自从在数据科学中引入 AI 以来，我们发现自己在工作流程中处理越来越多的 AI。从提示 LLMs，可能借助 RAG 程序，到开发 AI 代理，我们可以构建各种 AI 驱动的应用程序。根据他们的 AI 内容和自主级别，我们甚至可以建立一个应用程序层次结构。
本文将展示如何通过四个步骤在 KNIME 中构建代理系统。
代理应用可分为四个层级：
- 工具：执行特定任务，KNIME 工作流可作为工具，需能被外部应用调用。
- 智能工具：含 AI 任务，如摘要、翻译等，但自主能力有限。
- AI 工作流：按顺序组合工具完成复杂任务，工具序列由人工组装，自身也可成为工具。
- AI 代理：动态决定使用哪些工具，工具编排由 AI 驱动，处于层级顶部，也可作为工具为其他应用服务。
KNIME 的可视化工作流通过拖放界面用节点表示流程步骤，便于跟踪数据流、识别问题和解释逻辑，让组装代理应用和服务更简单，构建 AI 代理可总结为四个步骤。
四步构建 AI 代理
步骤 1：构建 KNIME 工作流
以客户保留任务为例，隔离不满意客户并进行后续营销，任务如下：
- 任务 A：收集数据：从 CRM 系统和社交媒体收集数据，属 ETL 任务，可作为简单工具。
- 任务 B：提取情绪：对评论文本进行情绪分析，借助 AI，可作为智能工具。
- 任务 C：隔离负面客户：用行过滤器提取负面情绪客户，也可融入任务 B。
- 任务 D：选择自定义礼品：从推荐引擎结果中选择礼品。
- 任务 E：检测语言：检测反馈语言，借助 AI 实现。
- 任务 F：发送礼品包：分为用 AI 生成道歉邮件文本和预览发送邮件两个子任务。
定义逻辑和任务后，构建包含上述任务区段的 KNIME 工作流。
步骤 2：从工作流到工具
隔离工作流段并转换为工具，需将工作流区段部署到服务或数据应用程序中。
- 手动或使用 Integrated Deployment 将工作流区段隔离到自己的工作流，可存储在本地或部署到 KNIME Hub。
- 在 Hub 上部署工作流程，先上传工作流，再进行版本控制并部署为服务，用容器输入和输出节点处理数据输入输出，为应用所有任务构建服务，可重用已有工具。
步骤 3：用 AI 工作流调用工具
用 Call Workflow 节点在 AI 工作流中调用工具，节点有多种风格，可调用本地或远程工作流程，需输入输出节点，可仅用工具调用或混合其他节点组装 AI 工作流。
- 工具是否转换为可重用工具，受可重用程度影响，如任务 F 拆分为两个任务，其中生成电子邮件文本可能对其他应用有用。
步骤 4：构建 AI 代理
让 AI 决定工具调用序列，提取工具描述输入 LLM，使其决定适合任务的工具。
- 用 Workflow Summary Extractor 节点提取工具描述，在 Chat Model Prompter 节点提示 LLM 选择工具。
- 将聊天模型插入递归循环，把最新工具和结果反馈给节点，让模型选择下一个工具，可添加人工循环步骤批准最终文本。
是否需要 AI 代理
构建 AI 代理是否比使用 AI 工作流程更方便取决于情况：
- 应用只按需运行一次，回收可用工具更有效。
- 应用是结构化环境一部分，构建完整 AI 代理有意义。
无论构建何种应用，都可使用 KNIME 中文分析平台，遵循四个步骤并在需要处停止。
