AI Agent Harness Engineering：破解办公场景效率瓶颈的终极方案

你是否曾有过这样的经历：

• 为了整理一份市场调研数据，连续3天泡在Excel里，眼睛盯着密密麻麻的单元格，生怕输错一个数字；
• 一场2小时的会议结束后，花1小时整理纪要、提取行动项，还可能遗漏重要内容；
• 同时打开10+个办公工具（Jira、Notion、Outlook、Salesforce……），在不同窗口之间切换得手忙脚乱；
• 每周花半天时间写周报，只是把各个工具里的进度复制粘贴过来，毫无创造力可言。

这些场景几乎是每个职场人的“日常噩梦”——我们本应借助数字化工具提升效率，却反而被工具“绑架”，陷入了“工具越多，效率越低”的悖论。

今天，我将和大家分享一个正在颠覆传统办公模式的技术方案：AI Agent Harness Engineering（AI Agent 框架工程）。通过构建定制化的AI Agent，我们可以把重复、繁琐、耗时的工作交给机器，让人类专注于真正需要创造力、判断力和情感交流的工作。

在这篇文章中，我们将：

1. 深入剖析办公场景中最常见的效率瓶颈；
2. 讲解AI Agent Harness Engineering的核心概念和架构；
3. 手把手教你为典型办公场景定制AI Agent（附完整Python代码）；
4. 分享AI Agent的测试、优化和最佳实践；
5. 展望AI Agent在办公领域的未来发展趋势。

文章最后，我还会为你准备一套“OfficeHarness”原型项目的完整设计方案，让你可以直接上手实践。

话不多说，让我们开始这场“效率革命”之旅！

一、引言：我们正在陷入怎样的办公效率困境？

1.1 痛点引入：那些让我们心力交瘁的办公日常

我先给大家讲一个真实的故事——这是我一个在互联网公司做市场调研的朋友的经历：

上个月，老板让他做一份“2024年Q1国内智能手表市场调研报告”，要求包含10个主流品牌的销量数据、用户评价、价格趋势、竞品分析，还要有可视化图表和结论建议， deadline是5天后。

接到任务后，他立刻开始忙起来：

• 第一天：爬取京东、天猫、拼多多的销量数据，手动整理成Excel——光是清洗重复数据、统一格式就花了4小时；
• 第二天：从微博、小红书、知乎上搜集用户评价，用关键词筛选出正面/负面评价，手动统计词频——眼睛都看花了；
• 第三天：查行业报告网站（比如艾瑞、易观），下载付费报告，提取关键数据——又花了不少钱；
• 第四天：用Python的Matplotlib画图表，写报告的初稿——图表改了一遍又一遍，报告写得头大；
• 第五天：修改报告，给老板审核，根据反馈调整——终于在截止时间前10分钟交了上去。

报告交上去后，他累得在工位上睡了半小时——但他告诉我，这5天里，真正有“价值”的工作其实只有最后写结论建议的那2小时，其他时间都是在做“机械劳动”。

相信很多朋友都有过类似的经历：我们的时间被大量无创造力的、重复的、流程性的工作占据，而这些工作本可以被自动化。

根据麦肯锡2023年的一份报告，全球职场人平均有60%的工作时间花在可以被自动化的任务上，其中：

• 数据收集与整理：占比28%
• 内容创作与编辑：占比15%
• 跨工具任务协调：占比12%
• 基础决策支持：占比5%

如果我们能把这60%的时间解放出来，不仅能大幅提升工作效率，还能让我们有更多时间去做真正有意义的事——比如创新、思考、和团队沟通。

1.2 解决方案概述：AI Agent Harness Engineering 是什么？

要解决这些效率瓶颈，传统的工具（比如RPA、简单的ChatGPT插件）已经不够用了：

• RPA（机器人流程自动化）：虽然能自动化流程，但只能处理“规则明确、数据结构化”的任务，遇到稍微复杂的场景（比如理解自然语言、处理非结构化数据）就无能为力了；
• 简单的ChatGPT插件：比如ChatPDF、Grammarly，虽然能解决单个痛点，但无法处理跨工具、多步骤的复杂任务，也无法和企业的现有系统深度集成。

而AI Agent Harness Engineering正是为了解决这些问题而生的——它是一种“构建、部署、管理定制化AI Agent的工程方法论”。

那么，什么是AI Agent？简单来说，AI Agent是一种“能感知环境、自主决策、主动执行任务”的智能系统——它就像你的一个“数字员工”，可以理解你的指令，调用各种工具（比如办公软件、API、数据库），自主完成复杂的工作流。

而**Harness Engineering（框架工程）**则是指：我们不应该从零开始构建AI Agent，而是应该基于成熟的“框架（Harness）”来快速搭建、定制、优化Agent——就像我们用React框架快速开发Web应用一样，用Harness框架可以让AI Agent的开发效率提升10倍以上。

AI Agent Harness Engineering的核心优势在于：

1. 自主性：Agent可以自主规划任务、调用工具、处理异常，不需要人类一步步指导；
2. 灵活性：可以根据不同的办公场景定制Agent，处理结构化/非结构化数据、跨工具任务；
3. 可扩展性：可以轻松添加新的工具、新的功能，适应不断变化的办公需求；
4. 人机协作：Agent不是替代人类，而是辅助人类——关键环节仍由人类决策，Agent只负责执行机械劳动。

1.3 最终效果展示：用了AI Agent之后，效率提升了多少？

口说无凭，我们先来看一组数据——这是我帮朋友搭建的“市场调研Agent”的测试结果：

任务环节	手动完成时间	Agent完成时间	效率提升率
数据爬取与整理	8小时	30分钟	93.75%
用户评价分析	6小时	20分钟	94.44%
行业报告提取	3小时	10分钟	94.44%
可视化图表生成	4小时	15分钟	93.75%
报告初稿撰写	5小时	1小时	80.00%
总计	26小时	2小时15分钟	91.35%

朋友用了这个Agent之后，原本5天的工作只需要半天就能完成——剩下的时间，他可以用来分析报告、和老板沟通、或者做更有创新性的市场活动策划。

除了市场调研，AI Agent还可以应用在很多办公场景：

• 会议纪要：自动录音转文字、提取关键信息、生成行动项、同步到任务管理工具；
• 简历筛选：自动解析简历、匹配岗位要求、生成面试问卷、安排面试；
• 项目周报：自动同步Jira/Trello/GitHub进度、生成周报、识别项目风险；
• 客户服务：自动回复常见问题、整理客户反馈、生成工单、协调技术支持。

看到这里，你是不是已经迫不及待想知道怎么构建这样的AI Agent了？别着急，我们先从基础概念开始讲起。

二、准备工作：搞懂这些概念，你才能玩转AI Agent

在开始构建AI Agent之前，我们需要先掌握一些核心概念和基础工具——这就像盖房子之前要先准备好材料和图纸一样。

2.1 核心概念扫盲：从LLM到AI Agent Harness

2.1.1 大语言模型（LLM）：AI Agent的“大脑”

大语言模型（Large Language Model，LLM）是AI Agent的核心——它就像Agent的“大脑”，负责理解自然语言、推理、决策、生成内容。

目前主流的LLM有：

• 闭源模型：OpenAI GPT-4、GPT-3.5、Claude 3、Google Gemini；
• 开源模型：Meta Llama 3、Mistral、Qwen（通义千问）、ChatGLM。

对于办公场景来说，闭源模型（比如GPT-4）的效果通常更好，但如果你的数据很敏感，可以选择开源模型进行私有化部署。

2.1.2 AI Agent：能“思考”、能“行动”的智能系统

AI Agent的定义有很多，但在办公场景中，我们可以把它理解为：基于LLM的、能调用工具的、自主完成任务的智能系统。

一个完整的AI Agent通常包含以下5个核心模块：

1. 感知层（Perception）：负责“感知”环境——比如获取用户指令、读取文件、调用API获取数据、语音转文字、OCR识别图片；
2. 推理层（Reasoning）：负责“思考”——比如理解用户需求、规划任务步骤、推理问题答案、生成提示词；
3. 工具调用层（Tool Use）：负责“动手”——比如调用办公软件API（Notion、Jira、Outlook）、数据库、搜索引擎、Python代码执行器；
4. 执行层（Execution）：负责“执行”任务——比如按照规划的步骤依次调用工具、处理执行结果、处理异常；
5. 反馈层（Feedback）：负责“学习”——比如收集用户反馈、优化任务规划、调整提示词、甚至微调模型。

我们可以用一张mermaid架构图来展示AI Agent的核心结构：

2.1.3 Harness Engineering：快速构建AI Agent的“脚手架”

“ Harness”这个词的本意是“马具、挽具”——它可以把马的力量有效地传递给马车，让马车跑得更快更稳。而在AI Agent领域，**Harness（框架）**就是一套“把LLM、工具、感知模块、反馈模块整合起来的脚手架”——它可以让我们快速构建、部署、管理AI Agent，而不需要从零开始写代码。

目前主流的AI Agent Harness框架有：

• LangChain：最流行的Agent框架之一，支持多种LLM、工具、记忆模块，社区非常活跃；
• LlamaIndex（GPT Index）：专注于“连接LLM和私有数据”，适合做基于企业知识库的Agent；
• AutoGPT：最早的“自主Agent”之一，适合做探索性任务，但稳定性较差；
• Microsoft Semantic Kernel：微软官方的Agent框架，适合和Microsoft 365集成；
• Custom Harness：如果以上框架都不满足需求，你也可以自己构建定制化的Harness。

在这篇文章中，我们将使用LangChain作为主要的Harness框架——因为它的文档最完善、社区最活跃、功能最全面，非常适合初学者入门。

2.2 环境/工具准备：搭建你的AI Agent开发环境

工欲善其事，必先利其器——在开始写代码之前，我们需要先搭建好开发环境。

2.2.1 软件环境要求

• 操作系统：Windows 10/11、macOS、Linux（推荐Ubuntu 22.04）；
• Python版本：Python 3.10或以上（因为LangChain的很多新功能需要Python 3.10+）；
• 代码编辑器：VS Code（推荐安装Python插件、LangChain插件）；
• API密钥：OpenAI API密钥（用于调用GPT-4/GPT-3.5）、其他工具的API密钥（比如Notion、Jira、Todoist）。

2.2.2 步骤1：安装Python 3.10+

如果你还没有安装Python，可以去Python官网下载最新版本——安装时记得勾选“Add Python to PATH”。

安装完成后，打开终端（Windows用PowerShell，macOS/Linux用Terminal），输入以下命令检查Python版本：

python --version
# 或者
python3 --version

如果输出类似“Python 3.10.12”的内容，说明安装成功。

2.2.3 步骤2：创建虚拟环境（推荐）

为了避免依赖冲突，我们最好创建一个虚拟环境——在终端中输入以下命令：

# 创建虚拟环境（venv是虚拟环境的名称，你可以自定义）
python -m venv venv

# 激活虚拟环境
# Windows PowerShell：
venv\Scripts\Activate.ps1
# Windows CMD：
venv\Scripts\activate.bat
# macOS/Linux：
source venv/bin/activate

激活虚拟环境后，终端的提示符前面会出现(venv)——这说明你已经进入了虚拟环境。

2.2.4 步骤3：安装依赖库

我们需要安装以下依赖库：

• langchain：LangChain核心框架；
• langchain-openai：LangChain的OpenAI集成模块；
• langchain-community：LangChain的社区工具集成模块（包含Notion、Jira等工具的封装）；
• python-dotenv：用于管理环境变量（比如API密钥）；
• pandas：用于处理数据；
• openpyxl：用于读写Excel文件；
• requests：用于调用API。

在终端中输入以下命令安装这些依赖：

pip install langchain langchain-openai langchain-community python-dotenv pandas openpyxl requests

安装可能需要几分钟——如果下载速度慢，可以用国内的镜像源：

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple langchain langchain-openai langchain-community python-dotenv pandas openpyxl requests

2.2.5 步骤4：配置API密钥

为了安全起见，我们不要把API密钥直接写在代码里——而是用python-dotenv来管理环境变量。

首先，在项目根目录下创建一个名为.env的文件，内容如下：

# OpenAI API密钥（去 https://platform.openai.com/api-keys 申请）
OPENAI_API_KEY="你的OpenAI API密钥"

# 其他工具的API密钥（可选，后面需要用的时候再配置）
NOTION_API_KEY="你的Notion API密钥"
TODOIST_API_KEY="你的Todoist API密钥"

注意：.env文件包含敏感信息，一定要把它添加到.gitignore文件中，避免上传到GitHub！

接下来，在项目根目录下创建一个.gitignore文件，内容如下：

# 虚拟环境
venv/
__pycache__/

# 环境变量
.env

# 操作系统文件
.DS_Store
Thumbs.db

# 日志文件
*.log

2.3 基础知识要求：你需要掌握这些前置知识

虽然LangChain已经帮我们封装了很多复杂的功能，但为了更好地理解和定制AI Agent，你最好具备以下基础知识：

1. Python基础：变量、函数、类、异常处理、文件操作；
2. API调用基础：知道什么是REST API，怎么用requests库调用API；
3. JSON/YAML基础：能看懂和处理JSON/YAML格式的数据；
4. 提示词工程（Prompt Engineering）基础：知道怎么写高质量的提示词，让LLM输出更好的结果。

如果你对这些知识不太熟悉，可以参考以下学习资源：

• Python基础：廖雪峰的Python教程；
• API调用基础：阮一峰的REST API教程；
• 提示词工程基础：OpenAI官方提示词工程指南、吴恩达的ChatGPT提示词工程课程。

三、核心步骤1：识别办公场景的效率瓶颈——找到最值得解决的问题

在开始构建AI Agent之前，我们首先要做的不是写代码，而是识别办公场景中最常见、最痛点、最值得解决的效率瓶颈——因为只有解决了真正的痛点，AI Agent才能体现出它的价值。

根据我对多个行业（互联网、金融、教育、制造业）的调研，办公场景中最常见的效率瓶颈可以分为以下5大类：

3.1 瓶颈1：数据处理与整理——“人工Excel”的噩梦

3.1.1 痛点描述

数据处理与整理是最常见的办公痛点之一——几乎每个职场人都要和Excel、CSV、JSON打交道。常见的场景包括：

• 从多个来源（电商平台、社交媒体、数据库、API）收集数据，合并到一个表格里；
• 清洗数据：删除重复项、填充缺失值、统一格式（比如日期格式、货币格式）；
• 数据转换：把非结构化数据（比如文本、图片）转换成结构化数据；
• 数据统计：计算平均值、总和、百分比，生成数据透视表；
• 数据可视化：用图表展示数据趋势。

这些工作不仅耗时久，而且容易出错——比如我之前的那个市场调研朋友，就曾因为手动输错一个销量数据，导致整个报告的结论都错了，被老板骂了一顿。

3.1.2 效率损失量化

我们可以用一个简单的公式来量化数据处理的效率损失：
$$\text{Annual Time Loss}=N\times T_{\text{per task}}\times F$$
其中：

• $N$：团队人数；
• $T_{\text{per task}}$：单次数据处理任务的耗时；
• $F$：每年完成该任务的频率。

举个例子：假设一个10人的市场团队，每人每周要做1次数据整理，每次耗时4小时——那么每年的时间损失就是：
$$10\times 4\times 52=2080\text{小时}\approx 260\text{个工作日}$$
这相当于1个员工全年都在做数据整理——这是多么大的浪费！

3.2 瓶颈2：内容创作与编辑——“复制粘贴”的重复劳动

3.2.1 痛点描述

内容创作与编辑也是办公场景中非常耗时的工作——常见的场景包括：

• 写邮件、写报告、写周报、写方案；
• 翻译文档、校对文本、修改格式；
• 生成社交媒体文案、产品描述、新闻稿；
• 整理会议纪要、提取行动项、总结文档内容。

虽然这些工作需要一定的创造力，但大部分内容其实是“套路化”的——比如周报的格式通常是“本周工作、下周计划、风险与问题”，会议纪要的格式通常是“会议主题、参会人员、关键内容、行动项”。

3.2.2 效率损失量化

同样，我们可以量化内容创作的效率损失：假设一个5人的内容团队，每人每周要写2篇文章，每篇文章耗时8小时——那么每年的时间损失就是：
$$5\times 8\times 2\times 52=4160\text{小时}\approx 520\text{个工作日}$$
如果用AI Agent来生成初稿，人工只需要审核和调整——假设效率提升60%，那么每年可以节省2496小时，相当于312个工作日。

3.3 瓶颈3：跨工具任务协调——“在10+个窗口之间切换”

3.3.1 痛点描述

现在的职场人通常要同时使用很多办公工具——比如：

• 沟通工具：企业微信、钉钉、Slack、Teams；
• 任务管理：Jira、Trello、Notion、Todoist；
• 文档协作：飞书文档、Google Docs、Microsoft 365；
• 客户关系：Salesforce、纷享销客、Zoho；
• 项目管理：Microsoft Project、Asana、Monday.com。

这些工具之间往往是“数据孤岛”——比如你在Jira里更新了任务进度，还要手动去Notion里同步，再去企业微信群里通知团队成员——这种“跨工具切换”不仅耗时，而且容易遗漏。

3.3.2 痛点场景示例

比如一个项目经理的日常工作流可能是这样的：

1. 早上打开Jira，查看团队成员的任务进度；
2. 打开GitHub，查看代码提交情况；
3. 打开Notion，更新项目周报；
4. 打开企业微信，在项目群里通知大家周报已更新；
5. 打开Outlook，给老板发一份周报的邮件；
6. 下午打开Salesforce，查看客户反馈；
7. 打开Todoist，把客户反馈转换成任务；
8. 打开Jira，把任务分配给团队成员；
9. 打开企业微信，通知相关成员。

这个工作流可能要花2-3小时——但如果用AI Agent，只需要10分钟就能完成！

3.4 瓶颈4：基础决策支持——“找不到数据，做不出决策”

3.4.1 痛点描述

虽然现在企业有很多数据，但这些数据往往分散在不同的系统里——当你需要做决策的时候，很难快速找到相关的数据，更别说分析数据了。

常见的场景包括：

• 销售经理想知道“上个月哪个产品卖得最好？哪个区域的业绩最差？”；
• 运营经理想知道“本周的用户留存率是多少？哪个渠道的获客成本最低？”；
• 人力资源经理想知道“本月的员工离职率是多少？离职原因主要是什么？”。

要回答这些问题，你可能需要去好几个系统里查数据，然后整理成表格，再做分析——这可能要花好几天时间，等你分析完，决策的最佳时机可能已经过去了。

3.4.2 效率损失量化

根据Gartner的一份报告，企业管理者平均有30%的时间花在“寻找和分析数据”上——如果用AI Agent来做基础决策支持，把这30%的时间解放出来，管理者就可以有更多时间去做战略规划和团队管理。

3.5 瓶颈5：会议管理——“不是在开会，就是在去开会的路上”

3.5.1 痛点描述

会议管理是另一个巨大的效率瓶颈——据统计，全球职场人平均每周要花8-10小时在会议上，其中有30%的会议是“无效会议”。

会议相关的痛点包括：

• 会议前：协调参会人员的时间、预订会议室、准备会议材料；
• 会议中：做会议纪要、记录关键内容、跟踪行动项；
• 会议后：整理会议纪要、发送给参会人员、把行动项同步到任务管理工具、跟踪行动项的完成情况。

这些工作不仅耗时，而且容易出错——比如会议纪要遗漏了重要内容，或者行动项没有分配给正确的人，导致任务无法完成。

3.6 如何选择第一个要解决的痛点？

现在我们已经识别了5大类效率瓶颈——但我们不可能同时解决所有问题，那么应该先选择哪个痛点呢？

我给大家推荐一个“痛点评估矩阵”——我们可以从**价值（解决后能带来多少效率提升）和可行性（用AI Agent解决的难度）**两个维度来评估痛点：

	高价值	低价值
高可行性	✅ 优先解决（比如会议纪要、数据整理）	❌ 可以做，但不是重点
低可行性	📅 长期规划（比如复杂的战略决策）	❌ 不要做

对于初学者来说，我建议你从高价值、高可行性的痛点切入——比如“会议纪要生成”或“Excel数据整理”——因为这些痛点很常见，解决起来难度不大，而且能快速看到效果，增强你的信心。

四、核心步骤2：AI Agent Harness Engineering的核心组件设计——搭建Agent的“骨架”

在选好了要解决的痛点之后，我们接下来要做的就是设计AI Agent Harness的核心组件——这就像盖房子之前要先画好结构图一样，只有结构设计合理，房子才能盖得又快又稳。

在这一章中，我们将以“会议纪要Agent”为例，讲解如何设计一个完整的AI Agent Harness——这个Agent的功能是：

1. 接收用户上传的会议录音文件；
2. 把录音转换成文字；
3. 预处理文字（去除口语化内容、分段）；
4. 提取会议的关键信息（会议主题、参会人员、时间、地点）；
5. 生成会议摘要；
6. 提取行动项（包括任务内容、负责人、截止时间）；
7. 把会议纪要和行动项同步到Notion和Todoist；
8. 把结果发送给用户。

4.1 组件1：感知层（Perception）——让Agent“看见”和“听见”

感知层的作用是让Agent获取环境信息和用户输入——对于“会议纪要Agent”来说，感知层需要处理以下输入：

1. 用户指令：比如“帮我生成这份会议录音的纪要”；
2. 会议录音文件：比如MP3、WAV格式的音频文件；
3. 上下文信息：比如会议的主题、参会人员（如果用户提前提供的话）。

4.1.1 子组件1：语音识别（ASR）——把录音转换成文字

语音识别（Automatic Speech Recognition，ASR）是感知层的核心子组件之一——它的作用是把音频文件转换成文字。

目前主流的ASR服务有：

• 闭源服务：OpenAI Whisper API、Google Speech-to-Text、阿里云语音识别；
• 开源模型：OpenAI Whisper（本地运行）、FunASR（阿里开源）。

对于“会议纪要Agent”来说，我推荐使用OpenAI Whisper——因为它的准确率很高，支持多种语言，而且可以通过API调用，也可以本地运行（如果数据敏感的话）。

4.1.2 子组件2：文件读取与解析——让Agent读取各种格式的文件

除了音频文件，Agent可能还需要读取其他格式的文件——比如Word文档、PDF、Excel、TXT等。

LangChain的langchain-community模块已经封装了很多文件读取器（Document Loaders）——比如：

• TextLoader：读取TXT文件；
• PyPDFLoader：读取PDF文件；
• Docx2txtLoader：读取Word文档；
• UnstructuredExcelLoader：读取Excel文件；
• DirectoryLoader：读取整个目录下的文件。

4.1.3 子组件3：API数据获取——让Agent连接外部系统

如果Agent需要从外部系统获取数据（比如从Notion获取之前的会议纪要，从Salesforce获取客户信息），我们可以用API数据获取子组件。

LangChain封装了很多常用工具的API集成——比如Notion、Jira、GitHub、Google Calendar等，我们可以直接使用，不需要自己写API调用代码。

4.2 组件2：推理层（Reasoning）——让Agent“思考”

推理层是AI Agent的“大脑”——它的作用是理解用户需求、规划任务步骤、推理问题答案、生成内容。

对于“会议纪要Agent”来说，推理层需要完成以下任务：

1. 理解用户需求：比如用户是只需要摘要，还是需要完整的纪要和行动项？
2. 预处理文本：去除口语化内容（比如“那个”、“嗯”、“啊”）、分段、修正错别字；
3. 提取关键信息：会议主题、参会人员、时间、地点；
4. 生成会议摘要：用简洁的语言总结会议的核心内容；
5. 提取行动项：识别会议中提到的任务，提取任务内容、负责人、截止时间；
6. 规划后续步骤：比如先把纪要同步到Notion，再把行动项同步到Todoist。

4.2.1 核心技术1：提示词工程（Prompt Engineering）——和LLM“沟通”的艺术

提示词工程是推理层的核心技术——因为LLM的输出质量很大程度上取决于提示词的质量。

一个高质量的提示词通常包含以下要素：

1. 角色（Role）：告诉LLM它扮演什么角色——比如“你是一位专业的会议纪要员，有10年的会议纪要经验”；
2. 任务（Task）：告诉LLM要完成什么任务——比如“请根据以下会议录音的文字内容，生成一份完整的会议纪要”；
3. 上下文（Context）：给LLM提供必要的背景信息——比如“这次会议是关于‘2024年Q2产品规划’的，参会人员有产品经理、开发经理、设计经理”；
4. 格式（Format）：告诉LLM输出的格式——比如“请用JSON格式输出，包含以下字段：meeting_topic, attendees, meeting_time, meeting_summary, action_items（每个action_item包含content, assignee, deadline）”；
5. 示例（Examples）：给LLM提供几个示例（Few-shot Learning）——这可以大幅提升输出质量；
6. 约束（Constraints）：告诉LLM不要做什么——比如“不要添加任何会议中没有提到的内容，不要使用口语化的语言”。

下面是一个“会议纪要提取”的提示词示例：

【角色】
你是一位专业的会议纪要员，有10年的科技公司会议纪要经验。你擅长从冗长的会议录音中提取关键信息，生成简洁、清晰、结构化的会议纪要。

【任务】
请根据以下会议录音的文字内容，完成以下任务：
1.  提取会议的关键信息：会议主题、参会人员、会议时间；
2.  生成会议摘要：用300-500字总结会议的核心内容，不要遗漏重要决策；
3.  提取行动项：识别会议中提到的所有任务，每个任务需要包含：
    - content：任务内容（清晰、具体）；
    - assignee：负责人（如果提到了姓名，用姓名；如果没有，用角色，比如“产品经理”）；
    - deadline：截止时间（如果提到了具体日期，用YYYY-MM-DD格式；如果没有，用“待定”）。

【上下文】
会议文字内容：
---
{meeting_transcript}
---

【输出格式】
请严格用JSON格式输出，不要包含任何其他文字：
```json
{
  "meeting_topic": "会议主题",
  "attendees": ["参会人员1", "参会人员2"],
  "meeting_time": "会议时间（如果没有提到，用“待定”）",
  "meeting_summary": "会议摘要",
  "action_items": [
    {
      "content": "任务内容1",
      "assignee": "负责人1",
      "deadline": "截止时间1"
    },
    {
      "content": "任务内容2",
      "assignee": "负责人2",
      "deadline": "截止时间2"
    }
  ]
}

【示例】
如果会议文字内容是：

张经理（产品经理）：大家好，今天我们开2024年Q2产品规划会，参会的有李开发、王设计。首先说一下，我们Q2的核心目标是提升用户留存率10%。

李开发（开发经理）：好的，我这边需要先做一个用户留存率的数据分析，看看现在的问题出在哪里——我下周五之前完成。

王设计（设计经理）：我这边需要设计一个新的用户引导流程，配合李开发的数据分析——我下周三之前出原型。

张经理：好的，那就这么定了。下周一我们再开一次会，同步进度。

那么输出应该是：

{
  "meeting_topic": "2024年Q2产品规划会",
  "attendees": ["张经理（产品经理）", "李开发（开发经理）", "王设计（设计经理）"],
  "meeting_time": "待定",
  "meeting_summary": "本次会议是2024年Q2产品规划会，参会人员包括产品经理张经理、开发经理李开发、设计经理王设计。会议的核心目标是Q2提升用户留存率10%。李开发将负责完成用户留存率的数据分析，王设计将负责设计新的用户引导流程。下周一将再次开会同步进度。",
  "action_items": [
    {
      "content": "完成用户留存率的数据分析",
      "assignee": "李开发（开发经理）",
      "deadline": "2024-XX-XX（下周五）"
    },
    {
      "content": "设计新的用户引导流程原型",
      "assignee": "王设计（设计经理）",
      "deadline": "2024-XX-XX（下周三）"
    },
    {
      "content": "召开进度同步会",
      "assignee": "张经理（产品经理）",
      "deadline": "2024-XX-XX（下周一）"
    }
  ]
}

【约束】

1. 不要添加任何会议中没有提到的内容；
2. 不要使用口语化的语言，要正式、简洁；
3. 行动项要清晰、具体，不要模糊；
4. 严格按照JSON格式输出，不要有语法错误。

#### 4.2.2 核心技术2：思维链（Chain of Thought，CoT）——让LLM“一步步思考”
对于复杂的推理任务，我们可以用**思维链（Chain of Thought，CoT）**技术——就是让LLM把思考过程写出来，而不是直接给出答案。

比如在提取行动项的时候，我们可以让LLM先列出会议中提到的所有可能的任务，然后再筛选出真正的行动项，最后提取每个行动项的内容、负责人、截止时间。

思维链可以大幅提升LLM的推理准确率——特别是对于复杂的数学题、逻辑题、多步骤任务。

#### 4.2.3 核心技术3：任务规划（Task Planning）——让Agent“知道先做什么，后做什么”
对于多步骤的复杂任务，我们需要让Agent**自主规划任务步骤**——比如“会议纪要Agent”的任务步骤可能是：
1.  读取会议录音文件；
2.  调用Whisper API把录音转换成文字；
3.  预处理文字；
4.  调用LLM提取关键信息、生成摘要、提取行动项；
5.  调用Notion API把会议纪要同步到Notion；
6.  调用Todoist API把行动项同步到Todoist；
7.  把结果返回给用户。

LangChain提供了两种任务规划的方式：
1.  **预定义规划（Predefined Planning）**：我们提前把任务步骤定义好，Agent按照步骤执行——适合流程固定的任务；
2.  **自主规划（Autonomous Planning）**：Agent根据用户需求自主规划任务步骤——适合流程不固定的复杂任务。

对于初学者来说，我建议先从**预定义规划**开始——因为它更简单、更稳定。

### 4.3 组件3：工具调用层（Tool Use）——让Agent“动手”

工具调用层是AI Agent的“手”——它的作用是**让Agent调用各种外部工具（比如办公软件API、数据库、搜索引擎、Python代码执行器），完成具体的任务**。

LLM本身是“没有手”的——它只能生成文字，无法直接操作外部系统——而工具调用层就是LLM和外部系统之间的“桥梁”。

#### 4.3.1 什么是“工具（Tool）”？
在LangChain中，**工具（Tool）**是一个封装了“输入、输出、功能描述”的函数——LLM可以通过阅读工具的功能描述，理解这个工具是做什么的，然后决定是否调用它。

比如，我们可以把“Notion创建页面”封装成一个工具，工具的功能描述是：“在Notion数据库中创建一个新的页面，输入参数包括：页面标题、页面内容、数据库ID。输出是创建成功的页面链接。”——LLM看到这个描述之后，就知道什么时候调用这个工具了。

#### 4.3.2 LangChain中常用的工具
LangChain的`langchain-community`模块已经封装了很多常用的工具——我们可以直接使用，不需要自己写：
1.  **办公工具**：Notion、Jira、Trello、Todoist、Google Calendar、Microsoft 365；
2.  **搜索引擎**：Google Search、Bing Search、DuckDuckGo；
3.  **数据库**：SQL Database、MongoDB、Pinecone（向量数据库）；
4.  **代码执行**：Python REPL、Shell Tool；
5.  **文件操作**：Read File、Write File、List Directory；
6.  **其他工具**：Requests（调用API）、Wikipedia、OpenWeatherMap。

#### 4.3.3 如何自定义工具？
如果LangChain没有封装你需要的工具，你也可以自己自定义工具——非常简单，只需要用`@tool`装饰器装饰一个函数即可。

下面是一个“Todoist创建任务”的自定义工具示例（我们后面会用到）：
```python
from langchain_core.tools import tool
import requests
import os
from dotenv import load_dotenv

# 加载环境变量
load_dotenv()
TODOIST_API_KEY = os.getenv("TODOIST_API_KEY")
TODOIST_API_URL = "https://api.todoist.com/rest/v2/tasks"

@tool
def create_todoist_task(content: str, due_date: str = None, assignee_id: str = None) -> str:
    """
    在Todoist中创建一个新的任务。
    
    参数：
        content: 任务内容（必填），比如“完成用户留存率的数据分析”
        due_date: 截止时间（可选），格式为YYYY-MM-DD，比如“2024-06-30”
        assignee_id: 负责人ID（可选），Todoist的用户ID
        
    返回：
        创建成功的任务链接，或者错误信息
    """
    headers = {
        "Authorization": f"Bearer {TODOIST_API_KEY}",
        "Content-Type": "application/json"
    }
    
    data = {"content": content}
    if due_date:
        data["due_date"] = due_date
    if assignee_id:
        data["assignee_id"] = assignee_id
    
    try:
        response = requests.post(TODOIST_API_URL, json=data, headers=headers)
        response.raise_for_status()  # 如果请求失败，抛出异常
        task = response.json()
        return f"任务创建成功！链接：{task['url']}"
    except requests.exceptions.RequestException as e:
        return f"任务创建失败：{str(e)}"

4.4 组件4：执行层（Execution）——让Agent“完成任务”

执行层的作用是按照推理层规划的任务步骤，依次调用工具，处理执行结果，处理异常。

4.4.1 执行模式

LangChain提供了两种执行模式：

1. 顺序执行（Sequential Execution）：按照步骤顺序依次执行，适合流程固定的任务；
2. 循环执行（Loop Execution）：Agent不断循环“思考-调用工具-看结果”的过程，直到任务完成——适合自主规划的复杂任务。

对于“会议纪要Agent”来说，我们可以用顺序执行——因为任务步骤是固定的。

4.4.2 异常处理

在执行过程中，难免会遇到异常——比如API调用失败、文件格式错误、LLM输出格式不对。

执行层需要有完善的异常处理机制——比如：

1. 重试机制：如果是临时的网络错误，就重试几次；
2. 回退机制：如果某个工具调用失败，就用备用方案；
3. 错误反馈：如果无法处理异常，就把错误信息返回给用户，让用户介入。

4.5 组件5：反馈层（Feedback）——让Agent“学习”和“优化”

反馈层的作用是收集用户反馈，优化Agent的表现——这是让Agent“越来越好用”的关键。

4.5.1 反馈类型

常见的反馈类型包括：

1. 显式反馈：用户直接给Agent的输出打分（比如1-5星）、或者修改Agent的输出；
2. 隐式反馈：通过用户的行为推断反馈——比如用户是否采纳了Agent的建议，是否修改了Agent的输出，用户完成任务的时间。

4.5.2 反馈的应用

收集到反馈之后，我们可以用它来优化Agent：

1. 优化提示词：如果LLM的输出质量不高，就根据反馈修改提示词；
2. 优化任务规划：如果Agent的任务规划不合理，就调整规划逻辑；
3. 微调模型：如果有足够的反馈数据，可以微调LLM，让它更适合你的场景；
4. 添加/优化工具：如果Agent缺少必要的工具，就添加新的工具；如果工具的效果不好，就优化工具。

4.6 AI Agent Harness的整体架构图

现在我们已经设计好了5个核心组件——我们可以用一张mermaid架构图来展示它们之间的关系：