佬们，最近在做企业级Agent中台管理，有些疑问

同蹲佬，有进展的话踢我一下，我最近也在搞数据中台开发。

都让 agent 干什么具体工作啊？对这方面一直很好奇

openai_agent_sdk，感觉目前用起来比较顺手，hanoff对于多agent处理很好用。不过看具体的内容了，langgraph对于固定业务编排也不错

其实就是把企业内之前手动的一些常用的工具，用agent去代替

同蹲佬，有进展的话踢我一下，我最近也在搞数据中台开发。

同蹲，我也是哎，最近想做一个agent，不知道如何下手

好的佬我去看下openai_agent_sdk

是在做 替换之前内部平台的这些事情吗 我们也在做 但是我们的做法是提供一些封装好的skill 接入个人ai中

佬 我做了一个有关企业agent方面的 包括意图识别等等 我可以先发一个示意图 你看看是不是你想要的

其实我做的这个agent中台的职责只是将用户的问题，意图识别之后，路由到对应的agent上，然后agent将对应的内容返回给中台，中台在返回给用户

做了一个有关企业

佬写的这个，好像和我的需求不太吻合，其实我做的这个agent中台的职责只是将用户的问题，意图识别之后，路由到对应的agent上，然后agent将对应的内容返回给中台，中台在返回给用户，整体的流程是这样的

直接用dify就行了，现在也支持agent非固定工作流模式了

嗷嗷嗷 我做的是后意图识别（说白了就是帮助企业监控员工ai行为并总结）你这种搭载的话肯定是需要写好agent提示词 另外需要一个作为中转 我的建议是其中信息传输这部分 最好启用透传

意图识别的方案的话建议关键词规则命中优先，然后llm进行兜底。

让你管理的Agent各自编写一下支持的能力标签、提示词示例。

用户输入问题后，基于用户的问题和你的Agent列表，丢给大模型分析下哪个最匹配，并让大模型基于提示词示例编写一段合适的提示词，丢给对应的Agent。

不过这里还需要解决用户输入的信息不足、没有合适的Agent等情况。

我们现在是做成了 两层路由层 根据用户提示词 找 业务,业务下面挂 了具体的agent 。

业务层：管理需求大类(有一个描述说明用途之类)

work agent :执行

具体业务agent 绑定不同工具，干不同的事情

用的：langgraph langgraph-supervisor

微服务的拆分,不同业务域划分到不同的路上节点

核心思想就是 信息论的信息熵

首先把所有的功能梳理出来，找出那些是要 agent 做，那些不用。

之前在做类似业务时，最开始场景相对简单，直接上了类似 LangGraph 的意图链路图，跑固定的 SOP，开始还符合预期。但随着意图种类激增，静态配置实在维护不过来，为了应对复杂的长尾请求，我们就引入了全局 Planner。结果是工具和意图一多，上下文急速膨胀，导致 LLM 的注意力严重分散，推理下降，幻觉增加。为了解决这些问题，我们现在在尝试混合架构兜底，不让 Planner 接管一切，宏观业务边界和安全底线依然交还给 Graph 状态机控制，Planner 只负责局部复杂的微观决策。也做了分层路由，引入多智能体协同，搞个轻量级的顶层 Router，把大任务分发给不同垂直领域的专属 Domain Planner，缩小单次决策的搜索空间。

我们也是差不多的中台概念，不过是以平台的形式可以自定义智能体agent。

路由过程分层的，按业务域做领域划分，领域下垂直划分实际场景，场景下划分MCP工具。

agent概念是单一或多场景的复合（一般不会重复），路由过程就分成了自上至下的三层搜索，由向量库提供依据，模型分层规划。