从零构建生产级AI智能体：ConnectOnion框架实战指南

1. 项目概述从零到一构建你的第一个生产级AI智能体如果你正在寻找一个能让你快速上手、功能强大且开箱即用的AI智能体框架ConnectOnion 绝对值得你花时间深入了解。它不是又一个简单的LLM调用封装库而是一个旨在解决AI智能体开发中所有“周边”问题的完整解决方案。简单来说ConnectOnion 的核心哲学是“让简单的事情保持简单让复杂的事情成为可能”。这意味着当你只想快速验证一个想法时几行代码就能跑起来而当你需要构建一个具备复杂协作、安全管控和生产部署能力的多智能体系统时它也能提供坚实的脚手架和丰富的工具链。我最初接触这个框架是因为厌倦了在构建智能体时总需要重复搭建后端API、设计前端界面、编写工具调用逻辑、处理日志和调试。ConnectOnion 将这些繁琐的“基建”工作全部打包让你能专注于最核心的两件事设计提示词Prompt和编写工具函数Tools。无论是想做一个能自动处理邮件的个人助手还是一个能进行网页研究、数据分析的复杂工作流甚至是多个智能体协同工作的系统ConnectOnion 都提供了清晰的路径和现成的模块。接下来我将以一个资深开发者的视角带你深入拆解 ConnectOnion 的设计理念、核心功能并通过一个完整的实战项目展示如何从零构建一个具备文件操作、网页浏览和代码执行能力的“全能型”研究助手。我会分享在实际使用中踩过的坑、总结出的最佳实践以及如何利用其独特的调试和插件系统来提升开发效率。2. 核心设计理念与架构解析2.1 “简单”与“复杂”的平衡之道ConnectOnion 的设计哲学非常务实。很多框架要么过于简单只提供基础的LLM调用把工具集成、状态管理、多轮对话等难题都抛给开发者要么过于复杂学习曲线陡峭需要配置大量文件才能跑通一个“Hello World”。ConnectOnion 巧妙地找到了中间点。它的“简单”体现在入口极其平滑。安装后你只需要定义一个工具函数创建一个Agent实例然后调用agent.input()一个功能完整的智能体就开始工作了。所有复杂的部分——如将函数转换为OpenAI兼容的Tool Schema、管理对话历史、处理LLM的流式响应和工具调用循环——都被框架默默处理了。而它的“复杂”能力则通过一套模块化、可插拔的系统来提供。当你需要审批机制时可以引入shell_approval插件当你需要技能Skills系统来复用工作流时直接启用skills插件当你需要构建多智能体网络时使用host()函数即可将本地智能体发布为可远程调用的服务。这些高级功能不是硬编码在核心里的而是作为可选插件存在你可以按需取用甚至仿照其源码定制自己的插件。2.2 核心架构Agent 作为执行引擎在 ConnectOnion 中一切围绕Agent类展开。你可以把它理解为一个高度可配置的“执行引擎”。这个引擎的核心工作流程是一个经典的 ReActReasoning and Acting循环接收用户输入。将历史对话、系统提示词和可用工具列表发送给LLM。LLM 决定是生成回复还是调用工具。如果调用工具则执行对应的函数并将结果返回给LLM。重复步骤2-4直到LLM决定任务完成或达到最大迭代次数。ConnectOnion 的巧妙之处在于它通过生命周期钩子Lifecycle Hooks和插件系统将这个循环的几乎每一个环节都暴露给了开发者。这意味着你可以在LLM思考前、调用工具后、甚至每次迭代结束时注入自定义逻辑。例如内置的re_act插件就是在每次工具调用后强制LLM进行一次反思和规划这能显著提升复杂任务的完成质量。2.3 与众生的关键特性为什么是 ConnectOnion市面上智能体框架不少LangChain、AutoGen、CrewAI 都各有拥趸。ConnectOnion 的差异化优势在哪里根据我的实际使用体验主要有以下几点极简的函数即工具这是我最欣赏的一点。你不需要继承某个基类也不需要写复杂的描述JSON。一个带有类型注解和文档字符串的普通Python函数直接扔给Agent它就能自动识别并转化为可调用的工具。这大大降低了开发门槛和心智负担。内置的AI程序员co ai这是一个用 ConnectOnion 自身构建的AI助手它深度理解框架的API。当你不知道如何实现某个功能时可以直接在命令行用co ai与它对话它能生成可直接运行的、符合框架规范的代码。这不仅仅是文档查询而是真正的上下文感知编程辅助。开箱即用的前后端框架内置了基于FastAPI的后端服务器和一套现代化的前端聊天界面chat.openonion.ai。你写好智能体逻辑后几乎无需额外工作就拥有了一个可交互的Web应用。这对于快速原型演示和内部工具部署来说价值巨大。生产就绪的安全特性tool_approval和shell_approval等插件为危险操作如执行Shell命令、删除文件提供了自动审批流程。这在开发自主性较强的智能体时是至关重要的安全网。与 Claude Code 技能兼容如果你使用过Claude Code其技能Skills系统非常强大。ConnectOnion 可以直接读取.claude/skills/目录下的技能文件无需任何转换。这相当于让你能将在Claude中打磨好的工作流无缝迁移到可编程、可部署的智能体系统中。3. 从零开始构建一个“研究助手”智能体理论说得再多不如动手实践。让我们来构建一个功能相对完整的智能体它能够根据用户的研究主题自动搜索网页、保存关键信息到文件并能执行简单的数据分析脚本。我们将用到文件操作、浏览器自动化等内置工具。3.1 环境准备与项目初始化首先确保你的Python版本在3.10以上。然后安装ConnectOnionpip install connectonion我强烈推荐使用其CLI工具来初始化项目它能帮你自动设置好项目结构、.gitignore甚至引导你配置API密钥。# 使用 web-research 模板它预置了浏览器自动化等工具 co create my-research-assistant --template web-research cd my-research-assistant进入项目目录后你会看到一个结构清晰的文件树核心是agent.py文件。CLI工具会交互式地询问你的OpenAI API密钥并自动将其保存到.co/.env文件中。这种管理方式以.co/为前缀是框架的约定能很好地将项目配置与系统环境变量隔离。实操心得使用co create而非手动创建项目不仅能避免漏掉关键配置文件如.co/目录其模板自带的agent.py也是一个极佳的学习范例里面已经写好了基本的工具引入和Agent初始化逻辑你可以在此基础上修改效率远高于从零开始。3.2 定义核心工具函数打开agent.py我们可以看到模板已经引入了一些工具。我们来丰富它添加我们自己的工具。ConnectOnion 提倡使用普通的Python函数作为工具这非常直观。import os from datetime import datetime from connectonion import Agent # 从内置工具库导入我们需要的功能 from connectonion.useful_tools import FileTools from connectonion.useful_tools.browser_tools import BrowserAutomation # 1. 定义一个笔记整理工具 def save_research_note(topic: str, content: str, source: str ) - str: 将研究内容和来源保存到Markdown文件中。 Args: topic: 研究主题也作为文件名的一部分。 content: 研究得到的主要内容。 source: 信息来源的URL或名称可选。 Returns: 保存成功的确认信息。 # 使用安全的时间戳和主题创建文件名 timestamp datetime.now().strftime(%Y%m%d_%H%M%S) # 清理主题字符串避免非法文件名 safe_topic .join(c for c in topic if c.isalnum() or c in ( , -, _)).rstrip() safe_topic safe_topic[:50] # 限制长度 filename fresearch_{safe_topic}_{timestamp}.md # 确保 research_notes 目录存在 os.makedirs(research_notes, exist_okTrue) filepath os.path.join(research_notes, filename) # 构建Markdown内容 markdown_content f# 研究笔记{topic} **研究时间**{datetime.now().strftime(%Y-%m-%d %H:%M:%S)} **信息来源**{source if source else 未注明} ## 内容摘要 {content} --- *本笔记由研究助手智能体自动生成。* # 使用内置的 FileTools 安全地写入文件 file_tools FileTools() result file_tools.write_file(filepath, markdown_content) return f研究笔记已保存至{filepath}\n{result} # 2. 定义一个简单的数据摘要工具模拟数据分析 def summarize_data(data_description: str, key_points: list[str]) - str: 对描述的数据和关键点进行文本摘要。 Args: data_description: 对数据的文字描述。 key_points: 从数据中提取的关键点列表。 Returns: 结构化的摘要文本。 summary f根据描述数据概况如下\n\n**描述**{data_description}\n\n**关键发现**\n for i, point in enumerate(key_points, 1): summary f {i}. {point}\n summary f\n共识别出 {len(key_points)} 个关键点。 return summary # 注意BrowserAutomation 本身就是一个工具类可以直接使用无需再次包装成函数。注意事项在定义工具函数时类型注解Type Hints和文档字符串Docstring至关重要。ConnectOnion 依赖它们来自动生成供LLM理解的工具描述和参数模式。清晰的文档字符串能帮助LLM更准确地判断何时以及如何使用该工具。3.3 配置智能体与集成插件有了工具接下来就是组装智能体。我们将使用一个功能更强的系统提示词并集成几个实用的内置插件。# 3. 创建智能体实例 def create_research_agent(api_key: str None): 创建并配置研究助手智能体。 Args: api_key: 可选的OpenAI API密钥。如果为None则从环境变量读取。 # 定义系统提示词塑造智能体的“性格”和能力范围 system_prompt 你是一个专业、严谨且高效的研究助手。你的核心任务是帮助用户收集、整理和分析信息。 ## 你的能力 1. **网页浏览**你可以使用浏览器工具访问互联网获取最新信息。 2. **信息整理**你可以将获取的关键信息保存为结构化的Markdown笔记。 3. **初步分析**你可以对文本描述的数据进行归纳和摘要。 ## 工作原则 - **准确性优先**对于不确定的信息应注明来源或声明不确定性。 - **结构清晰**输出的笔记和分析结果必须条理清晰便于阅读。 - **主动确认**如果用户的任务模糊应主动询问细节例如研究的具体方向、需要保存哪些信息。 - **安全操作**所有文件操作和命令执行都已受到安全监控你只需专注于信息处理逻辑。 现在请开始协助用户进行研究工作。 # 初始化工具实例 browser_tool BrowserAutomation() # 浏览器自动化工具 file_tools FileTools() # 文件操作工具 # 导入有用的插件 from connectonion.useful_plugins import re_act, auto_compact, tool_approval # 创建Agent agent Agent( nameresearch_assistant, system_promptsystem_prompt, # 将我们的自定义函数和内置工具类实例都传入 tools[save_research_note, summarize_data, browser_tool, file_tools], # 集成插件 plugins[ re_act, # 启用反思-行动循环让智能体在每一步后思考 auto_compact, # 自动压缩过长的对话上下文节省Token tool_approval, # 为所有工具调用添加审批层特别是文件删除等 ], modelgpt-4o, # 选用一个能力平衡的模型 max_iterations15, # 研究任务可能步骤较多适当放宽限制 api_keyapi_key, # 可在此传入密钥优先级高于环境变量 ) return agent if __name__ __main__: # 可以从环境变量或外部配置读取API_KEY # os.environ[OPENAI_API_KEY] your_key_here agent create_research_agent() print(研究助手智能体已启动。输入您的研究主题或任务吧) # 进入简单的交互循环 while True: try: user_input input(\n您: ) if user_input.lower() in [quit, exit, q]: print(再见) break response agent.input(user_input) print(f\n助手: {response}) except KeyboardInterrupt: print(\n会话结束。) break except Exception as e: print(f\n发生错误: {e})核心细节解析插件顺序插件的加载顺序有时会影响其行为。通常像tool_approval这类安全插件应该被优先考虑。re_act和auto_compact是优化推理和资源使用的插件。max_iterations这个参数是防止智能体陷入死循环或无效循环的重要安全阀。对于研究类任务步骤可能较多设为15是一个合理的起点。你需要根据智能体实际执行任务的复杂度来调整。如果任务经常因迭代次数不足而中断就需要调高如果发现智能体在空转则应调低。模型选择gpt-4o在推理、工具调用和长上下文处理上取得了很好的平衡适合此类任务。你也可以根据成本和速度需求尝试gpt-4o-mini或gpt-4-turbo。4. 高级功能实战调试、技能与多智能体4.1 使用xray进行交互式调试智能体开发中最头疼的就是“黑盒”问题为什么它调用了这个工具而不是那个它理解的参数对吗ConnectOnion的xray装饰器和auto_debug()方法完美解决了这个问题。让我们给之前的save_research_note函数加上调试功能。from connectonion.decorators import xray xray # 添加此装饰器 def save_research_note(topic: str, content: str, source: str ) - str: # ... 函数体保持不变 ...现在在main函数中我们可以启动一个调试会话if __name__ __main__: agent create_research_agent() # 普通执行模式 # response agent.input(帮我研究一下Python异步编程的最新发展并保存笔记。) # print(response) # 调试模式这会进入一个交互式命令行调试器 agent.auto_debug(帮我研究一下Python异步编程的最新发展并保存笔记。)运行程序当智能体执行到被xray装饰的save_research_note函数时执行会暂停并弹出一个调试界面。你会看到工具名称和参数确认LLM传递给工具的参数值是否正确。局部变量查看函数接收到的具体值。操作菜单你可以选择继续执行、修改变量值用于测试边界情况、或者进入一个完整的Python REPL环境实时检查或修改agent的整个状态。避坑技巧调试复杂工作流时不要一开始就给所有工具都加上xray。这会导致频繁中断打乱调试节奏。建议先让任务完整跑一遍如果最终结果不对再根据日志判断可能出问题的环节有针对性地添加xray进行深入排查。agent.history.summary()方法可以输出简洁的执行轨迹是定位问题的好帮手。4.2 创建与使用技能Skills技能Skills是一种高级的工具封装它本质上是一个工作流模板可以包含多个步骤、特定的系统提示词和临时的工具权限。ConnectOnion 的技能系统与 Claude Code 兼容管理起来非常方便。假设我们经常需要执行“获取网页内容并保存为笔记”这个固定流程可以将其封装成一个技能。创建技能文件在项目根目录下创建.co/skills/fetch_and_save/SKILL.md目录名即技能名。# fetch_and_save ## Description 自动浏览指定URL提取主要内容并保存为研究笔记。 ## Steps 1. 使用浏览器工具访问用户提供的URL。 2. 从页面中提取核心文本内容排除导航栏、广告等。 3. 以“网页内容摘要”为主题将提取的内容和源URL保存为研究笔记。 ## Permissions - browser_tools: allow - file_tools.write_file: allow ## Prompt 当你使用此技能时请专注于从给定URL中提取有价值的信息并以清晰、结构化的格式保存。如果页面内容过多请进行总结而非全文保存。在智能体中启用技能插件修改create_research_agent函数添加skills插件。from connectonion.useful_plugins import skills # 导入技能插件 # 在创建Agent的plugins列表中增加 skills plugins[ re_act, auto_compact, tool_approval, skills, # 启用技能系统 ],使用技能现在当用户对智能体说“/fetch_and_save https://example.com”时智能体会自动加载该技能。技能中定义的Permissions会临时授予智能体使用browser_tools和file_tools.write_file的权限并且会按照Steps和Prompt的指导来执行任务。经验之谈技能非常适合标准化那些重复性的、多步骤的复杂任务。它不仅提高了智能体执行的准确性和一致性还通过权限隔离增强了安全性。你可以为不同部门如市场部、研发部创建不同的技能目录实现精细化的能力管理。4.3 构建简单的多智能体协作ConnectOnion 的host()函数和信任系统让多智能体协作变得简单。想象一个场景一个“研究员”智能体负责搜集信息一个“分析师”智能体负责加工信息并生成报告。首先我们创建第二个智能体——分析师。# analyst_agent.py from connectonion import Agent from connectonion.useful_tools import FileTools def analyze_text(text: str, analysis_type: str summary) - str: 对文本进行分析生成摘要或提取关键点。 if analysis_type summary: return f文本摘要{text[:150]}... # 简化的摘要逻辑 elif analysis_type keywords: # 这里可以集成更复杂的关键词提取库 return 模拟提取的关键词AI, 框架, 自动化 else: return f完成了对文本的{analysis_type}分析。 def create_analyst_agent(): system_prompt 你是一个文本分析师擅长总结、提取关键信息和生成报告。 file_tools FileTools() analyst Agent( nametext_analyst, system_promptsystem_prompt, tools[analyze_text, file_tools], trustopen, # 设置信任策略为“开放”允许被其他智能体调用 ) return analyst然后修改我们的研究员智能体使其在需要时调用分析师。# 在 research_agent.py 中 from connectonion import host, connect_to import threading def create_research_agent_with_analyst(): researcher create_research_agent() # 复用之前的创建函数 # 在一个单独的线程中启动分析师智能体作为服务 analyst_agent create_analyst_agent() def host_analyst(): host(analyst_agent, port8081) # 在8081端口托管 analyst_thread threading.Thread(targethost_analyst, daemonTrue) analyst_thread.start() print(分析师智能体已启动在端口 8081。) # 研究员智能体需要知道如何连接分析师 # 我们可以通过一个“桥接”工具来实现 def call_analyst(task: str, text: str) - str: 将分析任务委托给远程的分析师智能体。 Args: task: 分析任务如summary或keywords。 text: 需要分析的文本。 try: # 连接到远程智能体 remote_analyst connect_to(http://localhost:8081) # 调用远程智能体 response remote_analyst.input(f请对以下文本进行{task}分析\n\n{text}) return f分析师反馈{response} except Exception as e: return f调用分析师失败{e} # 将这个桥接工具添加到研究员智能体中 researcher.tools.append(call_analyst) # 更新研究员的系统提示词告知它现在可以求助分析师 researcher.system_prompt \n\n## 协作能力\n你可以将复杂的文本分析任务委托给专业的‘分析师’智能体使用call_analyst工具。 return researcher现在当研究员智能体遇到需要深度分析的内容时它就可以使用call_analyst工具将任务发给专门的分析师智能体处理实现初步的职能分工。核心细节解析trust参数是多智能体协作安全的核心。它有三级open开发环境信任所有调用。careful准生产环境白名单内的调用直接允许未知的调用会询问LLM是否放行。strict生产环境只允许白名单内的调用。 在真实生产部署中你需要为每个智能体精心配置trust规则和白名单这是保障系统安全不可或缺的环节。5. 部署实践与性能调优5.1 日志管理与行为分析ConnectOnion 的自动日志功能非常强大所有交互都被记录在.co/logs/目录下。但面对海量日志我们需要更有效的分析手段。# 示例分析智能体一次会话的效率 agent create_research_agent() result agent.input(找一个关于机器学习可解释性的最新综述并保存摘要。) # 获取本次会话的历史记录 history agent.history.get_session() # 获取当前会话的详细记录 print(f本次会话总耗时: {history[metadata].get(total_duration, N/A)}) print(fLLM调用次数: {len([h for h in history[steps] if h[type] llm_call])}) print(f工具调用次数: {len([h for h in history[steps] if h[type] tool_call])}) # 计算平均工具执行时间 tool_calls [h for h in history[steps] if h[type] tool_call] if tool_calls: avg_tool_time sum([h.get(duration_ms, 0) for h in tool_calls]) / len(tool_calls) / 1000 print(f平均工具执行时间: {avg_tool_time:.2f}秒) # 将关键指标保存下来用于长期监控 import json with open(session_metrics.json, a) as f: json.dump({ timestamp: datetime.now().isoformat(), task: research_ml_interpretability, llm_calls: len([h for h in history[steps] if h[type] llm_call]), tool_calls: len(tool_calls), total_duration: history[metadata].get(total_duration) }, f) f.write(\n)通过定期分析这些日志你可以发现智能体的行为模式哪些工具最常用哪些任务容易导致过多的LLM调用意味着提示词可能不够清晰平均迭代次数是多少这些数据是优化智能体性能和成本的关键依据。5.2 性能调优与成本控制运行AI智能体尤其是涉及复杂链式调用和长上下文时延迟和Token成本是必须考虑的问题。上下文管理auto_compact插件会自动在上下文长度达到阈值默认90%时尝试压缩历史消息。但对于超长文档处理你可能需要更激进的策略。可以考虑在on_iteration钩子中自定义逻辑主动丢弃早期的不重要对话轮次只保留最近的关键信息和系统提示词。模型选择策略并非所有任务都需要最强的模型。你可以实现一个路由逻辑简单的分类、提取任务使用gpt-4o-mini复杂的规划、推理任务使用gpt-4o或gpt-4-turbo。ConnectOnion 支持自定义LLM类你可以封装一个智能路由层。工具设计的“粒度”工具并非越强大越好。一个“万能”的工具往往需要复杂的参数和提示词导致LLM难以正确调用。应将工具设计得小而专一。例如与其一个handle_file工具处理所有文件操作不如拆分成read_file,write_file,list_directory等多个工具。这能提高LLM调用的准确率和效率。迭代次数max_iterations优化设置得太低任务无法完成设置得太高浪费资源且可能让智能体“迷失”。我的经验是通过分析日志找到完成典型任务所需的迭代次数分布然后将其第95百分位数作为max_iterations的初始值再根据实际情况微调。5.3 生产环境部署考量当你的智能体从原型走向生产时需要考虑以下几点API密钥管理切勿将API密钥硬编码在代码中。使用co create创建的项目会自动使用.co/.env。在生产环境可以使用环境变量、密钥管理服务如AWS Secrets Manager或通过Agent(api_key...)参数从安全的配置中心读取。错误处理与重试网络波动、LLM服务暂时不可用等情况时有发生。在调用agent.input()的外层务必实现健壮的错误处理和指数退避重试机制。速率限制如果你部署的智能体服务会面对大量并发请求需要在接入层如Nginx或应用层实现速率限制防止滥用和过高的API成本。监控与告警除了框架自带的日志还应集成应用性能监控APM工具监控智能体的响应时间、成功率和Token消耗。设置告警当异常情况如连续失败、成本激增发生时能及时通知。6. 常见问题与排查实录在实际开发和部署 ConnectOnion 智能体的过程中我遇到了不少典型问题。这里将其整理成速查表希望能帮你少走弯路。问题现象可能原因排查步骤与解决方案智能体不调用工具一直用文字回答1. 工具函数缺少类型注解或文档字符串。2. 系统提示词未明确指示使用工具。3. LLM模型能力不足如使用了gpt-3.5-turbo处理复杂任务。1. 检查工具函数确保所有参数都有类型注解函数有单行或完整的docstring。2. 在系统提示词中明确指令例如“你必须使用我提供的工具来完成任务。”3. 升级到更强的模型如gpt-4o并测试。使用agent.auto_debug()观察LLM的思考过程。xray调试器不弹出1. 未从connectonion.decorators正确导入xray。2. 装饰器放在了错误的位置应紧挨def行。3. 没有调用agent.auto_debug()而是用了agent.input()。1. 确认导入语句from connectonion.decorators import xray。2. 确保xray是函数定义前的唯一装饰器。3. 调试必须通过agent.auto_debug(“任务描述”)或agent.auto_debug()进入交互模式来触发。技能Skill未被识别1. 技能文件路径不符合约定。2.skills插件未被加载到Agent中。3. 技能文件格式错误如缺少## Description部分。1. 确认技能文件位于.co/skills/skill_name/SKILL.md或用户/全局目录。2. 检查创建Agent时plugins列表是否包含skills。3. 检查SKILL.md文件确保其符合Markdown格式并包含必要的章节。多智能体调用失败连接被拒绝1. 被调用的智能体未成功host()。2. 防火墙或网络策略阻止了端口访问。3.connect_to()使用的URL或端口错误。1. 确保服务端智能体已执行host(agent, portxxxx)且无报错。2. 检查服务端机器的防火墙设置确保指定端口开放。3. 在客户端使用curl http://localhost:PORT/health测试连通性。确认connect_to(“http://host:port”)参数正确。Token消耗过高或响应慢1. 对话历史agent.history过长未压缩。2. 工具返回的内容过于冗长。3. 模型本身较慢。1. 启用auto_compact插件。或在on_iteration钩子中手动清理早期历史。2. 让工具函数返回更精简的结果。例如网页抓取工具可以先提取摘要而非返回全文。3. 考虑使用gpt-4o-mini处理简单步骤或用流式响应如果前端支持改善用户体验。执行危险操作如rm -rf未启用安全审批插件。立即为涉及文件操作、Shell命令的Agent添加tool_approval和shell_approval插件。这些插件会中断执行并在控制台或配置的审批渠道如Slack请求人工确认。这是生产部署前必须完成的步骤。最后分享一个我个人的深刻体会构建一个强大的AI智能体其难点往往不在AI本身而在于如何将复杂的人类工作流清晰地拆解、定义成一系列可靠的工具和明确的规则。ConnectOnion 提供的这套“脚手架”——从极简的函数工具化到模块化的插件再到生产级的安全和多智能体支持——真正做到了把复杂性封装在框架内把创造性和控制权交还给开发者。它可能不是解决所有智能体问题的银弹但它绝对是目前将想法快速、稳健地转化为可运行智能体的最佳路径之一。