语义内核规划器驱动代理工作流

要解决的问题

把 LLM 塞进一个 while 循环并不等于智能体。真实的业务流程里，任务往往需要先拆解、再逐步执行、最后汇总结果：检索数据、调用工具、检查结果、决定下一步。如果每一步都靠手写大段提示词拼接，代码很快就会变成难以维护的字符串堆砌，而且拆解逻辑、工具调用、状态传递散落在各处，很难复用到另一个项目。

核心能力

该技能围绕 Semantic Kernel 的规划器（planner）机制，把代理工作流拆成一组可复用、可组合的部件：

• 提示词管理：把 prompt 作为代码资产维护，而不是散落在业务逻辑里的字面量。
• 插件与函数调用：把外部能力（检索、API、数据库）封装成可被模型调用的函数插件。
• 内存与状态：在多步执行之间保留上下文，让规划器能看到上一轮的结果。
• 连接器：对接具体的 LLM 提供商，本地可用 Ollama、LMStudio 或 ONNX Runtime 跑离线模型。

关键步骤大致是：定义目标与可用工具 → 让规划器生成执行计划 → 逐步执行计划中的每一个步骤 → 把中间结果喂回规划器以决定继续、修订还是终止 → 汇总最终输出。

适用边界

• 规划器生成的计划质量依赖模型的推理能力，弱模型上容易出现步骤遗漏或重复调用，需要额外的校验逻辑。
• 环境要求 Python 3.10+、.NET 10.0+ 或 Java 17+，不同运行时的连接器生态成熟度并不一致。
• 需要为所选 LLM 提供商准备凭证；走本地推理路径时，要自行确认模型能力与硬件条件满足任务复杂度。
• 规划器适合「先规划后执行」的任务形态。对于单次调用就能解决的简单问答，引入规划器只会增加延迟和 token 开销。
• 上游文档与细节以官方文档为准，跨大版本升级时接口可能存在变动。