> ## Documentation Index
> Fetch the complete documentation index at: https://docs.shannon.run/llms.txt
> Use this file to discover all available pages before exploring further.
# 什么是 AI 智能体？
> 了解 Shannon 中的 AI 智能体
## 简介
**AI 智能体**是一个自主系统，能够感知环境、做出决策并采取行动以实现目标。在 Shannon 中，智能体是使用大型语言模型（LLM）和工具处理任务的基本执行单元。
## 智能体能力
Shannon 智能体可以：
使用 LLM 分析任务、规划解决方案并做出决策
调用函数、运行代码、搜索网络并与 API 交互
与其他智能体协作解决复杂的多步骤问题
通过模式学习和缓存结果不断改进
## 智能体生命周期
以下是智能体处理任务的流程：
智能体接收任务并分析需要完成的工作
LLM 创建计划，可能会分解为多个步骤
智能体识别需要使用哪些工具
迭代执行工具并处理结果
将结果组合成最终答案
## Shannon 中的智能体类型
### 单智能体（简单模式）
单个智能体处理整个任务而不进行分解。
**最适合：**
* 简单查询
* 事实检索
* 基本计算
* 快速响应
**示例：**
```python theme={null}
client.submit_task(
query="法国的首都是什么？"
)
```
Shannon 会自动为简单查询选择单智能体模式。
### 多智能体（标准/复杂模式）
多个专业智能体协同工作，由 Shannon 的编排器进行协调。
**最适合：**
* 复杂研究
* 多步骤工作流
* 需要不同专业知识的任务
* 需要并行处理的任务
**示例：**
```python theme={null}
client.submit_task(
query="研究前 5 大 AI 趋势，分析市场影响，并创建摘要"
)
```
Shannon 会根据查询复杂度自动将复杂查询分解为多智能体工作流。
## 智能体组件
### 1. LLM 大脑
由语言模型驱动的决策核心：
* **模型选择**：Shannon 根据任务复杂度自动选择模型
* 小型任务 → `gpt-5-mini`、`claude-haiku`
* 复杂任务 → `gpt-5`、`claude-opus`
* **上下文管理**：自动管理上下文窗口
* **缓存**：在适用时重用之前的 LLM 响应
### 2. 工具系统
智能体可以执行各种工具：
**内置工具：**
* Python 代码执行（WASI 沙箱隔离）
* 网络搜索（Google/Serper/Bing/Exa/Firecrawl）
* 文档检索
* 数学计算
**MCP 工具：**
Shannon 支持[模型上下文协议](https://modelcontextprotocol.io)进行外部工具集成。
**自定义工具：**
通过 OpenAPI 规范或 Python 实现添加您自己的工具。
### 3. 记忆系统
智能体维护两种类型的记忆：
**会话记忆：**
* 对话中的短期上下文
* 存储在 Redis（TTL 可配置，默认 30 天）
* 支持多轮对话
**向量记忆：**
* Qdrant 中的长期语义记忆
* 跨会话检索
* MMR 多样性获取相关上下文
## 平台配置
Shannon 的行为通过环境变量在平台级别进行配置：
```bash theme={null}
# 在 .env（示例）
DEFAULT_MODEL_TIER=small # small | medium | large
MAX_TOKENS_PER_REQUEST=10000 # 每次请求的令牌预算（LLM 服务）
MAX_COST_PER_REQUEST=0.50 # 每次请求的成本限制（美元，LLM 服务）
AGENT_TIMEOUT_SECONDS=600 # 代理执行超时（编排器）
# 重启服务以应用更改
docker compose restart
```
### 模型层级
Shannon 根据配置的层级自动选择模型：
| 层级 | 模型 | 用例 | 成本 |
| ---------- | ------------------------ | --------- | ------ |
| **SMALL** | gpt-5-nano、claude-haiku | 简单查询、高容量 | \$ |
| **MEDIUM** | gpt-5-mini、claude-sonnet | 通用目的 | \$\$ |
| **LARGE** | gpt-5.1、claude-opus | 复杂推理、关键任务 | \$\$\$ |
Shannon 的智能路由器为每个任务选择最具成本效益的模型，通常可节省 60–90% 的成本（取决于工作负载）。
有关所有可用环境变量，请参阅[配置指南](/cn/quickstart/configuration)。
## 智能体协调模式
Shannon 使用经过验证的认知模式进行多智能体协调：
### 思维链（CoT）
每个步骤都基于前一步构建的顺序推理：
```
任务："计算复利"
步骤 1：确定公式
步骤 2：收集输入
步骤 3：计算结果
步骤 4：格式化输出
```
### 思维树（ToT）
探索性回溯以解决复杂问题：
```
任务："设计系统架构"
分支 1：微服务方法
├─ 评估优缺点
└─ 估算复杂度
分支 2：单体方法
├─ 评估优缺点
└─ 估算复杂度
选择：根据标准选择最佳选项
```
### ReAct（推理 + 行动）
用于动态任务的推理和行动交替：
```
思考："我需要找到最新的股票价格"
行动：在网络上搜索"AAPL 股票价格"
观察："$150.25"
思考："现在计算 10% 的收益"
行动：计算 150.25 * 1.10
结果："$165.28"
```
## 安全性和隔离
Shannon 智能体在安全的环境中运行：
所有代码执行都在 WebAssembly 系统接口沙箱中进行，具有以下特性：
* **无网络访问**
* **只读文件系统**
* **内存限制**
* **执行超时**
### OPA 策略执行
控制智能体可以做什么：
```rego theme={null}
# 示例策略：按团队限制模型
package shannon.teams.datascience
allow {
input.team == "data-science"
input.model in ["gpt-5", "claude-sonnet"]
}
max_tokens = 50000 {
input.team == "data-science"
}
```
## 最佳实践
### 1. 选择正确的模式
* **简单**：单步任务、快速响应
* **标准**：多步任务、中等复杂度
* **复杂**：研究、分析、高级推理
### 2. 设置预算限制
在平台级别配置令牌和成本限制以防止意外费用：
```bash theme={null}
# 在 .env 文件中
MAX_TOKENS_PER_REQUEST=5000
MAX_COST_PER_REQUEST=1.0
```
通过任务状态监控成本：
```python theme={null}
status = client.get_status(task_id, include_details=True)
if status.token_usage:
print(f"成本：${status.token_usage.cost_usd:.4f}")
print(f"令牌：{status.token_usage.total_tokens}")
```
### 3. 使用会话保持上下文
对于多轮对话，使用一致的 `session_id`：
```python theme={null}
session_id = "user-123-conversation"
client.submit_task(query="...", session_id=session_id)
```
### 4. 监控性能
检查指标以优化：
```python theme={null}
# 等待任务完成
status = client.wait(handle.task_id, timeout=300)
if status.token_usage:
print(f"使用的令牌：{status.token_usage.total_tokens}")
print(f"成本：${status.token_usage.cost_usd:.4f}")
```
## 下一步
了解工作流模式
掌握预算管理
探索智能体 API
使用 SDK 构建
***
## 参与翻译
如果您想帮助翻译此文档，请访问我们的 [GitHub 仓库](https://github.com/Kocoro-lab/Shannon)。