Back to Details

agent-workflow

Compare original and translation side by side

🇺🇸

Original

English
🇨🇳

Translation

Chinese

Agent Workflow Designer

Agent工作流设计器

Overview

概述

This skill guides the design and architecture of AI agent workflows using proven methodologies. When a user presents a problem, this skill helps structure an agent-based solution following the 9-step building process and 8-layer architecture framework validated at Meta.
本技能基于验证过的方法论，指导AI Agent工作流的设计与架构。当用户提出问题时，本技能会遵循Meta验证的9步构建流程和8层架构框架，帮助构建基于Agent的解决方案。

Workflow Decision Tree

工作流决策树

When a user shares a problem or requests agent design help:
  1. Assess the problem scope
    • Is the problem clearly defined? → Proceed to Problem Analysis
    • Is the problem vague? → Ask clarifying questions about desired outcomes and constraints
  2. Determine architecture complexity
    • Simple task (single action)? → Single agent with basic tools
    • Complex task (multiple sub-tasks)? → Consider multi-agent orchestration
    • Integration task (connecting systems)? → Focus on Layer 4 (Tooling) design
  3. Follow the appropriate workflow
    • New agent from scratch → Apply 9-Step Building Process
    • Existing agent improvement → Focus on specific layers needing enhancement
    • Tool integration problem → Apply MCP and tooling patterns
当用户分享问题或请求Agent设计帮助时：
  1. 评估问题范围
    • 问题是否定义清晰？→ 进入问题分析环节
    • 问题是否模糊？→ 询问关于预期结果和约束条件的澄清问题
  2. 确定架构复杂度
    • 简单任务（单一动作）？→ 配备基础工具的单Agent
    • 复杂任务（多个子任务）？→ 考虑多Agent编排
    • 集成任务（连接系统）？→ 重点设计第4层（工具层）
  3. 选择合适的工作流
    • 从零构建新Agent → 应用9步构建流程
    • 优化现有Agent → 聚焦需要改进的特定层级
    • 工具集成问题 → 应用MCP和工具集成模式

9-Step Agent Building Process

9步Agent构建流程

Use this sequential workflow when designing a new agent from scratch:
从零设计新Agent时，使用以下顺序工作流：

Step 1: Define Purpose and Scope

步骤1：定义目标与范围

Key principle: Start with job-to-be-done, not technology.
Ask the user:
  • What specific outcome does the end user need?
  • What are the constraints (budget, time, resources)?
  • What's the success metric?
Bad scope example: "An AI assistant for customer service"
Good scope example: "An agent that takes customer complaints, pulls order history from Shopify API, and drafts refund approvals for orders under $200"
Decision point: Narrow scope = better performance. Resist building Swiss Army knives.
核心原则： 从需完成的任务出发，而非技术。
询问用户：
  • 终端用户需要达成什么具体成果？
  • 有哪些约束条件（预算、时间、资源）？
  • 成功衡量标准是什么？
反面示例： "面向客户服务的AI助手"
正面示例： "一款接收客户投诉、从Shopify API调取订单历史、为200美元以下订单起草退款审批的Agent"
决策要点： 范围越窄，性能越好。避免打造"瑞士军刀"式的通用Agent。

Step 2: Structure Inputs and Outputs

步骤2：结构化输入与输出

Treat the agent as a function with structured interfaces:
Inputs:
  • Use JSON schemas or Pydantic models, not free text
  • Define required vs. optional fields
  • Specify data types and validation rules
Outputs:
  • Return data objects, not prose
  • Define clear error states
  • Include confidence scores when relevant
Example structure:
json
Input: {
  "complaint_text": "string",
  "customer_id": "string",
  "order_id": "string (optional)"
}

Output: {
  "action": "approve_refund | escalate | request_info",
  "refund_amount": "number",
  "reasoning": "string",
  "confidence": "number"
}
将Agent视为具备结构化接口的函数：
输入：
  • 使用JSON schema或Pydantic模型，而非自由文本
  • 定义必填与可选字段
  • 指定数据类型和验证规则
输出：
  • 返回数据对象，而非散文式文本
  • 定义清晰的错误状态
  • 相关场景下包含置信度评分
示例结构：
json
Input: {
  "complaint_text": "string",
  "customer_id": "string",
  "order_id": "string (optional)"
}

Output: {
  "action": "approve_refund | escalate | request_info",
  "refund_amount": "number",
  "reasoning": "string",
  "confidence": "number"
}

Step 3: Write System Instructions

步骤3：编写系统指令

Critical: Spend 80% of design time here.
Include in system prompt:
  • Role definition: "You are a sales qualification specialist..."
  • Behavioral guidelines: "Always ask for budget before proposing solutions"
  • Output format requirements: Specify JSON structure, word limits, tone
  • Edge case handling: What to do when data is missing or ambiguous
Testing strategy: A great system prompt can make GPT-3.5 outperform poorly prompted GPT-4.
关键提示： 投入80%的设计时间在此环节。
系统提示需包含：
  • 角色定义： "你是一名销售资质审核专员..."
  • 行为准则： "在提出解决方案前，始终询问预算情况"
  • 输出格式要求： 指定JSON结构、字数限制、语气
  • 边缘场景处理： 数据缺失或模糊时的应对方式
测试策略： 优秀的系统提示可让GPT-3.5的表现优于提示不佳的GPT-4。

Step 4: Enable Reasoning and External Actions

步骤4：启用推理与外部动作

ReAct Framework Pattern:
  1. Reason: Analyze the current state and decide next action
  2. Act: Call an API, use a tool, or make a decision
  3. Observe: Review the result and determine if goal is achieved
Start simple:
  • Begin with if/then logic before complex reasoning chains
  • Add tools incrementally (don't overwhelm with 50 tools at once)
  • Test each tool integration independently
Common tools to integrate:
  • Calculators for math operations
  • Web browsers for research
  • Database queries for data retrieval
  • API calls to external systems
ReAct框架模式：
  1. 推理： 分析当前状态，决定下一步动作
  2. 执行： 调用API、使用工具或做出决策
  3. 观察： 审查结果，判断是否达成目标
从简开始：
  • 先使用if/then逻辑，再引入复杂推理链
  • 逐步添加工具（不要一开始就集成50个工具）
  • 独立测试每个工具的集成效果
常见集成工具：
  • 用于数学运算的计算器
  • 用于调研的网页浏览器
  • 用于数据检索的数据库查询
  • 调用外部系统的API

Step 5: Orchestrate Multiple Agents (When Needed)

步骤5：多Agent编排（按需使用）

When to use multi-agent architecture:
  • Task has clearly separable sub-tasks
  • Different sub-tasks require different expertise
  • Parallel processing would improve speed
When NOT to use multi-agent:
  • Simple linear workflows
  • Tasks that require continuous context
  • When handoff complexity exceeds benefit
Common 4-agent pattern:
  1. Research Agent: Gathers information from sources
  2. Analysis Agent: Processes and synthesizes data
  3. Writing Agent: Creates structured outputs
  4. QA Agent: Reviews quality and accuracy
Keep handoffs simple: Complex orchestration = complex failures.
何时使用多Agent架构：
  • 任务包含可清晰拆分的子任务
  • 不同子任务需要不同专业能力
  • 并行处理可提升速度
何时不使用多Agent：
  • 简单线性工作流
  • 需要持续上下文的任务
  • 切换复杂度超过收益的场景
常见4-Agent模式：
  1. 调研Agent： 从各类来源收集信息
  2. 分析Agent： 处理并整合数据
  3. 撰写Agent： 创建结构化输出内容
  4. 质检Agent： 审查内容质量与准确性
简化切换流程： 复杂编排意味着复杂故障。

Step 6: Implement Memory and Context

步骤6：实现记忆与上下文管理

Three types of memory to consider:
Conversation history:
  • What happened this session
  • Recent user interactions
  • Current task state
User context:
  • User preferences and settings
  • Past interaction patterns
  • Historical decisions
Knowledge retrieval:
  • Relevant information from knowledge base
  • Similar past cases
  • Domain-specific context
Implementation guidance:
  • Start with simple conversation buffers
  • Add vector databases only when needing semantic search across large datasets
  • Consider memory retrieval latency in architecture
需考虑三类记忆：
对话历史：
  • 当前会话发生的内容
  • 近期用户交互记录
  • 当前任务状态
用户上下文：
  • 用户偏好与设置
  • 过往交互模式
  • 历史决策记录
知识检索：
  • 知识库中的相关信息
  • 类似过往案例
  • 领域特定上下文
实施指导：
  • 从简单的对话缓冲区开始
  • 仅在需要对大型数据集进行语义搜索时，再添加向量数据库
  • 架构设计中需考虑记忆检索延迟

Step 7: Add Multimedia Capabilities

步骤7：添加多媒体能力

Modern agents should handle:
  • Voice input/output for accessibility
  • Image understanding for visual tasks
  • Document processing (PDF, DOCX, spreadsheets)
Strategic approach: Add capabilities based on actual user needs, not "nice-to-haves."
现代Agent应支持：
  • 用于无障碍访问的语音输入/输出
  • 用于视觉任务的图像理解
  • 文档处理（PDF、DOCX、电子表格）
策略建议： 根据实际用户需求添加能力，而非"锦上添花"的功能。

Step 8: Format and Deliver Results

步骤8：格式化与交付结果

Output is your product's UX. Design outputs for:
Human consumption:
  • Clear formatting and structure
  • Scannable with headers and bullets
  • Professional appearance
System consumption:
  • Valid JSON/XML
  • Consistent field names
  • Error codes for handling
Quality standard: Great agent outputs look like a human created them.
输出即产品的用户体验。 设计输出时需兼顾：
人类阅读：
  • 清晰的格式与结构
  • 可快速浏览的标题与项目符号
  • 专业的呈现形式
系统调用：
  • 合法的JSON/XML格式
  • 一致的字段名称
  • 用于处理的错误码
质量标准： 优秀的Agent输出应看起来如同人类创作。

Step 9: Build Interface or API

步骤9：构建界面或API

Delivery method options:
  • Chat interface for conversational tasks
  • API endpoints for system integration
  • Integration with existing tools (Slack, email, CRM)
Best practice: The best agents feel invisible—they just make things happen.
交付方式选项：
  • 适用于对话任务的聊天界面
  • 用于系统集成的API端点
  • 与现有工具（Slack、邮件、CRM）集成
最佳实践： 优秀的Agent应"无形"——默默完成任务即可。

8-Layer Architecture Framework

8层架构框架

When analyzing agent architecture needs, consider which layers require attention:
分析Agent架构需求时，需明确哪些层级需要重点关注：

Layer 1: Infrastructure

第1层：基础设施

Foundation: Cloud, databases, APIs, compute resources
Key considerations:
  • GPU/TPU requirements for inference
  • Data storage and retrieval speed
  • Load balancing for scale
  • Monitoring and observability
Common mistake: Underestimating compute needs—agents make more API calls than traditional apps.
基础： 云服务、数据库、API、计算资源
关键考虑因素：
  • 推理所需的GPU/TPU
  • 数据存储与检索速度
  • 用于扩容的负载均衡
  • 监控与可观测性
常见误区： 低估计算需求——Agent的API调用量远超传统应用。

Layer 2: Agent Internet

第2层：Agent网络

Operating system for agents: Identity, state management, inter-agent communication
Current state: Mostly custom-built, but platforms like LangChain and CrewAI are emerging.
Agent的操作系统： 身份管理、状态管理、Agent间通信
当前现状： 大多为定制开发，但LangChain、CrewAI等平台正在兴起。

Layer 3: Protocol

第3层：协议

Standards for interoperability: MCP (Model Context Protocol) is becoming the standard
Key principle: Bet on open standards, not proprietary solutions. MCP allows any tool to work with any agent.
互操作性标准： MCP（Model Context Protocol）正成为通用标准
核心原则： 押注开放标准，而非专有解决方案。MCP可让任意工具与任意Agent协作。

Layer 4: Tooling Enrichment

第4层：工具增强

Agent superpowers: RAG systems, function calling, external integrations
Quality over quantity: 5 rock-solid tools > 50 flaky integrations
Tool categories:
  • Data retrieval (databases, APIs)
  • Computation (calculators, processors)
  • Communication (email, messaging)
  • Content creation (documents, reports)
Agent的超能力： RAG系统、函数调用、外部集成
质量优先： 5个可靠工具 > 50个不稳定集成
工具类别：
  • 数据检索（数据库、API）
  • 计算（计算器、处理器）
  • 通信（邮件、消息工具）
  • 内容创作（文档、报告）

Layer 5: Cognition Reasoning

第5层：认知推理

The brain: Planning, decision-making, error handling
Critical elements:
  • Guardrails to prevent hallucinations
  • Error recovery strategies
  • Confidence scoring
  • Graceful degradation
User forgiveness: Users forgive agents that fail gracefully, not ones that spiral into nonsense.
核心大脑： 规划、决策、错误处理
关键要素：
  • 防止幻觉的防护机制
  • 错误恢复策略
  • 置信度评分
  • 优雅降级
用户容错性： 用户会原谅优雅失败的Agent，而非陷入混乱的Agent。

Layer 6: Memory Personalization

第6层：记忆个性化

Human touch: Personal context, preferences, conversation history
Start simple: Store user preferences and conversation context before building complex personalization.
人文关怀： 用户个人上下文、偏好、对话历史
从简开始： 先存储用户偏好与对话上下文，再构建复杂个性化功能。

Layer 7: Application

第7层：应用层

User-facing products: The actual agent functionality users interact with
Focus strategy: Nail one use case before expanding to others.
用户面向的产品： 用户实际交互的Agent功能
聚焦策略： 先做好一个用例，再扩展其他场景。

Layer 8: Ops Governance

第8层：运维治理

Risk management: Monitoring, cost control, privacy, oversight
Build from day one: Retrofitting governance is expensive and painful.
Key components:
  • Cost tracking per agent action
  • Privacy enforcement and data handling
  • Human-in-the-loop for critical decisions
  • Audit logs and compliance
风险管理： 监控、成本控制、隐私、监督
从第一天开始构建： 事后补充治理成本高昂且痛苦。
关键组件：
  • 按Agent动作跟踪成本
  • 隐私合规与数据处理
  • 关键决策的人工介入
  • 审计日志与合规性

Problem-to-Solution Workflow

问题到解决方案的工作流

When a user presents a problem:
Step 1: Clarify the problem
  • What's the current manual process?
  • What's the desired outcome?
  • What are the constraints (time, cost, technical)?
  • What data sources are available?
Step 2: Assess agent appropriateness Not every problem needs an agent. Consider:
  • Is the task repetitive and rule-based?
  • Does it require decision-making with context?
  • Would automation provide significant value?
  • Is the problem scope clear and bounded?
Step 3: Map to architecture Using the 8 layers, identify which need focus:
  • Simple task → Focus on Layers 4, 5, 7 (tools, reasoning, application)
  • Complex integration → Add Layer 3 (protocol) emphasis
  • Scalability concern → Prioritize Layers 1, 8 (infrastructure, ops)
Step 4: Design workflow Apply the 9-step building process, calling out:
  • Critical decision points
  • Tool integration requirements
  • Multi-agent needs (if any)
  • Memory and context strategy
Step 5: Identify implementation path Based on user's role and resources:
  • For PMs: High-level architecture and tool selection
  • For engineers: Detailed technical implementation with code patterns
  • For product teams: Full stack from requirements to monitoring
当用户提出问题时：
步骤1：澄清问题
  • 当前手动流程是怎样的？
  • 预期成果是什么？
  • 有哪些约束条件（时间、成本、技术）？
  • 可用的数据来源有哪些？
步骤2：评估Agent适用性 并非所有问题都需要Agent。需考虑：
  • 任务是否重复且基于规则？
  • 是否需要结合上下文做决策？
  • 自动化能否带来显著价值？
  • 问题范围是否清晰且明确？
步骤3：映射到架构 利用8层架构，确定需重点关注的层级：
  • 简单任务 → 聚焦第4、5、7层（工具、推理、应用）
  • 复杂集成 → 加强第3层（协议）的设计
  • 扩容需求 → 优先关注第1、8层（基础设施、运维）
步骤4：设计工作流 应用9步构建流程，明确：
  • 关键决策点
  • 工具集成需求
  • 多Agent需求（如有）
  • 记忆与上下文策略
步骤5：确定实施路径 根据用户角色与资源：
  • 产品经理： 高层架构与工具选型
  • 工程师： 带代码模式的详细技术实现
  • 产品团队： 从需求到监控的全流程方案

Tool Integration Patterns

工具集成模式

MCP (Model Context Protocol) Integration

MCP（模型上下文协议）集成

When tools support MCP:
  1. Agent discovers available tools
  2. Agent calls tools using standardized interface
  3. Tool returns structured response
  4. Agent processes and continues workflow
Advantage: Write once, use with any agent.
当工具支持MCP时：
  1. Agent发现可用工具
  2. Agent通过标准化接口调用工具
  3. 工具返回结构化响应
  4. Agent处理响应并继续工作流
优势： 一次编写，可与任意Agent协作。

Custom API Integration

自定义API集成

When building custom integrations:
  1. Define clear API contract (inputs/outputs)
  2. Implement error handling and retries
  3. Add rate limiting and caching
  4. Monitor usage and costs
  5. Document for agent consumption
构建自定义集成时：
  1. 定义清晰的API契约（输入/输出）
  2. 实现错误处理与重试机制
  3. 添加限流与缓存
  4. 监控使用情况与成本
  5. 编写供Agent调用的文档

Common Integration Scenarios

常见集成场景

CRM Integration (Salesforce, HubSpot):
  • Read customer data
  • Create/update records
  • Search across objects
  • Trigger workflows
Communication Tools (Slack, Email):
  • Send messages/notifications
  • Read incoming requests
  • Monitor channels
  • Respond to mentions
Data Sources (Databases, APIs):
  • Query structured data
  • Retrieve documents
  • Search knowledge bases
  • Aggregate information
CRM集成（Salesforce、HubSpot）：
  • 读取客户数据
  • 创建/更新记录
  • 跨对象搜索
  • 触发工作流
通信工具集成（Slack、邮件）：
  • 发送消息/通知
  • 读取 incoming 请求
  • 监控频道
  • 回复提及消息
数据源集成（数据库、API）：
  • 查询结构化数据
  • 检索文档
  • 搜索知识库
  • 聚合信息

Decision Framework: Single vs. Multi-Agent

决策框架：单Agent vs 多Agent

Use Single Agent When:

适用单Agent的场景：

  • Task is linear and sequential
  • Context must be maintained throughout
  • Decision-making is unified
  • Complexity of orchestration > benefit
  • 线性顺序任务
  • 全程需保持上下文
  • 决策需统一
  • 编排复杂度超过收益

Use Multi-Agent When:

适用多Agent的场景：

  • Clear task separation exists
  • Sub-tasks need different expertise
  • Parallel processing improves performance
  • Quality benefits from specialization
Example - Customer Support:
Single agent sufficient for: "Take customer complaint, pull order history, draft refund approval"
Multi-agent beneficial for: "Monitor social media, categorize issues, research solutions, generate responses, escalate critical cases, track resolution"
  • 任务可清晰拆分
  • 子任务需要不同专业能力
  • 并行处理可提升性能
  • 专业化可提升质量
示例 - 客户支持：
单Agent即可胜任： "接收客户投诉、调取订单历史、起草退款审批"
多Agent更具优势： "监控社交媒体、分类问题、调研解决方案、生成回复、升级关键案例、跟踪解决进度"

Common Pitfalls and Solutions

常见陷阱与解决方案

Pitfall 1: Scope Creep

陷阱1：范围蔓延

Problem: Trying to build a general-purpose assistant Solution: Define narrow, specific job-to-be-done with clear success metrics
问题： 试图构建通用型助手 解决方案： 定义狭窄、具体的任务目标，明确成功衡量标准

Pitfall 2: Tool Overload

陷阱2：工具过载

Problem: Giving agent 50+ tools upfront Solution: Start with 5 essential tools, add incrementally based on actual needs
问题： 一次性给Agent配备50+工具 解决方案： 从5个核心工具开始，根据实际需求逐步添加

Pitfall 3: Skipping System Prompt

陷阱3：忽略系统提示

Problem: Generic or minimal instructions Solution: Invest 80% of time crafting detailed system prompt with examples and edge cases
问题： 使用通用或极简指令 解决方案： 投入80%的时间编写包含示例与边缘场景的详细系统提示

Pitfall 4: No Error Handling

陷阱4：无错误处理

Problem: Agent breaks on unexpected inputs Solution: Design graceful degradation, clear error states, and fallback behaviors
问题： Agent在意外输入下崩溃 解决方案： 设计优雅降级、清晰错误状态与 fallback 行为

Pitfall 5: Ignoring Costs

陷阱5：忽略成本

Problem: Runaway API costs from inefficient agent design Solution: Build cost monitoring from day one, implement caching, optimize prompt length
问题： 低效的Agent设计导致API成本失控 解决方案： 从第一天开始构建成本监控，实现缓存、优化提示长度

Pitfall 6: Over-Engineering Architecture

陷阱6：过度架构设计

Problem: Building all 8 layers simultaneously Solution: Start with Layers 4, 5, 7 (tools, reasoning, application), add others as needed
问题： 同时构建全部8层架构 解决方案： 从第4、5、7层（工具、推理、应用）开始，再按需添加其他层级

Output Format

输出格式

When providing agent workflow solutions, structure the response as:
  1. Problem Restatement: Confirm understanding of the user's need
  2. Agent Architecture Recommendation: Single vs. multi-agent, with rationale
  3. Step-by-Step Workflow: Apply relevant steps from the 9-step process
  4. Tool Integration Plan: Specific tools needed and integration approach
  5. Layer Analysis: Which of the 8 layers need focus and why
  6. Implementation Guidance: Prioritized next steps based on user's role
  7. Success Metrics: How to measure if the agent is working
提供Agent工作流解决方案时，按以下结构组织响应：
  1. 问题重述： 确认对用户需求的理解
  2. Agent架构建议： 单Agent或多Agent选型及理由
  3. 分步工作流： 应用9步流程中的相关步骤
  4. 工具集成计划： 所需具体工具与集成方式
  5. 层级分析： 需重点关注的8层架构及原因
  6. 实施指导： 根据用户角色确定优先下一步动作
  7. 成功指标： 如何衡量Agent的工作效果

Agent Taxonomy Quick Reference

Agent分类速查

When users ask about existing tools:
Category 1: Consumer Agents (Built-In)
  • Examples: ChatGPT Agent, Claude, Gemini, Grok
  • Best for: Quick tasks, research, content creation
  • User type: Everyone, especially PMs
Category 2: No-Code Builders
  • Examples: Zapier Central, n8n, Make
  • Best for: Workflow automation without coding
  • User type: PMs, operations teams
Category 3: Developer-First Platforms
  • Examples: LangChain, CrewAI, AutoGen, Swarm
  • Best for: Custom agent features in products
  • User type: Engineering teams
Category 4: Specialized Agent Apps
  • Examples: Cursor (coding), Perplexity (research), Notion AI (writing)
  • Best for: Specific job-to-be-done with deep specialization
  • User type: Domain-specific professionals
当用户询问现有工具时：
类别1：内置消费级Agent
  • 示例：ChatGPT Agent、Claude、Gemini、Grok
  • 最佳场景：快速任务、调研、内容创作
  • 用户群体：所有人，尤其是产品经理
类别2：无代码构建平台
  • 示例：Zapier Central、n8n、Make
  • 最佳场景：无需编码的工作流自动化
  • 用户群体：产品经理、运营团队
类别3：开发者优先平台
  • 示例：LangChain、CrewAI、AutoGen、Swarm
  • 最佳场景：在产品中构建自定义Agent功能
  • 用户群体：工程团队
类别4：专业Agent应用
  • 示例：Cursor（编码）、Perplexity（调研）、Notion AI（写作）
  • 最佳场景：具备深度专业化的特定任务
  • 用户群体：领域专业人士",