐變更等服務(wù)。")         
    
if __name__ == "__main__":     
    import asyncio     
    asyncio.run(main())

Parlant的Agent特點(diǎn)是運(yùn)行即服務(wù)：會(huì)自動(dòng)啟動(dòng)一個(gè)Agent Server，你可以通過(guò)API與Server中的多個(gè)Agent對(duì)話。Parlant提供了一個(gè)測(cè)試的前端UI，訪問(wèn)http://localhost:8800，就可以體驗(yàn)這個(gè)原始版Agent：

user：Hello,你會(huì)做什么呢?
10086客服小助手：你好! 我可以幫助你查詢?cè)捹M(fèi)、變更套餐, 或者解答其他與電信服務(wù)相關(guān)的問(wèn)題。請(qǐng)問(wèn)你需要什么幫助呢?

【步驟3：添加簡(jiǎn)單的指南（guideline）】

指南（guideline，也叫準(zhǔn)則），是 Parlant 建模的核心單元。每條準(zhǔn)則由“何時(shí)觸發(fā)” (condition) 和“做什么” (action) 兩部分組成 ，用簡(jiǎn)單自然語(yǔ)言編寫。

現(xiàn)在來(lái)給Agent添加簡(jiǎn)單的兩條準(zhǔn)則：

await agent.create_guideline(     
    condition="客戶進(jìn)行日常閑聊",     
    action="友好回應(yīng)，但適當(dāng)引導(dǎo)到業(yè)務(wù)服務(wù)話題。"     
)  
await agent.create_guideline(     
    condition="當(dāng)客戶明確表達(dá)出對(duì)服務(wù)不滿意或有投訴、轉(zhuǎn)網(wǎng)的意圖",     
    action="首先表示歉意，并表示將會(huì)讓客戶經(jīng)理聯(lián)系客戶，了解客戶需求并提供幫助。"     
)

看下測(cè)試效果：

user：你好,我想注銷我的電話號(hào)碼。
10086客服小助手：你好! 很抱歉聽(tīng)到您想注銷電話號(hào)碼。我們可以安排客戶經(jīng)理與您聯(lián)系,了解您的需求并提供幫助。請(qǐng)問(wèn)您方便提供聯(lián)系方式嗎?

可以看到，Agent完美的遵循了服務(wù)準(zhǔn)則。

Parlant 會(huì)動(dòng)態(tài)篩選當(dāng)前情景下最相關(guān)的準(zhǔn)則，并強(qiáng)制遵循，從而保證 Agent 行為始終符合業(yè)務(wù)預(yù)期（如果準(zhǔn)則之前存在沖突或者依賴關(guān)系，Parlant支持定義準(zhǔn)則間的關(guān)系）。

【步驟4：添加帶工具（Tools）的指南】

現(xiàn)在我們來(lái)讓小助手具有“查詢?cè)捹M(fèi)”的能力，這就需要用到工具（Tool）這個(gè)模塊。Parlant中通過(guò)@p.tool這個(gè)裝飾器定義工具：

@p.tool
async def query_balance(context: p.ToolContext, phone_number: str) -> p.ToolResult:  
    #....省略模擬的API調(diào)用...  
    result = f"您的話費(fèi)余額為{info['balance']:.2f}元，下次繳費(fèi)日期：{info['due_date']}"     
    return p.ToolResult(result)

現(xiàn)在來(lái)添加一條需要”使用工具“的業(yè)務(wù)準(zhǔn)則:

await agent.create_guideline(     
    condition="僅當(dāng)客戶明確要求查詢自己的話費(fèi)余額",     
    action="使用query_balance工具查詢并告知客戶當(dāng)前余額",     
    tools=[query_balance]     
)

在準(zhǔn)則中關(guān)聯(lián)工具后，只有當(dāng)規(guī)則觸發(fā)時(shí)，Agent 才會(huì)調(diào)用相應(yīng)工具并將結(jié)果用于生成回答 。這種設(shè)計(jì)讓工具調(diào)用變得可控且上下文敏感，避免了模型“盲目調(diào)用”的問(wèn)題。

測(cè)試新業(yè)務(wù)準(zhǔn)則的執(zhí)行：

user：你好,我想查詢下我的話費(fèi)還剩多少?
10086客服小助手：你好! 請(qǐng)?zhí)峁┠氖謾C(jī)號(hào)碼,以便我為您查詢?cè)捹M(fèi)余額。
user：號(hào)碼是13812345678
10086客服小助手：好的,讓我為您查詢一下。 您的話費(fèi)余額為85.60元,下次充值日期為2024-12-15。

【步驟5：注冊(cè)客戶（Customer）并獲取信息】

上面的測(cè)試中可以看到Agent會(huì)要求輸入電話號(hào)碼以查詢?cè)捹M(fèi)，但是在實(shí)際場(chǎng)景中，客戶在登錄后就已經(jīng)可以獲得其信息（比如手機(jī)號(hào)碼），并且應(yīng)該在后續(xù)的對(duì)話上下文中自動(dòng)帶入。在Parlant中，你可以通過(guò)Customer這個(gè)模塊來(lái)完成：

在完成登錄后，創(chuàng)建一個(gè)客戶（實(shí)際應(yīng)用中通常是客戶端來(lái)創(chuàng)建）：

customer = await server.create_customer(name="user",metadata={"phone_number": "13812345678"})

然后你就可以在工具中直接通過(guò)上下文獲得電話號(hào)碼，而無(wú)需客戶提供：

...  
server = p.ToolContextAccessor(context).server  
if customer := await server.find_customer(id=context.customer_id):     
    phone_number = customer.metadata.get("phone_number")

現(xiàn)在你會(huì)發(fā)現(xiàn)AI可以直接調(diào)用工具幫你查詢?cè)捹M(fèi)，而無(wú)需提供號(hào)碼。

【步驟6：實(shí)現(xiàn)多步驟復(fù)雜交互（Journey）】

Journey（旅程）是Parlant中相對(duì)復(fù)雜的模塊，你可以理解成是Parlant的工作流。它用于定義Agent復(fù)雜流程的對(duì)話走向，通常對(duì)應(yīng)到業(yè)務(wù)場(chǎng)景中一些多步驟的引導(dǎo)與交互過(guò)程，比如行程預(yù)定、業(yè)務(wù)變更等。

一個(gè) Journey 包含標(biāo)題、觸發(fā)條件和狀態(tài)轉(zhuǎn)換圖（狀態(tài)與條件/動(dòng)作的有向圖）。Parlant 允許Agent靈活地按照旅程的狀態(tài)圖進(jìn)行對(duì)話，但也可以跳過(guò)、中途返回或提前進(jìn)入某些狀態(tài)，從而在保證收集必要信息的同時(shí)，提升用戶體驗(yàn) 。

我們用Journey來(lái)實(shí)現(xiàn)“話費(fèi)套餐變更”這個(gè)功能。這個(gè)對(duì)話“旅程”如下：

【圖片標(biāo)記：此處應(yīng)有套餐變更流程示意圖，包含開(kāi)始、客戶要求變更套餐、查詢可用套餐query_available_plans、展示套餐列表詢問(wèn)客戶選擇、客戶選擇套餐、確認(rèn)是否變更、客戶決定（是/否）、執(zhí)行套餐變更c(diǎn)hange_plan、告知變更結(jié)果、結(jié)束等節(jié)點(diǎn)及流向】

將其轉(zhuǎn)換成Parlant的SDK實(shí)現(xiàn)。首先創(chuàng)建兩個(gè)模擬工具，分別用來(lái)查詢可用套餐與執(zhí)行變更套餐：

@p.tool
async def query_available_plans(context: p.ToolContext) -> p.ToolResult:...

@p.tool
async def change_plan(context: p.ToolContext, new_plan_id: PlanID) -> p.ToolResult:...

接著來(lái)定義這個(gè)旅程：

async def create_plan_change_journey(agent: p.Agent) -> p.Journey:     
    """創(chuàng)建套餐變更旅程"""     
    journey = await agent.create_journey(     
        title="話費(fèi)套餐變更",     
        description="幫客戶找到合適的話費(fèi)套餐并完成變更",     
        conditions=["僅當(dāng)客戶明確表示需要變更話費(fèi)套餐"],     
    )     
    t0 = await journey.initial_state.transition_to(tool_state=query_available_plans)     
    t1 = await t0.target.transition_to(chat_state="列出可以變更的套餐，然后詢問(wèn)客戶需要變更到哪個(gè)套餐")     
    t2 = await t1.target.transition_to(chat_state="詢問(wèn)客戶是否確認(rèn)本次變更",condition="客戶選擇變更到某一個(gè)新的業(yè)務(wù)套餐")     
    t31 = await t2.target.transition_to(tool_state=change_plan,condition="客戶確認(rèn)變更套餐",tool_instruction="new_plan_id參數(shù)值從可用的套餐中提取")     
    await t2.target.transition_to(state=t0.target,condition="客戶表示還需要再考慮一下")     
    t4 = await t31.target.transition_to(chat_state="根據(jù)變更的結(jié)果告知客戶變更成功或者失敗",condition="套餐變更結(jié)束")     
    await t4.target.transition_to(state=p.END_JOURNEY)     
    await journey.create_guideline(     
        condition="客戶明確表示需要深入了解某個(gè)套餐的詳細(xì)信息",     
        action="查詢某個(gè)套餐的詳細(xì)信息并告知客戶,plan_id從客戶對(duì)話中提取",     
        tools=[get_plan_details],     
    )     
    return journey

這個(gè)定義方式并不難理解，就是用代碼來(lái)描述：在什么條件下，從A狀態(tài)跳轉(zhuǎn)到B狀態(tài)，狀態(tài)可以是對(duì)話狀態(tài)(chat_state）或工具狀態(tài)（tool_state）。

另外，一個(gè)Journey也可以定義屬于它的準(zhǔn)則（Guideline）。比如這里針對(duì)客戶可能在任何時(shí)候提出想”深入了解某個(gè)套餐“而添加了一條準(zhǔn)則。

現(xiàn)在測(cè)試這個(gè)Journey的基本流程：

10086客服小助手：
PLAN004-青春套餐38元: 通話200分鐘, 流量8GB, 短信50條
PLAN005-優(yōu)享套餐188元:通話無(wú)限,流量無(wú)限, 短信無(wú)限
請(qǐng)問(wèn)您想變更到哪個(gè)套餐呢?

user：
變更到188元這個(gè)套餐

10086客服小助手：
好的,讓我為您處理一下。
請(qǐng)您確認(rèn)一下,您想要變更到的套餐是188元的優(yōu)享套餐嗎?

但是，Parlant的Journey與其他工作流不一樣的是：

它不是一種嚴(yán)格遵循的固定流程，只是一種指導(dǎo)性的框架流程。Parlant框架會(huì)在每次交互時(shí)智能的來(lái)判斷應(yīng)該激活的流程狀態(tài)，即使你并沒(méi)有定義這樣的“跳轉(zhuǎn)”。這給Agent賦予了極大的自適應(yīng)能力。

比如我在這個(gè)”旅程“中“反復(fù)橫跳”：

user：
算了,還是不變了吧

10086客服小助手：
明白了,稍等一下。 很抱歉讓您感到不滿意。我會(huì)讓客戶經(jīng)理聯(lián)系您,了解您的需求并提供幫助。請(qǐng)您稍等一下。

user：算了還是幫我做個(gè)變更吧,換個(gè)套餐

10086客服小助手：
明白了,請(qǐng)稍等。 很抱歉讓您感到不滿。請(qǐng)您告訴我想要更改到哪個(gè)套餐?

user：變更到188元那個(gè)套餐

10086客服小助手：
很抱歉讓您感到不滿意。您選擇的套餐是188元的優(yōu)享套餐, 具體信息 如下:
·月費(fèi):188元
·通話:無(wú)限制
·流量:無(wú)限制
·短信:無(wú)限制
·特殊服務(wù):免費(fèi)接聽(tīng), VIP客戶服務(wù), 全國(guó)通用, 5G網(wǎng)絡(luò), 免費(fèi)熱點(diǎn), 國(guó)際漫游優(yōu)待 ·超出資費(fèi):無(wú)超出資費(fèi)使用
請(qǐng)問(wèn)您確認(rèn)要變更到這個(gè)套餐嗎?

你會(huì)發(fā)現(xiàn)這里的互動(dòng)并沒(méi)有嚴(yán)格遵循流程走向。但這才是真實(shí)的應(yīng)用場(chǎng)景：你無(wú)法預(yù)測(cè)客戶真實(shí)的交互行為。

【步驟7：利用變量減少工具調(diào)用(Variable)】

在很多低代碼平臺(tái)中也存在變量（Variable） 的概念：用來(lái)標(biāo)識(shí)一條在上下文中經(jīng)常會(huì)用到的特定信息，并且可以按需更改和刷新。

在測(cè)試上面的例子時(shí)我發(fā)現(xiàn)Agent經(jīng)常會(huì)通過(guò)query_available_plans來(lái)獲取可用的套餐信息，于是決定把這個(gè)信息放到變量里，并設(shè)定每小時(shí)刷新一次：

# 添加變量     
available_plans = await agent.create_variable(     
    name="可用話費(fèi)套餐",     
    description="客戶可以選擇的套餐列表",     
    tool=query_available_plans,     
    freshness_rules='0 * * * *'     
)

這里指定通過(guò)Tool來(lái)刷新available_plans這個(gè)變量，并且刷新規(guī)則用freshness_rules來(lái)指定（遵循crontab表達(dá)式）。

變量會(huì)由框架動(dòng)態(tài)評(píng)估是否帶入到每次對(duì)話的上下文，以及是否需要刷新。 默認(rèn)情況下（不指定freshness_rules），變量會(huì)在每次交互時(shí)自動(dòng)刷新。

現(xiàn)在測(cè)試Agent并觀察后臺(tái)，你會(huì)發(fā)現(xiàn)Agent只會(huì)在第一次需要時(shí)調(diào)用工具初始化這個(gè)變量，而后續(xù)的交互會(huì)自動(dòng)帶入該信息。

【步驟8：設(shè)定標(biāo)準(zhǔn)化回復(fù)（Canned Response)】

在企業(yè)服務(wù)場(chǎng)景下，有一些標(biāo)準(zhǔn)的“話術(shù)”，以體現(xiàn)服務(wù)的標(biāo)準(zhǔn)化和一致性。盡管Parlant已經(jīng)盡量讓Agent更加受控，但在回復(fù)消息上依賴于LLM仍然存在較大的不確定性，此時(shí)你可以借助標(biāo)準(zhǔn)化回復(fù)這個(gè)模塊。當(dāng)觸發(fā)相應(yīng)條件時(shí)直接調(diào)用，從而 消除幻覺(jué)，并確保輸出的統(tǒng)一 。

注意Parlant的標(biāo)準(zhǔn)化回復(fù)的特點(diǎn):

• 基于模板定義，可以包含如變量、工具響應(yīng)中的動(dòng)態(tài)字段
• 非簡(jiǎn)單復(fù)制使用，而是會(huì)動(dòng)態(tài)選擇合適的模板，并智能合成消息

我們讓Agent在"閑聊”這個(gè)準(zhǔn)則下使用預(yù)設(shè)回復(fù)模板：

#歡迎
welcome = await agent.create_canned_response(  
   template="你好！{{std.customer.name}}, 很高興為您服務(wù)。請(qǐng)問(wèn)有什么可以幫您？")
...
await agent.create_guideline(     
    condition="客戶進(jìn)行日常閑聊",     
    action="友好回應(yīng)，但適當(dāng)引導(dǎo)到業(yè)務(wù)服務(wù)話題。",    
    canned_responses=[welcome]
)

看下測(cè)試效果（Parlant的交互默認(rèn)會(huì)有一個(gè)前導(dǎo)響應(yīng)，也可以設(shè)定）：

user：
你好啊

10086客服小助手：
你好! 很高興為您服務(wù)。請(qǐng)問(wèn)有什么可以幫您?

【步驟9：添加特定術(shù)語(yǔ)（Glossary)】

詞匯表，顧名思義它就相當(dāng)于一個(gè)Agent可以參考的“字典”。 通常用來(lái)定義你的領(lǐng)域特定術(shù)語(yǔ)，用來(lái)幫助Agent理解其含義；也可以用回答一些固定的問(wèn)題。

比如在上面的情境中，如果客戶要求變更到“至尊套餐”，那么你就需要讓Agent知道至尊套餐是代表哪一個(gè)話費(fèi)套餐。

讓我們添加兩個(gè)術(shù)語(yǔ)：

# 術(shù)語(yǔ)
await agent.create_term(     
    name="營(yíng)業(yè)時(shí)間",     
    description="營(yíng)業(yè)時(shí)間是周一至周五，上午9點(diǎn)到下午6點(diǎn)。",
)
await agent.create_term(     
    name="至尊套餐",     
    description="至尊套餐是最高級(jí)別的188元套餐",
)

看看測(cè)試效果：

user：
幫我變更到至尊套餐

10086客服小助手：
好的,讓我為您處理一下。 請(qǐng)確認(rèn)您要變更到至尊套餐, 套餐費(fèi)用為188元, 包含無(wú)限通話和無(wú)限流量。

您確認(rèn)嗎?

【步驟10：將Agent集成到前端】

在Agent構(gòu)建完成并且測(cè)試通過(guò)后，你可能需要將Agent集成到你的前端應(yīng)用中，讓客戶可以通過(guò)UI與你的Agent交互。這有兩種方式：

1. 借助Parlant提供的REST API；
2. 借助官方提供的parlant-chat-react插件 （需要React JS框架），它提供了一個(gè)完整的對(duì)話界面，簡(jiǎn)單配置即可連接到你的Agent。最簡(jiǎn)單的例子如下：

import React from 'react';
import ParlantChatbox from 'parlant-chat-react';

function App() {  
  return (     
    <div>     
      <h1>My Application</h1>     
      <ParlantChatbox     
        server="http://localhost:8800"    
        agentId="your-agent-id"     
      </div>  
  );
}

export default App;

05 總結(jié)、及與LangGraph的對(duì)比

以上通過(guò)迭代的方式完成了一個(gè)簡(jiǎn)單的對(duì)話式AI助手。

在整個(gè)過(guò)程中，我們切身體驗(yàn)到的Parlant的一些獨(dú)特之處：

• 聲明式的自然語(yǔ)言規(guī)則定義，并通過(guò)創(chuàng)新機(jī)制來(lái)確保與監(jiān)督執(zhí)行
• 能夠高度靈活的適應(yīng)真實(shí)的客戶對(duì)話場(chǎng)景（非死板的流程遵循）
• 高度模塊化設(shè)計(jì)，ABM的每個(gè)模塊都功能清晰，簡(jiǎn)潔易用
• 針對(duì)高標(biāo)準(zhǔn)與合規(guī)要求的企業(yè)級(jí)設(shè)計(jì)。如規(guī)則遵循、標(biāo)準(zhǔn)化回復(fù)等

而一些目前的不足主要在于：

• 內(nèi)部對(duì)規(guī)則執(zhí)行的過(guò)程較復(fù)雜，Tokens成本略高
• 畢竟還要依賴LLM，還是存在推理失誤現(xiàn)象（如調(diào)用多余工具）
• 不需要直接設(shè)計(jì)Prompt，但自然語(yǔ)言的描述還是需要優(yōu)化調(diào)試
• 當(dāng)出現(xiàn)內(nèi)部推理不精確時(shí)，可能導(dǎo)致反復(fù)嘗試，響應(yīng)較慢

整體來(lái)說(shuō)，Parlant引入了“行為建?！边@一令人眼前一亮的全新范式，為智能體（主要是對(duì)話性Agent）的構(gòu)建注入了企業(yè)級(jí)應(yīng)用更需要的可控性與可解釋性，并采用了一種完全不同于其他Agent框架的”優(yōu)雅“方式，把Agent開(kāi)發(fā)從繁瑣的“提示詞”+“工作流微調(diào)”中解放出來(lái)，用一種更輕松的方式來(lái)定義Agent行為，同時(shí)又不失強(qiáng)大與靈活，非常值得持續(xù)關(guān)注。

最后簡(jiǎn)單對(duì)比下Parlant與LangGraph的定位：

Parlant適合構(gòu)建高度可控、透明、合規(guī)的對(duì)話智能體（客服、金融、政務(wù)服務(wù)等）；LangGraph更適合需要復(fù)雜工作流、多Agent協(xié)同、長(zhǎng)時(shí)執(zhí)行的任務(wù)場(chǎng)景。

本文源代碼：https://github.com/dequal/parlant-demo