当我们考虑构建 AI Agent 应用的时候，我们必须要考虑的一件事是真正构建一个具备实用性的 Agent 需要花费多长时间？这个问题至关重要，因为用户的需求，模型的能力，中间件的发展都处于快速迭代之中，这其中的每一个要素发生变化都会导致我们的 Agent 工作流要进行重构。如果构建一个具备实用性的工作流需要的时间是一个月，那么其可能适用的生产场景就会相当有限；如果构建工作流的时间是一周，那么其实用性就会大大提升；如果构建实用性的工作流只需要十分钟，那么我们几乎可以应对所有的生产场景。

利用 Cooragent 的 Agent Factory 一分钟构建实用 Agent

• Agent Factory 模式下，你只需要你对智能体做出描述，Cooragent 就会根据你的需求生成一个智能体。Agent Factory 模式下，系统的会自动分析用户需求，通过记忆和扩展深入理解用户，省去纷繁复杂的 Prompt 设计。Planner 会在深入理解用户需求的基础上，挑选合适的工具，自动打磨 Prompt，逐步完成智能体构建。智能体构建完成后，可以立即投入使用，但你仍然可以对智能体进行编辑，优化其行为和功能。
• Agent Workflow 模式下你只需要描述你想要完成的目标任务，Cooragent 会自动分析任务的需求，挑选合适的智能体进行协作。Planner 根据各个智能体擅长的领域，对其进行组合并规划任务步骤和完成顺序，随后交由任务分发节点 publish 发布任务。各个智能领取自身任务，并协作完成任务。

易用性，稳定性，可持续升级，精细化管理 - 我都要！

多数情况下，当 Agent 工作流能够运行之后，我们就需要考虑下一个问题-如何持续的精准的优化工作流。也就是说 Agent workflow 必须同时具备极致的易用性，稳定的运行能力，可持续升级能力以及精细化的管理能力。
Cooragent 创造性的提供三种 Workflow 工作方式 - Launch, polish, production。

• Launch 模式下，用户只需描述想要完成的目标任务，Cooragent 自动分析任务的需求，挑选合适的 Agent，构建完整工作流。且在任务结束后将工作流保存在本地存储中（通常在 store/workflow 下），支持后续复用与二次编辑。在 cli 工具中，用户可以通过 run-l 命令启动 Launch 模式。

• Polish 模式下，用户可以手动调整 workflow 的执行顺序，Agent 的工具选择，Agent 的 LLM 配置以及相关 Prompt。用户也可以通过自然语言指令交由 Cooragent 针对性的对某些部分进行调整。例如用户可以告诉 Cooragent：“调整股票分析 agent 的工具选择， 使用 tavily 工具代替 browser 工具以便更快速的搜索信息“。Cooragent 会基于类似 APE, Absolute-Zero-Reasoner等技术框架自动化地调整 Agent 使用的提示词、工具和其他流程。在 cli 工具中，用户可以通过 run-o 命令启动 Polish 模式。

• Production 模式下，Cooragent 根据已经打磨好的 Workflow 高效执行，避免过多的运行干预，同时使用 Supervisor 对运行结果进行兜底。在 cli 工具中，用户可以通过 run-p 命令启动 Production 模式。

一个最佳实践是，Launch 模式用于自动化快速构建可运行的 Workflow。Polish 模式用于 Workflow 的精细化打磨。Production 模式用于生产场景，追求稳定运行。

项目地址：https://github.com/LeapLabTHU/cooragent