软件工程师罗小东，拥有多年架构和平台设计经验，目前专注于平台与新技术的融合研究。
背景
此为针对于AIP在项目团队上在Agent上的研究成果参考
随着大模型越发的能力增强，而由原来的AI Workflow模式，出现了比较大的弊端，传统的AI工作流方式：
- 思维的限制，不是AI限制，工作流排版是个人能力的限制
- 现在的大模型比绝大部分人更专业（或者说”聪明”）
AI 工作流程（非 Agentic）虽使用 AI，但只做一次推理，没有反复调整能力。而Agentic 工作流程整合 LLM、工具与记忆，可进行规划、执行、反思，是最具智慧与弹性的流程。
这个能力会更加强悍，会更加能体现出Agent的能力。
下面是集成的几个场景，主要是做输出型的场景：
- 单Agent智能体问答：不同场景下的单智能体的问答能力。
- DeepSearch深度检索：不同领域级别的智能体自定义DeepSearch深度检索
- 通用智能体场景：不同专业级别智能体组成的专业团队，可切换的场景
上面三种场景的使用，主要集成的Agentic工作流方式。当然，在集成Agentic的同时，并不代表会放弃到传统的AI工作流，而是可以有多种Agent的配置能力。
以上为AIP在技术团队管理场景上的一些探索，每个设计师有不一样的设计，我有我思。
集成场景分析
这里主要是目前在AIP能力上集成的场景分析，这里的MCP指的是并不是MCP协议，而是类似于MCP架构，基于AIP自己实现的类似于MCP的能力，需要自定义的扩展接口。
单智能体问答
这里是最常见的，调用MCP远程工具能力，集成推理能力，根据目标，调用工具来集成，过程不断的反思，总结，经过一次或者多次的思考，得到结果，而且往往得出的结果会更加符合要求。
以下为校园场景为示例，推理出学生班级的学生分析情况：
以下为分析出来的结果，会显示出每个班级的情况：
这里也会类似于纳米AI的MCP工具集，其实思路都差不多，只是结果并没有做一定的二次制作，比如网页、Word等，这个倒是可以考虑进一步加进去，这里可以集成更多的执行工具调用，包括一些执行型的结果。
DeepSearch深度检索
这里的深度检索集成，通过规划-推理-执行-总结几个步骤，但是会更加的深入场景分析，规划能力更强一些，同时对结果做了一步的格式化，是针对于单智能体上的一个提升点，你会发现，这个跟Manus有些类似，其实原理是一样的，只是缺少工作的，这也是下一步集成MCP服务服务的需要，在智能体框架初定的情况下，进一步的集成MCP能力。
智能体会规划和分析，还有进一步的去搜索，调用对应的工具去实现目标。
在这里我们做了输出的总结和优化，进行了结果的二次总结输出：
包括各类型的Word、Excel、PDF、网页等，这个时候会发现，这些规划能力总结起来确实效果不错。
针对于不同的专家类型，不同的场景，会有不同的知识库，不同的工作，接入不同的场景，这些相对来说，纳米AI做得更为平民化，这里考虑到适配不同的场景，可以定义多种不同的DeepSearch智能体，以下是配置界面：
这个是针对于不同领域专家输出的结果。
通用智能体场景
总的来说，上面是还是单智能体的交互情况，配置起来的效果可能还会有一些场景局限，然后增加了自定义多智能体结合起来的场景，这里我们定义为通用智能体，做为输出结果，我们需要更为专业的智能体来做专业的事情。
定义两个协同的智能体来配合完成一个事情，这里流程上我们配置引用不同的智能体来完成一个任务，下面是智能体的场景选择：
形成团队的能力来实现这个，更为灵活的控制每个环节实现这个目标，比如形成分析形结果输出，也以校园场景为示例：
团队能力的补充会在某个任务安排上更专业，效果更为突出，通过每个角色的能力来完成他需要完成的事情。
总结
通过智能体与工具的深度协同，实现从单一问答到复杂任务处理的全面覆盖。单智能体问答提供基础交互能力，DeepSearch 深度检索深化专业领域应用，通用智能体场景则突破个体能力局限，构建高效协作体系。
在保留传统 AI 工作流的同时，方案强调多 Agent 配置的灵活性，满足不同用户、不同场景的差异化需求。未来，可进一步探索智能体间的动态协作机制，优化工具集成与数据交互效率，推动 AI 工作流向更智能、更高效的方向发展，为各行业提供更具价值的 AI 解决方案。
以上为Agentic 工作流上的一些探索，也期望有兴趣的同学可以互相交流。
