KAIROS AI Agent框架：基于TypeScript的时序任务自动化开发指南

1. 项目概述KAIROS是什么最近在AI开发圈里KAIROS这个名字开始频繁出现尤其是在讨论如何构建更智能、更自主的AI Agent时。如果你也和我一样对让AI不仅能回答问题还能主动规划、执行复杂任务感兴趣那KAIROS绝对值得你花时间研究。简单来说KAIROS是一个开源的AI Agent框架它的核心目标是“打开时间之门”——这听起来有点玄乎但实际指的是赋予AI理解和处理时序性、多步骤任务的能力。传统的AI对话模型你问一句它答一句任务之间是割裂的。而KAIROS试图让AI拥有“记忆”和“计划”能够将一个长期目标分解成一系列有序的步骤并像执行项目一样推进这正是构建实用AI Agent的关键。从技术栈来看KAIROS主要基于TypeScript/JavaScript生态通过npm进行包管理这降低了前端和全栈开发者的接入门槛。它深度集成了像Claude Code这类先进的代码生成模型让Agent不仅能思考还能直接动手写代码、调用API、操作文件系统从而实现真正的“自动化”。我最初被它吸引就是因为厌倦了手动拼接各种API和写胶水代码想找一个能统一管理AI任务流、状态和工具调用的框架。在尝试了市面上几个方案后发现KAIROS在设计的清晰度和对复杂任务流的支持上做得相当不错。那么KAIROS适合谁呢首先是希望将AI能力深度集成到现有产品中的开发者比如构建智能客服、自动化数据分析流水线、个人效率助手等。其次是对AI Agent架构感兴趣想学习如何设计一个能“自主”工作的系统的工程师。最后即使你只是个想尝鲜的爱好者KAIROS相对清晰的文档和基于Node.js的环境也能让你快速跑起来一个demo亲眼看看AI是如何一步步完成你交代的“多步骤作业”的。接下来我会结合自己的踩坑经验带你从零开始拆解KAIROS的核心并搭建一个可运行的实例。2. 核心架构与设计理念拆解要理解KAIROS不能只把它当成又一个调用大模型的SDK。它的设计背后有一套关于“时间”和“机构”的思考这也是其名字的由来Kairos在古希腊语中意指“恰当的或决定性的时刻”。2.1 “时间感知”的任务引擎与许多简单的“输入-输出”型AI包装库不同KAIROS的核心是一个状态化的任务执行引擎。你可以把它想象成一个极其细心的项目经理。当你提出一个目标比如“监控某个API并每日生成报告”KAIROS不会一次性生成所有代码。相反它的内部工作流大致如下目标解析与规划框架会利用集成的LLM如Claude Code将你的自然语言目标分解成一个任务图Task Graph。这个图里的节点是原子操作例如“获取API密钥”、“调用数据接口”、“清洗JSON数据”、“生成图表”、“发送邮件”边则代表了这些操作之间的依赖关系和时序顺序。状态管理与持久化每个任务节点都有明确的状态待执行、执行中、成功、失败。KAIROS会持久化这个状态。这意味着即使程序中途崩溃重启它也能从断点继续而不是从头开始。这对于需要运行数小时甚至数天的自动化任务至关重要。上下文传递与记忆上一个任务的输出如何作为下一个任务的输入KAIROS通过一个共享的“工作区”或“上下文”对象来管理。例如任务A获取的data对象会被自动注入到任务B的执行环境中。同时框架还支持更长期的“记忆”允许Agent记住之前几次运行的历史和结果用于优化未来的决策。这种设计使得KAIROS Agent能够处理开放式目标。你不需要在代码里显式定义每一步的细节只需要给出方向和约束Agent会自己“想”出实现路径。这离我们理想中“交代一件事然后等结果”的智能助理更近了一步。2.2 基于TypeScript的强类型开发体验KAIROS选择TypeScript作为主要开发语言这是一个非常明智的决定。构建AI Agent涉及大量动态数据LLM的响应、不同工具函数的输入输出、不断变化的任务状态。如果没有类型约束代码很快就会变成难以调试的“字符串魔法”。KAIROS通过TS泛型和接口为任务、工具、记忆等核心概念提供了清晰的类型定义。例如当你定义一个用于获取天气的工具时你可以精确指定它的输入参数类型{city: string}和输出类型{temp: number, condition: string}。这样在其他任务中调用这个工具时你能获得完整的代码提示和编译时类型检查大大减少了运行时错误。实操心得刚开始可能会觉得定义这些类型有些繁琐但一旦项目复杂度上来你会感谢这些类型提示。它能帮你提前发现许多逻辑错误比如错误地传递了一个string给期望number的参数这在纯JavaScript环境下可能要等到运行时调用LLM失败才能发现。2.3 工具Tools作为能力的延伸“工具”是KAIROS Agent与外部世界交互的手和脚。一个只会思考的LLM是“瘫痪”的而工具赋予了它行动力。KAIROS的工具系统非常灵活内置工具框架可能提供一些通用工具如文件读写、网络请求、执行Shell命令等。自定义工具这是发挥创造力的地方。你可以将任何函数封装成工具无论是调用内部数据库、操作第三方SaaS API如Slack、Notion还是控制智能硬件。工具的动态选择Agent在规划任务时会根据当前目标和上下文从注册的工具库中动态选择最合适的工具来使用。这就像是给Agent配备了一个多功能工具箱它自己决定什么时候用扳手什么时候用螺丝刀。在实现上定义一个工具通常包括工具名称、描述、输入参数schema、以及具体的执行函数。清晰的描述对于LLM能否正确选择和使用该工具至关重要。3. 从零开始环境搭建与初始化实战理论讲得再多不如动手跑一遍。这里我会详细记录搭建KAIROS开发环境的全过程包括你可能遇到的那些坑。3.1 基础环境准备Node.js与npmKAIROS运行在Node.js环境上。首先确保你的系统安装了合适的Node.js版本建议LTS版本如18.x或20.x。你可以通过终端命令检查node --version npm --version如果未安装请前往Node.js官网下载安装包。安装完成后一个常见的“新手坑”是关于npm脚本执行策略的问题尤其是在Windows系统上。问题npm : 无法加载文件...因为在此系统上禁止运行脚本当你尝试运行npm install -g某个包或者执行项目npm脚本时在Windows PowerShell中可能会遇到这个错误。这是因为PowerShell的执行策略默认禁止运行脚本。解决方案以管理员身份打开PowerShell。执行命令Set-ExecutionPolicy RemoteSigned。系统会询问你是否更改策略输入Y确认。完成后关闭并重新打开终端即可。当然你也可以选择使用Windows Terminal、CMD或者Git Bash它们可能不受此策略影响。我个人更推荐使用Git Bash或WSL2Windows Subsystem for Linux来获得更接近Linux的开发体验能避免很多路径和权限相关的怪问题。3.2 创建项目与安装依赖假设我们要创建一个名为my-kairos-agent的新项目。# 创建一个新目录并进入 mkdir my-kairos-agent cd my-kairos-agent # 初始化npm项目一路回车或按需填写信息 npm init -y # 安装TypeScript和必要的类型定义开发依赖 npm install -D typescript types/node # 初始化TypeScript配置 npx tsc --init现在打开生成的tsconfig.json文件。KAIROS对模块系统等有一定要求我们需要调整一些配置。一个比较通用的配置如下{ compilerOptions: { target: ES2022, module: commonjs, lib: [ES2022], outDir: ./dist, rootDir: ./src, strict: true, esModuleInterop: true, skipLibCheck: true, forceConsistentCasingInFileNames: true, resolveJsonModule: true, declaration: true, declarationMap: true, sourceMap: true }, include: [src/**/*], exclude: [node_modules, dist] }注意你可能会在旧项目或教程中看到baseUrl选项。在TypeScript 5.0的版本中baseUrl的行为已被整合且与paths选项的配合方式有变化。如果你的配置中有baseUrl: .且没有使用paths通常可以保留但若遇到模块解析问题可以尝试移除。TS官方文档提示某些用法可能在将来被调整但目前无需过度担心。接下来安装KAIROS核心包。由于KAIROS可能还在快速迭代中请务必查阅其官方GitHub仓库或文档获取最新的安装命令。假设包名是kairos/agentnpm install kairos/agent同时我们还需要一个LLM提供商。框架可能支持多种LLM这里以集成Anthropic的Claude API为例你需要拥有相应的API密钥npm install anthropic-ai/sdk # 或者安装OpenAI的SDK如果KAIROS也支持的话 # npm install openai3.3 解决典型的npm依赖安装错误在安装过程中你可能会遇到各种依赖错误。其中一个近期常见的错误与rollup/rollup-linux-x64-gnu相关。问题error: cannot find module rollup/rollup-linux-x64-gnu. npm has a bug related to optional dependencies这个错误通常发生在Linux系统或者Windows的WSL环境中。它源于npm在处理某些包的可选依赖optional dependencies时的一个bug。rollup是一个打包工具某些包会依赖它作为可选依赖用于生产环境的构建。当npm尝试安装这个可选平台特定包失败时可能会错误地导致整个安装过程中断。解决方案清理缓存并重试这是最简单的方法。npm cache clean --force rm -rf node_modules package-lock.json npm install忽略可选依赖如果上述方法不行可以尝试在安装时忽略可选依赖。但请注意这可能导致某些功能缺失。npm install --no-optional使用更稳定的包管理器考虑换用yarn或pnpm。它们对依赖解析的处理方式不同有时能绕过npm的这个问题。# 安装yarn npm install -g yarn # 然后用yarn安装依赖 yarn install手动指定Rollup版本临时方案在package.json中添加一个对稳定版本Rollup的显式依赖有时可以解决冲突。npm install rollup^3.29.4 --save-dev然后再重新安装主依赖。根据我的经验方案1和方案3的成功率最高。如果是在CI/CD流水线中遇到此问题确保构建环境中的npm版本较新或者直接切换到yarn或pnpm。3.4 配置API密钥与环境变量AI应用离不开API密钥。永远不要将密钥硬编码在代码中标准做法是使用环境变量。在项目根目录创建一个.env文件。在文件中添加你的密钥例如ANTHROPIC_API_KEYyour_actual_api_key_here # 如果也用OpenAI OPENAI_API_KEYyour_openai_key_here安装dotenv包以便在代码中加载这些变量。npm install dotenv在你的应用入口文件如src/index.ts的最顶部加载配置import * as dotenv from dotenv; dotenv.config(); // 现在可以通过 process.env 访问了 const apiKey process.env.ANTHROPIC_API_KEY; if (!apiKey) { throw new Error(请设置 ANTHROPIC_API_KEY 环境变量); }同时建议将.env添加到你的.gitignore文件中避免意外提交密钥。4. 构建你的第一个KAIROS Agent一个智能文档分析助手环境准备好了让我们来实际构建一个能干的Agent。假设我们的目标是创建一个助手它能根据用户提出的问题自动在指定的文档目录中查找相关信息并给出综合答案。4.1 定义Agent的核心组件在src目录下创建主要文件例如src/document-agent.ts。首先我们需要导入KAIROS的核心类并初始化Agent。这里假设KAIROS的API设计如下具体请以官方文档为准import { Agent, Task, Memory, Tool } from kairos/agent; import { Anthropic } from anthropic-ai/sdk; // 1. 初始化LLM客户端 const llmClient new Anthropic({ apiKey: process.env.ANTHROPIC_API_KEY!, }); // 2. 创建Agent实例 const myAgent new Agent({ name: 文档分析助手, model: llmClient, // 传入配置好的LLM客户端 systemPrompt: 你是一个专业的文档分析助手。你的任务是理解用户的问题然后有逻辑地在提供的文档库中搜索相关信息最后组织成清晰、准确的答案。如果信息不足请明确说明。, });4.2 创建自定义工具文件搜索Agent需要“眼睛”来阅读文档。我们创建一个搜索本地文件内容的工具。这里使用Node.js的fs和path模块并假设文档都是纯文本或Markdown文件。import * as fs from fs/promises; import * as path from path; // 定义工具搜索文档目录 const documentSearchTool: Tool { name: search_documents, description: 在指定的文档目录中搜索包含特定关键词的文件内容。返回匹配的文件路径和摘要。, inputSchema: { type: object, properties: { query: { type: string, description: 要搜索的关键词或短语 }, directory: { type: string, description: 要搜索的文档目录路径, default: ./docs } }, required: [query] }, execute: async ({ query, directory ./docs }) { const results []; try { const files await fs.readdir(directory, { withFileTypes: true }); for (const file of files) { if (file.isFile() (file.name.endsWith(.md) || file.name.endsWith(.txt))) { const filePath path.join(directory, file.name); const content await fs.readFile(filePath, utf-8); // 简单的关键词匹配实际应用中可用更复杂的全文检索引擎如Lunr.js if (content.toLowerCase().includes(query.toLowerCase())) { // 提取匹配内容周围的一段文字作为上下文 const index content.toLowerCase().indexOf(query.toLowerCase()); const start Math.max(0, index - 150); const end Math.min(content.length, index query.length 150); const snippet content.substring(start, end); results.push({ file: file.name, path: filePath, snippet: ...${snippet}..., relevance: high // 简单示例实际可计算匹配度 }); } } } return { success: true, data: results, message: 找到 ${results.length} 个相关文档。 }; } catch (error) { return { success: false, error: 搜索失败: ${error.message} }; } } }; // 将工具注册给Agent myAgent.registerTool(documentSearchTool);4.3 定义任务与工作流现在我们需要告诉Agent如何利用这个工具来完成任务。我们定义一个主任务它包含规划、执行、总结三个逻辑阶段。// 定义主任务 const documentQATask: Task { id: document_qa, description: 回答用户关于文档库的问题, // 任务的初始输入通常来自用户 input: (userQuestion: string) ({ question: userQuestion }), // 执行步骤这里简化实际KAIROS可能用更声明式的方式定义流程 steps: [ { name: 分析与规划, execute: async (ctx) { // 让LLM分析问题提取搜索关键词 const analysis await myAgent.think(用户的问题是“${ctx.input.question}”。请分析这个问题提取出2-3个最核心的、用于文档搜索的关键词。); ctx.state.keywords analysis.keywords; // 假设LLM返回结构化数据 return 已提取关键词${ctx.state.keywords.join(, )}; } }, { name: 执行搜索, execute: async (ctx) { const allResults []; for (const keyword of ctx.state.keywords) { const searchResult await myAgent.useTool(search_documents, { query: keyword }); if (searchResult.success) { allResults.push(...searchResult.data); } } ctx.state.searchResults allResults; return 共检索到 ${allResults.length} 条相关信息。; } }, { name: 综合与回答, execute: async (ctx) { // 将检索到的信息和原始问题交给LLM生成最终答案 const context ctx.state.searchResults.map(r 文件【${r.file}】中提及${r.snippet}).join(\n\n); const finalAnswer await myAgent.think( 基于以下检索到的信息请专业、清晰地回答用户的问题。 用户问题${ctx.input.question} 检索到的信息 ${context} 如果信息不足以完全回答问题请说明已知部分并指出缺失信息。 ); ctx.state.finalAnswer finalAnswer; return 已生成最终答案。; } } ], // 任务输出 output: (ctx) ctx.state.finalAnswer }; // 将任务注册给Agent myAgent.registerTask(documentQATask);4.4 运行与测试Agent最后我们创建一个主函数来启动这个Agent并提问。// src/index.ts import { myAgent } from ./document-agent; async function main() { console.log(文档分析助手启动...\n); const userQuestion 我们公司的项目上线流程具体有哪些步骤; console.log(用户问题${userQuestion}\n); try { // 执行我们定义的任务 const result await myAgent.runTask(document_qa, userQuestion); console.log(助手回答); console.log(---); console.log(result); console.log(---\n); console.log(任务完成); } catch (error) { console.error(任务执行失败, error); } } main();在package.json中添加一个启动脚本{ scripts: { start: ts-node src/index.ts, build: tsc } }运行npm install -D ts-node安装开发执行器然后就可以用npm start来启动你的第一个AI Agent了5. 进阶集成Claude Code与技能Skill开发基础的文档搜索工具展示了如何让Agent“读”文件。但一个强大的Agent还应该能“写”和“改”这就是代码生成模型的用武之地。KAIROS可以深度集成像Claude Code这样的专门代码模型将代码生成作为一种核心技能Skill。5.1 理解Skill与Tool的区别在KAIROS的语境中Tool工具通常指一个具体的、确定性的函数比如搜索文件、调用API。而Skill技能可能更抽象、更复杂它可能包含多次LLM调用、内部状态和一系列工具使用的组合。例如“重构一段代码”可以是一个Skill它内部可能包含“分析代码”、“生成重构计划”、“应用重构更改”等多个步骤并可能需要调用代码编辑工具。集成Claude Code本质上就是为Agent添加了“编写和修改代码”的超级Skill。5.2 配置Claude Code作为专用模型在初始化Agent时我们可以配置多个模型并为不同类型的任务分配不同的模型。对于需要高代码生成能力的步骤我们指定使用Claude Code。import { Agent, ModelRouter } from kairos/agent; import { Anthropic } from anthropic-ai/sdk; const anthropic new Anthropic({ apiKey: process.env.ANTHROPIC_API_KEY! }); // 创建一个模型路由器 const modelRouter new ModelRouter({ defaultModel: anthropic, // 默认使用通用的Claude模型 routes: [ { // 当任务或技能标记为需要“代码生成”时使用Claude Code condition: (context) context.tags?.includes(code_generation), model: anthropic, // 实际使用时需指定Claude Code的特定模型ID例如 claude-3-5-sonnet-code modelOptions: { maxTokens: 4096 } // 为代码生成分配更多token } ] }); const codeAwareAgent new Agent({ name: 代码专家Agent, modelRouter: modelRouter, // 使用路由器而非单一模型 });5.3 开发一个代码重构Skill让我们开发一个具体的SkillcodeRefactorSkill。这个Skill接收一段代码和一个指令如“优化性能”、“提高可读性”然后输出重构后的代码。const codeRefactorSkill { name: code_refactor, description: 分析并重构给定的代码以改进其性能、可读性或遵循最佳实践。, inputSchema: { type: object, properties: { code: { type: string, description: 需要重构的源代码 }, language: { type: string, description: 编程语言如 javascript, python, default: javascript }, goal: { type: string, description: 重构目标如“提高性能”、“增加注释”、“模块化” } }, required: [code, goal] }, execute: async (ctx, agent) { // 步骤1分析代码现状 const analysisPrompt 你是一个资深的${ctx.input.language}开发专家。请分析以下代码 \\\${ctx.input.language} ${ctx.input.code} \\\ 请从${ctx.input.goal}的角度指出这段代码可以改进的3个主要方面。请以JSON格式输出{issues: [{description: ..., suggestion: ...}, ...]} ; const analysisResult await agent.think(analysisPrompt, { tags: [code_analysis] }); const issues JSON.parse(analysisResult).issues; ctx.state.analysis issues; // 步骤2生成重构计划 const planPrompt 基于以上分析${issues.map(i i.description).join(; )}请制定一个具体的重构计划。计划应分步骤并说明每一步如何解决上述问题。 输出格式{plan: [步骤1: ..., 步骤2: ...]} ; const planResult await agent.think(planPrompt, { tags: [planning] }); ctx.state.plan JSON.parse(planResult).plan; // 步骤3执行重构生成新代码这里使用Claude Code的核心步骤 const refactorPrompt 请严格遵循以下重构计划直接输出重构后的完整代码不要包含任何解释。 原始代码 \\\${ctx.input.language} ${ctx.input.code} \\\ 重构计划 ${ctx.state.plan.join(\n)} 重构后的代码 ; const refactoredCode await agent.think(refactorPrompt, { tags: [code_generation] }); // 触发使用Claude Code模型 // 步骤4可选验证与测试生成 // 可以在这里添加一个步骤让LLM为新代码生成简单的单元测试或进行逻辑一致性检查。 return { success: true, data: { originalCode: ctx.input.code, refactoredCode: refactoredCode, analysis: ctx.state.analysis, plan: ctx.state.plan } }; } }; // 注册技能 codeAwareAgent.registerSkill(codeRefactorSkill);这个Skill展示了多步骤、多模型协作的典型模式。分析阶段可能用通用模型就够了但最终的代码生成阶段通过打上code_generation标签路由到Claude Code能获得质量高得多的输出。5.4 在任务中调用Skill现在我们可以在一个更复杂的任务中调用这个技能。例如一个“自动化代码审查”任务它先检查代码库然后对有问题文件调用重构技能。const autoCodeReviewTask: Task { id: auto_code_review, description: 自动扫描指定目录的代码并提出重构建议, // ... 其他配置 steps: [ // ... 步骤1使用工具扫描目录找出可能需改进的文件 { name: 重构关键文件, execute: async (ctx) { const filesToRefactor ctx.state.filesNeedingImprovement; // 假设上一步得到了这个列表 const results []; for (const file of filesToRefactor.slice(0, 3)) { // 示例只处理前3个 const code await fs.readFile(file.path, utf-8); const refactorResult await codeAwareAgent.useSkill(code_refactor, { code, language: file.language, goal: 提高可读性和维护性 }); if (refactorResult.success) { results.push({ file: file.name, suggestion: refactorResult.data.analysis, newCode: refactorResult.data.refactoredCode }); } } ctx.state.refactorSuggestions results; return 已为 ${results.length} 个文件生成重构建议。; } } // ... 后续步骤生成报告等 ] };通过这种方式你将一个复杂的代码审查流程拆解成了Agent可以自主执行的标准化任务链。6. 部署、调试与性能优化让Agent在本地跑起来只是第一步。要让它真正可用我们需要考虑如何部署、如何调试其复杂的决策过程以及如何优化其性能和成本。6.1 打包与部署对于Node.js项目部署前需要将TypeScript编译成JavaScript。构建运行npm run build对应我们之前配置的tsc命令这会在dist目录生成编译后的JS文件。生产环境依赖确保package.json中的dependencies和devDependencies区分正确。运行npm install --production或yarn install --production可以只安装生产依赖减少部署体积。进程管理对于长期运行的后台Agent你需要一个进程管理器来保证其稳定运行并在崩溃后重启。常用的有PM2功能强大适合生产环境。pm2 start dist/index.js --name my-agentDocker提供完全一致的环境。编写Dockerfile将构建好的dist和node_modules打包进镜像。环境变量在部署服务器上通过系统环境变量、Docker secrets或云服务提供的密钥管理服务如AWS Secrets Manager来安全地设置API_KEY等敏感信息。6.2 调试与可观测性AI Agent的“黑盒”特性使得调试比传统程序更困难。以下是几种有效方法结构化日志在Agent的每个关键步骤任务开始/结束、工具调用、LLM请求/响应都输出详细的、结构化的日志。可以使用winston或pino这类日志库并输出为JSON格式便于后续用ELK等工具分析。logger.info(Tool executed, { toolName: search_documents, input: { query }, output: result, duration }); logger.debug(LLM request, { prompt: abbreviatedPrompt, model });状态快照定期或在任务关键节点将Agent的完整状态工作区、记忆、任务栈持久化到文件或数据库。当出现意外结果时可以回放状态进行分析。交互式调试为开发环境设计一个“暂停”或“单步执行”模式。让Agent在每步执行前等待确认并允许你手动修改其内部状态或下一步指令。这能帮你深入理解Agent的决策逻辑。6.3 性能与成本优化LLM API调用是主要的耗时和成本来源。优化策略包括减少Token消耗系统提示词精炼反复打磨systemPrompt用最简洁的语言明确角色和规则。上下文管理KAIROS的记忆系统是关键。只将真正相关的历史对话和任务上下文放入给LLM的提示中避免携带无关的“记忆包袱”。可以设置记忆的自动摘要或滚动窗口。输出结构化要求LLM以JSON等特定格式输出可以减少它“自由发挥”带来的冗余文本。我们在上面的Skill示例中已经这样做了。异步与并行如果任务中的多个步骤没有依赖关系可以考虑让它们并行执行。KAIROS的任务图引擎应支持这种并行化。例如一个需要从三个独立API获取数据的任务可以同时发起三个请求。缓存对于频繁出现的、结果确定的查询例如“今天的天气如何”在短时间内是相同的可以将LLM的响应缓存起来。可以在工具层或Agent的思考层实现缓存。注意缓存要有合适的过期策略。模型分级使用正如我们之前用ModelRouter所做的将简单任务如文本分类、格式检查交给更小、更快的模型如GPT-3.5 Turbo将复杂任务如代码生成、深度推理交给更大、更贵的模型如Claude 3.5 Sonnet。这需要在效果和成本间取得平衡。设置预算与熔断在代码中集成监控跟踪每个任务消耗的Token数和API成本。当日消耗或单次任务消耗超过阈值时自动暂停或降级服务避免意外的高额账单。构建一个成熟的AI Agent系统是一个持续迭代的过程。从简单的原型开始逐步增加工具和技能完善其决策逻辑并围绕它构建监控、运维体系。KAIROS这样的框架提供了坚实的基础设施让你能更专注于Agent本身的能力设计和业务逻辑实现。