Phi-3-Mini-128K构建技能智能体（Skills Agent）：自动化任务编排实践

你有没有遇到过这种情况？想查一下明天的天气，然后根据天气决定是否要发邮件提醒团队调整会议安排，最后再算一下这个月的项目预算。这一套操作下来，你得打开浏览器、查天气、打开邮箱、写邮件、再打开表格软件做计算，来回切换，手忙脚乱。

要是有一个“数字助理”，你只需要对它说一句话，比如“明天北京天气怎么样？如果下雨，就发邮件提醒大家带伞，并重新计算一下户外活动的预算”，它就能自动帮你把所有事情都办妥，那该多省心。

这就是技能智能体（Skills Agent）能干的事。它就像一个聪明的“大脑”，不仅能听懂你的复杂指令，还能自己思考，调用不同的“工具”（比如查天气的接口、发邮件的服务、做计算的函数）来完成任务。今天，我们就来聊聊怎么用Phi-3-Mini-128K这个轻量又聪明的大模型，来搭建一个这样的智能体，让它成为你办公自动化的得力助手。

你可能用过一些聊天机器人，它们回答问题很在行，但让它们去实际“做”点事情，比如发封邮件、查个数据，往往就力不从心了。技能智能体要解决的，正是这个问题——让AI不仅能“说”，更能“做”。

简单来说，技能智能体 = 理解意图的“大脑” + 执行任务的“手脚”。

• “大脑”：负责理解你模糊的、多步骤的自然语言指令，比如“帮我看看上海和深圳的天气，选个暖和的地方，把行程建议发给小李”。它需要拆解任务、规划步骤、并决定每一步该调用哪个工具。
• “手脚”：就是一个个具体的工具函数，比如 、、。它们只负责执行具体的、单一的动作。

为什么选择Phi-3-Mini-128K来当这个“大脑”呢？因为它有几个特别适合做智能体的优点：首先，它模型小，推理速度快，响应及时，体验好；其次，128K的超长上下文，意味着它能记住很长的对话历史和复杂的指令细节，不会“忘事”；最后，它在指令遵循和逻辑推理上表现不错，能较好地理解任务编排的意图。

搭建一个技能智能体，不是简单地把模型和工具拼在一起就行。我们需要设计一套让它们协同工作的机制。下面这个架构图展示了一个典型技能智能体的工作流程：

我们来拆解一下图中的几个关键部分：

2.1 工具（Skills）抽象层 这是智能体的“武器库”。每个工具都需要被标准化地定义，以便“大脑”能识别和调用。通常，一个工具定义包括：

Agent 智能体

• 名称和描述：用自然语言说明这个工具是干什么的，比如“这是一个查询城市天气的工具”。
• 参数：明确需要哪些输入，比如 （城市名）。
• 执行函数：具体的代码实现，去调用真正的API或处理逻辑。

2.2 智能体“大脑”（Phi-3-Mini-128K） 这是核心控制器。它的工作流程是：

1. 理解与规划：接收用户指令，结合已有的工具描述，分析需要完成哪些子任务，并规划一个执行顺序。
2. 工具调用决策：决定下一步该调用哪个工具，并生成符合该工具参数格式的调用指令（如 ）。
3. 结果处理与总结：接收工具返回的结果，判断任务是否继续，最终将多个工具的结果整合成一段通顺的自然语言回复给用户。

2.3 执行与编排引擎 这是一个驱动循环，它负责：

• 将“大脑”生成的工具调用指令解析出来。
• 从工具库中找到对应的函数并执行。
• 将执行结果返回给“大脑”，作为后续分析和下一步行动的上下文。
• 循环这个过程，直到“大脑”认为所有任务都已完成。

理论说了这么多，我们来点实际的。假设我们要构建一个能处理“天气-邮件-计算”串联任务的智能体。

3.1 环境准备与模型部署 首先，你需要一个能运行Phi-3-Mini-128K的环境。这里以使用Ollama本地运行为例（你也可以使用其他推理服务或API）。

然后，安装必要的Python库，主要是用于调用模型和构建智能体循环的。

3.2 定义我们的工具集 我们来创建三个简单的工具（为演示，实际函数用模拟逻辑代替）。

3.3 构建智能体交互循环 这是最核心的部分，我们创建一个简单的循环，让模型和工具互动起来。

3.4 看看实际效果 运行上面的代码，你可能会看到类似下面的输出流程（具体内容因随机天气和模型推理略有差异）：

看，智能体成功地理解了我们的多步骤、带条件的指令，并自动编排了工具的执行顺序。虽然我们的示例解析逻辑比较简化，但它清晰地展示了从“理解-规划-调用-汇总”的完整闭环。

上面的例子是一个入门演示。要构建一个真正鲁棒、实用的技能智能体，还需要考虑更多：

• 更可靠的工具调用解析：使用模型的原生函数调用（Function Calling）能力，或者要求模型输出严格的JSON格式，并用代码稳健地解析，避免示例中的简单字符串匹配。
• 复杂的任务规划：对于非常长的指令，模型可能需要拆解成树状或图状的任务计划，并处理步骤之间的依赖关系。
• 工具执行结果验证：工具调用可能会失败（如网络错误、参数错误），智能体需要能处理这些异常，并尝试重试或选择备用方案。
• 记忆与状态管理：在长对话中，智能体需要记住之前已经做过什么，避免重复操作，并根据历史结果决定后续动作。
• 工具扩展性：设计良好的工具注册和管理机制，让新增一个工具（如“订会议室”、“查日历”）变得非常简单。

用Phi-3-Mini-128K来构建技能智能体，是一个性价比很高的起点。它让我们能以较小的计算成本，探索如何让AI模型从“对话者”转变为“执行者”。通过清晰的架构设计——将模型作为规划决策的“大脑”，将各种API和函数封装成可调用的“工具”，再配上一个可靠的执行引擎——我们就能创造出能处理复杂、个性化任务的自动化助手。

从自动生成报告并邮件发送，到监控数据异常并触发告警，再到处理客户咨询并自动创建工单，技能智能体的应用场景非常广泛。虽然目前完全自动处理极端复杂任务还有挑战，但对于大量规则相对明确、步骤清晰的办公自动化场景，它已经能显著提升效率。你不妨从文中的简单示例开始，试着为你最重复、最繁琐的工作，定制一个专属的技能智能体吧。

获取更多AI镜像

想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。