prompt比拖拉拽更适合新手做复杂agent！LangSmith+Milvus教程

过去一段时间，我们介绍了很多小白入门级的agent框架，也介绍了包括langchain在内的很多专业级agent搭建框架。

但总是会收到一些提问：完全不会写代码，但是想要搭建一套能解决复杂问题的agent系统，这个现实吗？

在相当长一段时间里，这个问题是无解的。因为这背后藏着一个悖论：很多入门级的产品，会选择拖拉拽式的大多数可视化工作流平台，看起来很直白简洁。但问题是，做生产级的复杂agent，各种调用以及逻辑关系错综复杂，进度只到一半，可能页面就已经连成了毛线团。

那怎么解决？

或许新手小白搭建复杂agent，回归prompt 工程，反而是一个更实用的办法。

这也是langchain不久前推出LangSmith Agent Builder 的原因，它跳出了画布的传统路径，而是将所有逻辑都收敛到 prompt，通过 LLM 来动态决策。

更人话一点翻译，就是Agent Builder 会引导你把自己的想法清晰表达出来，然后自动创建规范标准的提示词，并选择对应工具，然后帮助你搭建agent。

那么这个产品应该怎么用？最关键的记忆环节怎么搭建？本文将重点解读

01 Agent Builder 架构介绍：一个对话框，四个部分

Agent Builder 的界面极简，没有拖拽区、没有节点库，只有一个对话框。你在其中描述想做什么，系统通过提问来细化需求，最后生成一个完整的 Agent。这个 Agent 由四个部分构成：

Prompt是 Agent 的大脑。所有行为逻辑都写在这里，包括任务目标、工作流程、边界约束。Agent Builder 的 Meta Prompting 功能会通过多轮对话帮你扩展这个 prompt。比如你说"我要一个日程助手"，系统会追问：从哪里读取日程？发送到哪里？什么时间触发？这些回答会自动整合成一个详细的系统指令。

Tools是 Agent 与外界交互的接口。Agent Builder 基于 Model Context Protocol (MCP) 标准接入工具，内置了 Gmail、Slack、Linear 等常用服务的连接器。你也可以自建 MCP Server 来暴露内部 API。

对于需要向量检索能力的场景，Milvus 官方提供了和两个 MCP Server 实现。前者专注于向量数据的 CRUD 操作，后者则提供了完整的上下文管理能力。使用时需要注意：这些 MCP Server 需要在你的本地或服务器上运行并暴露服务端点，Agent Builder 才能通过网络调用访问。工具调用前需要 OAuth 授权，系统会在创建流程中引导你完成认证。

Triggers决定 Agent 何时启动。除了手动触发，还支持定时任务（每天早上 6 点）、事件监听（收到特定 Slack 频道消息）、Webhook 触发（外部系统推送）。Trigger 本质上是一个启动条件，满足条件就实例化一个新的执行线程。

Subagents用于任务拆解。主 Agent 可以通过 task 工具把子任务委托给专门的子 agent。每个子 agent 有独立的 prompt 和工具集，执行完毕后把结果返回给主 agent。这个机制继承自 DeepAgents 的 SubAgentMiddleware，避免了把所有逻辑塞进一个 prompt 导致的混乱。

02 Agent 怎么记住我的偏好？

Agent Builder 最有趣的设计是记忆机制。比如:Agent 正准备发送一条 Slack 消息，用户在 debug 模式下说："以后所有消息都要用诗歌结尾。“Agent 收到这个指令后，调用了 read_file 工具读取自己的记忆文件，然后用 edit_file 工具修改文件内容，在指令末尾加上"Always close the briefing with a short uplifting poem”。

这个记忆文件就是 Agent 的系统 prompt。每次 Agent 启动，都会读取这个文件作为指令上下文。用户的纠正会触发 Agent 去编辑这个文件，相当于 Agent 在运行时重写自己的行为规则。这比传统的 conversation history 更高效，因为修改是结构化的，而不是堆叠在对话历史的某一条消息里。

这套设计直接继承自 DeepAgents 的 FilesystemMiddleware。Agent Builder 把文件系统抽象成了记忆层，用户看不到底层的 ls、write_file、grep 调用，只能通过对话来引导 Agent 更新记忆。这降低了上手门槛，但也牺牲了一些控制粒度——如果你需要精细化管理记忆存储（比如把记忆持久化到 Milvus 进行语义检索），可以在 Agent Builder 中通过自定义 MCP Server（如）来接入，或者回到 DeepAgents 的代码层进行更深度的定制。

03 动手试试：10分钟搭个Milvus 顾问

前面我们了解了 Agent Builder 的设计理念，现在通过一个实操来走一遍构建流程。我们要构建一个能回答 Milvus 技术问题、搜索官方文档、记住用户偏好的智能助手。

1.登录LangChain官网

2.设置Anthropic API 密钥

说明：默认支持Anthropic，也支持自定义模型（类型列表由官方提供）

2.1添加密钥

2.2输入密钥并保存

3.新建Agent

说明：点击Learn More可以查看使用文档

3.1配置自定义模型（可选）

3.1.1输入参数并保存

4.描述需求创建Agent

说明：自然语言描述创建Agent

#英文描述

I need a Milvus technical consultant to help me answer technical questions about vector databases. 

Search the official documentation and remember my preference for the index type I use. 

========== 

#中文描述

需要一个 Milvus 技术顾问，帮我回答向量数据库的技术问题， 

搜索官方文档，记住我使用的索引类型偏好.

4.1系统会开始提问细化需求：

问题1：选择希望 Agent 记住的 Milvus 索引类型

问题2：选择希望 Agent 如何处理技术问题

问题3：选择Agent 专注Milvus 特定版本指导

5.确认生成的 Agent

说明：系统自动生成 Agent 配置

创建前可以查看元数据、工具、提示等信息，确认无误后点击创建

6.了解功能区域

创建完成后，你会看到左下角的三个功能区：

（1）Triggers（触发器）

让 Agent 响应外部事件或按时间表自动运行：

Slack：特定频道收到消息时激活

Gmail：收到邮件时触发

Cron：定时任务

（2）Toolbox（工具箱）

Agent 可调用的工具集。图中三个工具是创建时自动生成的，可通过 “Add tool” 添加更多。

如果你的 Agent 需要向量检索能力（比如在大量技术文档中做语义搜索），可以部署 Milvus 的 MCP Server，然后在这里通过"MCP"按钮添加自定义 MCP 服务端点。记得确保 MCP Server 已在可访问的网络地址上运行，Agent Builder 才能成功调用。

（3）Sub-agent（子代理）

创建专门处理特定子任务的独立代理模块，实现模块化设计：

7.测试 Agent

点击右上角 “Test” 进入测试模式，以下是部分测试结果展示

04 该选Agent Builder 还是 DeepAgents？

很多用户可能会对LangChain体系中眼花缭乱的agent框架感到一头雾水，比如都是做长周期任务，我们要选Agent  Builder 还是 DeepAgents。

DeepAgents内容可参考LangChain 最新agent框架deepagents测评：长任务友好，高可控

Agent Builder 适合快速原型和内部工具场景。你不需要关心底层实现，只要描述需求、配置工具、观察运行。记忆机制是托管的，工具调用是封装好的，人机协作通过 Inbox 界面完成。

DeepAgents 适合需要精细控制的生产场景。你可以自定义 middleware、替换 backend 存储（比如把记忆持久化到 Milvus）、接入任意 Python 工具、控制 agent 的状态图。代价是你需要写代码、管理依赖、处理错误。

两者的技术栈是连续的：Agent Builder 底层就是 DeepAgents，只是把配置能力从代码迁移到了对话界面。如果你在 Agent Builder 里验证了可行性，想要更灵活的部署方式，可以无缝切换到 DeepAgents。反过来，如果你用 DeepAgents 实现了某个模式，也可以把这个模式封装成 Agent Builder 的模板，让非技术人员复用。

LangSmith Agent Builder 把 Agent 开发的门槛从会写 Python降到了会描述需求。这个转变背后的技术支撑是 DeepAgents 三年来在规划、记忆、工具调用上的积累。现在这些能力不再是开发者的专属工具，而是每个人都能使用的生产力平台。

作者介绍

Zilliz黄金写手：尹珉

文章来自于“Zilliz”，作者 “尹珉”。