复杂业务场景下AI Agent Harness工程的落地实践与经验总结

复杂业务场景下AI Agent Harness工程的落地实践与经验总结引言痛点引入各位技术博客的读者朋友们大家好我是老王一个在互联网电商、金融风控、制造业数字化转型三个赛道做了15年以上工程化落地的“搬砖老司机最近三年主要负责过5个以上千万级/百万级并发、月GMV破百亿级业务中AI Agent Harness广义全生命周期管理体系的0-1、1-N落地。今天站在这个“AI元年爆发但落地难、复用率不足1%真实场景从10个AI Agent原型验证都跑起来没问题但一上线100个、1000个场景化Agent或者跨场景多Agent协作各种问题就会像雨后春笋般冒出来比如在我们去年上线了电商智能全渠道客服体系初期上线了三个单Agent原型验证文本理解、知识库检索、售后工单生成三个各自跑起来准确率召回率都不错但上线到正式多渠道淘宝/京东/抖音/小红书/自有APP/小程序/小程序直播间环境单文本理解Agent就要适配小红书/抖音/直播间的表情语言、违禁词过滤的不同、用户输入的混合场景比如直播间下单售后咨询混合、售前种草比价物流混合知识库Agent要对接自有知识库、第三方品牌商知识库、实时直播话术库、历史工单解决方案库售后工单生成Agent要对接多渠道的工单API、多租户的CRM、售后政策库这三个单Agent原型一整合就出现了单Agent无法覆盖跨渠道跨场景的混合需求、知识库检索冗余/Agent协作时序混乱、跨渠道用户数据隔离不安全、上线后的Agent效果无法统一监控、上线后的效果优化全靠人工分析、一个场景上线了另一个场景无法复用哪怕70%的基础能力、上线一个复杂场景多Agent协作要2-3个月甚至半年更别说后面的千万级并发、亿级规模场景下的稳定性问题了。解决方案概述后来我们团队就结合了互联网大厂的经验再结合了DevOpsCI/CD/DevSecOps的理念结合了AI Agent的特性比如工具调用、多模态、自我反思、多Agent协作构建了一套我们内部叫「智工智能全生命周期工程化落地的Harness体系——也就是广义的“Agent Harness它包含了Agent的开发环境标准化、Agent的开发工具链、Agent的编排调度、Agent的监控告警、Agent的安全合规、Agent的A/B测试、Agent的灰度发布、Agent的全链路追踪、Agent的效果评估与迭代优化闭环、Agent的资产化管理与复用。这套体系我们叫它「智工智能全生命周期工程化Harness 1.0」到现在已经迭代到了「智工智能全生命周期工程化Harness 2.5」了我们把电商全渠道客服体系从上线10个场景化Agent用了3个月上线100个场景化Agent用了1个月上线1000个场景化Agent用了2周复用率达到了85%以上千万级并发下的稳定性达到了99.99%以上上线后的效果优化从人工分析占比从90%降到了5%剩下的95%都是系统自动分析自动迭代的。今天我就把这套体系的0-1、1-N落地实践、遇到的问题、踩过的坑、经验总结分享给大家。最终效果展示可选我们先看一下我们智工智能全生命周期工程化Harness 2.5在电商全渠道客服体系的最终效果**场景覆盖覆盖了淘宝/京东/抖音/小红书/自有APP/小程序/小程序直播间的1200个场景化Agent比如直播间下单流程指导、比价、售后咨询、售后工单生成、售后工单处理、种草推荐、优惠券推荐、物流查询、退换货查询、历史订单查询、品牌商问题转接、客服转接**复用率基础能力文本理解、多模态理解、工具调用、自我反思、知识库检索的复用率达到了92%以上场景化能力的复用率达到了68%以上**上线速度上线一个新的单场景化Agent只需要1-2天上线一个新的跨场景多Agent协作只需要3-5天**性能指标千万级并发下的响应时间在200ms以内千万级并发下的稳定性达到了99.99%以上**业务指标全渠道客服的人工替代率达到了82%以上全渠道客服的满意度达到了4.8/5以上全渠道客服的工单处理效率提升了65%以上全渠道客服的GMV间接提升了12%以上。准备工作可选环境/工具在开始构建这套「智工智能全生命周期工程化Harness 2.5」体系之前我们需要准备以下的开发环境、软件版本、依赖库等硬件环境开发环境8核16G以上的笔记本电脑或者台式电脑或者使用云服务器比如阿里云ECS g6i.4xlarge、腾讯云CVM S5.4xlarge测试环境16核32G以上的云服务器集群或者使用云原生的容器集群比如阿里云ACK、腾讯云TKE预发布环境32核64G以上的云原生容器集群或者使用云原生的容器集群生产环境128核256G以上的云原生容器集群或者使用云原生的容器集群需要配置负载均衡、弹性伸缩、容灾备份等功能大模型环境需要接入国内的大模型比如通义千问、文心一言、讯飞星火、智谱AI GLM或者使用开源的大模型比如Qwen2.5、Llama3.1、Mistral 8x7B部署在本地或者云服务器上。软件环境操作系统Linux Ubuntu 22.04 LTS或者CentOS 7.9或者macOS Sonoma 14.0以上云原生环境Docker 24.0以上、Kubernetes 1.28以上、Helm 3.12以上开发语言Python 3.10以上、Go 1.21以上大模型接入框架LangChain 0.2以上、LangGraph 0.2以上、LlamaIndex 0.10以上、AutoGen 0.4以上数据库PostgreSQL 15以上用于存储结构化数据、MongoDB 6以上用于存储非结构化数据、Redis 7以上用于缓存数据、Vector DB比如ChromaDB 0.4以上、Milvus 2.3以上、Pinecone监控告警Prometheus 2.48以上、Grafana 10以上、Jaeger 1.50以上、Loki 2.9以上CI/CDGitLab CI/CD 16以上或者GitHub Actions或者Jenkins 2.440以上安全合规Open Policy Agent (OPA) 0.60以上、HashiCorp Vault 1.15以上。基础知识在开始构建这套「智工智能全生命周期工程化Harness 2.5」体系之前我们需要读者具备以下的前置知识**AI Agent的基础知识比如大语言模型的基础知识、Prompt Engineering的基础知识、工具调用的基础知识、多模态理解的基础知识、自我反思的基础知识、多Agent协作的基础知识**云原生的基础知识比如Docker的基础知识、Kubernetes的基础知识、Helm的基础知识**DevOps的基础知识比如CI/CD的基础知识、DevSecOps的基础知识**数据库的基础知识比如PostgreSQL的基础知识、MongoDB的基础知识、Redis的基础知识、Vector DB的基础知识**监控告警的基础知识比如Prometheus的基础知识、Grafana的基础知识、Jaeger的基础知识、Loki的基础知识。核心概念核心概念1. AI Agent Harness广义的AI Agent Harness广义的是指包裹、编排、调度、监控、评估、迭代优化、资产化管理与复用AI Agent全生命周期的一套工程化落地框架它可以帮助企业快速、高效、稳定、安全地开发、测试、预发布、发布、运维、优化AI Agent它可以帮助企业提高AI Agent的复用率、上线速度、稳定性、安全性、业务价值。2. AI AgentAI Agent是指具有感知能力比如文本理解、多模态理解、决策能力比如大语言模型的推理能力、自我反思能力、行动能力比如工具调用能力、多Agent协作能力的智能体它可以自主地或者在人类的辅助下完成特定的任务或者一系列的任务。3. AI Agent全生命周期AI Agent全生命周期是指AI Agent从需求分析、设计、开发、测试、预发布、发布、运维、优化、下线的整个过程。4. AI Agent资产化管理AI Agent资产化管理是指将AI Agent的基础能力比如文本理解、多模态理解、工具调用、自我反思、知识库检索、场景化能力比如直播间下单流程指导、比价、售后咨询、工具库、知识库、Prompt模板、A/B测试报告、效果评估报告等作为企业的数字资产进行管理与复用。问题背景近年来随着大语言模型LLM的爆发AI Agent技术也得到了快速的发展越来越多的企业开始尝试将AI Agent技术应用到自己的业务场景中比如电商全渠道客服、金融风控、制造业数字化转型、医疗辅助诊断、教育辅助教学等。但是根据Gartner的最新报告显示目前全球范围内AI Agent的真实场景落地率不足1%为什么会出现这种情况呢主要的问题背景如下**AI Agent开发环境不标准化不同的开发人员可能使用不同的开发语言、不同的大模型接入框架、不同的开发工具链、不同的开发环境导致AI Agent的开发效率低下、复用率低下、上线速度慢、稳定性差**AI Agent编排调度困难单Agent无法覆盖跨渠道跨场景的混合需求需要多Agent协作但是多Agent协作的时序、权限、数据隔离、容错机制等问题很难解决**AI Agent监控告警不完善AI Agent上线后无法统一监控AI Agent的性能指标、业务指标、安全指标无法及时发现AI Agent的问题无法及时告警**AI Agent安全合规性问题AI Agent上线后可能会出现敏感信息泄露、违禁词输出、错误决策等安全合规性问题很难监控和控制**AI Agent效果评估与迭代优化困难AI Agent上线后无法统一评估AI Agent的效果无法快速迭代优化AI Agent的效果**AI Agent资产化管理缺失AI Agent的基础能力、场景化能力、工具库、知识库、Prompt模板等无法作为企业的数字资产进行管理与复用导致开发效率低下、成本高昂。问题描述我们结合我们自己的电商全渠道客服体系的0-1落地实践我们遇到的具体的问题描述如下**AI Agent开发环境不标准化不同的开发人员使用不同的开发语言有的用Python 3.8有的用Python 3.9有的用Python 3.10有的用JavaScript不同的开发人员使用不同的大模型接入框架有的用LangChain 0.1有的用LangChain 0.2有的用LlamaIndex 0.9有的用LlamaIndex 0.10不同的开发人员使用不同的开发工具链有的用VS Code有的用PyCharm有的用Jupyter Notebook不同的开发人员使用不同的开发环境有的用本地的笔记本电脑有的用本地的台式电脑有的用云服务器有的用云原生的容器集群导致的问题AI Agent的开发效率低下开发一个单场景化Agent需要1-2周复用率低下基础能力的复用率只有20%以下上线速度慢上线一个单场景化Agent需要2-3周稳定性差千万级并发下的响应时间在1000ms以上千万级并发下的稳定性只有99%以下。**AI Agent编排调度困难单Agent无法覆盖跨渠道跨场景的混合需求比如直播间下单流程指导售后咨询混合、售前种草比价物流查询混合多Agent协作的时序问题比如先调用哪个Agent后调用哪个Agent出错了怎么办失败重试多少次怎么重试多Agent协作的权限问题比如哪个Agent可以调用哪个工具哪个Agent可以访问哪个知识库哪个Agent可以访问哪个数据库多Agent协作的数据隔离问题比如不同渠道的用户数据、不同品牌商的用户数据、不同租户的用户数据怎么隔离多Agent协作的容错机制问题比如某个Agent调用失败了怎么处理是跳过这个Agent还是重试这个Agent还是返回给用户提示导致的问题开发一个跨场景多Agent协作需要2-3个月甚至半年千万级并发下的稳定性只有98%以下。**AI Agent监控告警不完善无法统一监控AI Agent的性能指标比如响应时间、吞吐量、错误率、并发数无法统一监控AI Agent的业务指标比如人工替代率、满意度、工单处理效率、GMV间接提升无法统一监控AI Agent的安全指标比如敏感信息泄露次数、违禁词输出次数、错误决策次数无法及时发现AI Agent的问题比如某个Agent的响应时间突然变长某个Agent的错误率突然变高某个Agent的敏感信息泄露次数突然变多无法及时告警比如无法通过邮件、短信、钉钉、企业微信等方式及时告警给相关的开发人员、运维人员、产品人员导致的问题上线后的Agent问题发现不及时解决不及时业务损失严重。**AI Agent安全合规性问题敏感信息泄露比如AI Agent可能会输出用户的手机号、身份证号、银行卡号、订单号等敏感信息违禁词输出比如AI Agent可能会输出色情、暴力、政治敏感、虚假宣传等违禁词错误决策比如AI Agent可能会错误地给用户退款、错误地给用户发货、错误地给用户推荐不合适的产品导致的问题企业可能会面临用户投诉、监管处罚、法律诉讼等风险**AI Agent效果评估与迭代优化困难无法统一评估AI Agent的效果比如准确率、召回率、F1值、BLEU值、ROUGE值、人工替代率、满意度无法快速迭代优化AI Agent的效果比如无法快速地进行A/B测试、无法快速地分析效果不好的原因、无法快速地调整Prompt模板、无法快速地调整大模型、无法快速地调整知识库导致的问题上线后的Agent效果优化全靠人工分析占比从90%效果优化速度慢人工替代率提升1%需要1-2个月满意度提升0.1/5需要1-2个月**AI Agent资产化管理缺失AI Agent的基础能力、场景化能力、工具库、知识库、Prompt模板、A/B测试报告、效果评估报告等无法作为企业的数字资产进行管理与复用导致的问题开发一个新的单场景化Agent需要重新开发所有的基础能力开发效率低下成本高昂问题解决为了解决以上的问题我们团队结合了互联网大厂的经验再结合了DevOpsCI/CD/DevSecOps的理念结合了AI Agent的特性比如工具调用、多模态、自我反思、多Agent协作构建了一套我们内部叫「智工智能全生命周期工程化Harness 2.5」体系它包含了以下的核心模块**AI Agent开发环境标准化模块统一的开发语言Python 3.10以上统一的大模型接入框架LangChain 0.2以上、LangGraph 0.2以上、LlamaIndex 0.10以上、AutoGen 0.4以上统一的开发工具链VS Code 自定义的VS Code插件、自定义的CLI工具统一的开发环境Docker Kubernetes Helm 自定义的DevContainer解决的问题AI Agent的开发效率提升了80%以上开发一个单场景化Agent需要1-2天基础能力的复用率达到了92%以上上线速度提升了80%以上上线一个单场景化Agent需要1-2天千万级并发下的响应时间在200ms以内千万级并发下的稳定性达到了99.99%以上**AI Agent编排调度模块基于LangGraph的可视化多Agent协作编排基于Kubernetes的容器化调度基于Redis的分布式锁、分布式缓存、分布式队列基于Open Policy Agent (OPA)的权限控制基于Vault的敏感信息加密解决的问题开发一个跨场景多Agent协作需要3-5天千万级并发下的稳定性达到了99.99%以上**AI Agent监控告警模块基于Prometheus的性能指标监控基于自定义业务指标采集器的业务指标监控基于自定义安全指标采集器的安全指标监控基于Grafana的可视化监控基于Alertmanager的告警基于Jaeger的全链路追踪基于Loki的日志收集与分析解决的问题可以统一监控AI Agent的性能指标、业务指标、安全指标可以及时发现AI Agent的问题可以及时通过邮件、短信、钉钉、企业微信等方式及时告警给相关的开发人员、运维人员、产品人员**AI Agent安全合规模块基于HashiCorp Vault的敏感信息加密与管理基于Open Policy Agent (OPA)的权限控制与安全策略基于自定义的敏感信息过滤模块的敏感信息过滤基于自定义的违禁词过滤模块的违禁词过滤基于自定义的自我反思模块的错误决策纠正解决的问题可以有效防止敏感信息泄露、违禁词输出、错误决策等安全合规性问题**AI Agent效果评估与迭代优化闭环模块基于自定义的效果评估模块的统一效果评估基于自定义的A/B测试模块的A/B测试基于自定义的根因分析模块的自动根因分析基于自定义的Prompt优化模块的自动Prompt优化基于自定义的知识库优化模块的自动知识库优化基于自定义的大模型微调模块的自动大模型微调解决的问题可以统一评估AI Agent的效果可以快速进行A/B测试可以快速分析效果不好的原因可以快速调整Prompt模板可以快速调整知识库可以快速微调大模型上线后的效果优化从人工分析占比从90%降到了5%剩下的95%都是系统自动分析自动迭代的**AI Agent资产化管理与复用模块基于自定义的资产库的AI Agent基础能力、场景化能力、工具库、知识库、Prompt模板、A/B测试报告、效果评估报告等的管理与复用基于自定义的资产检索模块的资产检索基于自定义的资产评分模块的资产评分解决的问题可以将AI Agent的基础能力、场景化能力、工具库、知识库、Prompt模板、A/B测试报告、效果评估报告等作为企业的数字资产进行管理与复用开发效率提升了80%以上成本降低了70%以上边界与外延边界**本套「智工智能全生命周期工程化Harness 2.5」体系是一套通用的AI Agent全生命周期工程化落地框架它不包含具体的业务逻辑具体的业务逻辑需要用户自己根据自己的业务场景进行开发**本套「智工智能全生命周期工程化Harness 2.5」体系目前只支持Python 3.10以上的开发语言其他开发语言的支持正在开发中**本套「智工智能全生命周期工程化Harness 2.5」体系目前只支持国内的大模型比如通义千问、文心一言、讯飞星火、智谱AI GLM和开源的大模型比如Qwen2.5、Llama3.1、Mistral 8x7B其他大模型的支持正在开发中外延**本套「智工智能全生命周期工程化Harness 2.5」体系可以与现有的DevOps体系比如GitLab CI/CD、GitHub Actions、Jenkins进行集成**本套「智工智能全生命周期工程化Harness 2.5」体系可以与现有的监控告警体系比如Prometheus、Grafana、Jaeger、Loki进行集成**本套「智工智能全生命周期工程化Harness 2.5」体系可以与现有的安全合规体系比如Open Policy Agent (OPA)、HashiCorp Vault进行集成**本套「智工智能全生命周期工程化Harness 2.5」体系可以与现有的业务系统比如电商系统、金融系统、制造业系统进行集成概念结构与核心要素组成概念结构本套「智工智能全生命周期工程化Harness 2.5」体系的概念结构分为三层底层基础设施层硬件基础设施笔记本电脑、台式电脑、云服务器、云原生的容器集群、大模型环境软件基础设施操作系统、Docker、Kubernetes、Helm、GitLab CI/CD/GitHub Actions/Jenkins、Prometheus、Grafana、Jaeger、Loki、Open Policy Agent (OPA)、HashiCorp Vault、PostgreSQL、MongoDB、Redis、Vector DB中间层核心功能层AI Agent开发环境标准化模块统一的开发语言、统一的大模型接入框架、统一的开发工具链、统一的开发环境AI Agent编排调度模块基于LangGraph的可视化多Agent协作编排、基于Kubernetes的容器化调度、基于Redis的分布式锁、分布式缓存、分布式队列、基于Open Policy Agent (OPA)的权限控制、基于Vault的敏感信息加密AI Agent监控告警模块基于Prometheus的性能指标监控、基于自定义业务指标采集器的业务指标监控、基于自定义安全指标采集器的安全指标监控、基于Grafana的可视化监控、基于Alertmanager的告警、基于Jaeger的全链路追踪、基于Loki的日志收集与分析AI Agent安全合规模块基于HashiCorp Vault的敏感信息加密与管理、基于Open Policy Agent (OPA)的权限控制与安全策略、基于自定义的敏感信息过滤模块的敏感信息过滤、基于自定义的违禁词过滤模块的违禁词过滤、基于自定义的自我反思模块的错误决策纠正AI Agent效果评估与迭代优化闭环模块基于自定义的效果评估模块的统一效果评估、基于自定义的A/B测试模块的A/B测试、基于自定义的根因分析模块的自动根因分析、基于自定义的Prompt优化模块的自动Prompt优化、基于自定义的知识库优化模块的自动知识库优化、基于自定义的大模型微调模块的自动大模型微调AI Agent资产化管理与复用模块基于自定义的资产库的AI Agent基础能力、场景化能力、工具库、知识库、Prompt模板、A/B测试报告、效果评估报告等的管理与复用、基于自定义的资产检索模块的资产检索、基于自定义的资产评分模块的资产评分上层业务应用层电商全渠道客服体系直播间下单流程指导、比价、售后咨询、售后工单生成、售后工单处理、种草推荐、优惠券推荐、物流查询、退换货查询、历史订单查询、品牌商问题转接、客服转接金融风控体系欺诈检测、信用评估、反洗钱、风险预警制造业数字化转型体系设备预测性维护、生产流程优化、供应链管理医疗辅助诊断体系疾病辅助诊断、用药辅助推荐、病历辅助书写教育辅助教学体系个性化学习推荐、作业辅助批改、答疑辅助解答核心要素组成本套「智工智能全生命周期工程化Harness 2.5」体系的核心要素组成如下**统一的开发语言Python 3.10以上**统一的大模型接入框架LangChain 0.2以上、LangGraph 0.2以上、LlamaIndex 0.10以上、AutoGen 0.4以上**统一的开发工具链VS Code 自定义的VS Code插件、自定义的CLI工具**统一的开发环境Docker Kubernetes Helm 自定义的DevContainer**可视化多Agent协作编排工具基于LangGraph的可视化多Agent协作编排工具**容器化调度工具基于Kubernetes的容器化调度工具**分布式锁、分布式缓存、分布式队列工具基于Redis的分布式锁、分布式缓存、分布式队列工具**权限控制工具基于Open Policy Agent (OPA)的权限控制工具**敏感信息加密与管理工具基于HashiCorp Vault的敏感信息加密与管理工具**性能指标监控工具基于Prometheus的性能指标监控工具**业务指标监控工具基于自定义业务指标采集器的业务指标监控工具**安全指标监控工具基于自定义安全指标采集器的安全指标监控工具**可视化监控工具基于Grafana的可视化监控工具**告警工具基于Alertmanager的告警工具**全链路追踪工具基于Jaeger的全链路追踪工具**日志收集与分析工具基于Loki的日志收集与分析工具**敏感信息过滤工具基于自定义的敏感信息过滤工具**违禁词过滤工具基于自定义的违禁词过滤工具**自我反思工具基于自定义的自我反思工具**统一效果评估工具基于自定义的效果评估工具**A/B测试工具基于自定义的A/B测试工具**自动根因分析工具基于自定义的根因分析工具**自动Prompt优化工具基于自定义的Prompt优化工具**自动知识库优化工具基于自定义的知识库优化工具**自动大模型微调工具基于自定义的大模型微调工具**资产库基于自定义的资产库**资产检索工具基于自定义的资产检索工具**资产评分工具基于自定义的资产评分工具概念之间的关系概念核心属性维度对比 markdown 表格概念核心属性应用场景优势劣势AI Agent Harness广义的包裹、编排、调度、监控、评估、迭代优化、资产化管理与复用AI Agent全生命周期所有需要AI Agent落地的业务场景可以帮助企业快速、高效、稳定、安全地开发、测试、预发布、发布、运维、优化AI Agent可以提高AI Agent的复用率、上线速度、稳定性、安全性、业务价值需要一定的云原生、DevOps、AI Agent的基础知识需要一定的硬件、软件投入AI Agent具有感知能力、决策能力、行动能力的智能体电商全渠道客服、金融风控、制造业数字化转型、医疗辅助诊断、教育辅助教学等可以自主地或者在人类的辅助下完成特定的任务或者一系列的任务需要接入大语言模型需要开发业务逻辑需要监控、评估、迭代优化AI Agent全生命周期从需求分析、设计、开发、测试、预发布、发布、运维、优化、下线的整个过程所有需要AI Agent落地的业务场景可以规范AI Agent的开发、测试、预发布、发布、运维、优化、下线的整个过程需要一定的流程管理能力AI Agent资产化管理将AI Agent的基础能力、场景化能力、工具库、知识库、Prompt模板、A/B测试报告、效果评估报告等作为企业的数字资产进行管理与复用所有需要AI Agent落地的业务场景可以提高AI Agent的开发效率、降低成本、提高复用率需要一定的资产管理能力概念联系的ER 实体关系 mermaid架构图包裹、编排、调度、监控、评估、迭代优化、资产化管理与复用规范包含包含管理与复用管理与复用管理与复用管理与复用管理与复用管理与复用管理与复用管理与复用使用使用使用使用使用生成生成AI_AGENT_HARNESSAI_AGENTAI_AGENT_FULL_LIFECYCLEAI_AGENT_ASSET_MANAGEMENTBASIC_CAPABILITYSCENARIO_CAPABILITYTOOL_LIBRARYKNOWLEDGE_BASEPROMPT_TEMPLATEAB_TEST_REPORTEFFECT_EVALUATION_REPORT交互关系图mermaid架构图渲染错误:Mermaid 渲染失败: Parse error on line 32: ... Developer --|开发AI Agent -- AgentDevel -----------------------^ Expecting SEMI, NEWLINE, EOF, AMP, START_LINK, LINK, LINK_ID, got NODE_STRING核心原理解析架构/流程图整体架构图mermaid架构图渲染错误:Mermaid 渲染失败: Parse error on line 180: ...ativeCluster --|运行 ----------------------^ Expecting SQE, DOUBLECIRCLEEND, PE, -), STADIUMEND, SUBROUTINEEND, PIPE, CYLINDEREND, DIAMOND_STOP, TAGEND, TRAPEND, INVTRAPEND, UNICODE_TEXT, TEXT, TAGSTART, got 1