智联工坊实战：多工具协同Agent，让AI像人类一样规划与执行复杂任务

【导航台账】制造业数据与AI践行者老蒋的技术博客全系列文章汇总（持续更新）

📌 文章摘要

单工具Agent只能“回答”，多工具协同Agent才能“解决”。本文以智联工坊设备故障闭环处理为场景，从零搭建一个能完成“查手册→查排班→查备件→生成工单”完整任务链的多工具协同Agent。深入拆解任务分解、链式编排、中间结果传递三大核心能力，并记录调试过程中遇到的“嵌套JSON”与“Markdown代码块”两大实战坑点。全源码将开源，请关注更新情况。

开篇：痛点和场景

兄弟们，Case01和Case02我们搞定了一个制造Agent的“手脚”和“记忆”。它能算OEE、能查手册、能问排班，还能记住你之前说过什么。

但班组长小刘试用了一段时间后，给我提了一个新需求。

他说：“老蒋，你这个Agent确实能干活了。但每次我都要自己判断‘该用哪个工具’。能不能这样——我跟它说‘设备报错了’，它自己就知道该查手册、该问排班、该查备件，最后给我一张工单？”

我当时的第一反应是：这不科学啊…… 我这Agent虽然能干活，但要让它自己做决策、自己编排工具顺序、自己传递中间结果——这可不是加一行代码能搞定的。

但小刘说得对。单工具Agent只能“回答”，多工具协同Agent才能“解决”。

本文要解决的痛点：让Agent能自主完成一个完整的任务链——用户只需要说“设备报错了”，Agent自动执行“查手册→查排班→查备件→生成工单”的全流程。

适合谁读：已经跑通单工具Agent（如Case01），希望将Agent能力从“回答问题”升级为“解决问题”的开发者。

脱敏声明：本文基于虚拟工厂“智联工坊”场景，所有数据均已脱敏处理。

正文：方案设计

场景定义：设备故障闭环处理

我们以一个真实的制造场景为例：

用户输入：“交互屏组装A线设备报错E401，帮我排查一下”

Agent需要自动完成：

查维修手册 → 获取E401的维修指引

查产线排班 → 确认今天有没有人

查备件库存 → 确认需要更换的备件够不够

生成维修工单 → 汇总信息，生成标准工单

这个场景的难度在于：Agent不能只调用一个工具，它需要自己做决策——先查什么、再查什么、查到的结果怎么传给下一个工具。

工程目录结构

javy21_manufacturing_ai_practice/
├── common/                          # 共享基建层（复用Case01/Case02）
│   ├── base_agent_builder.py
│   ├── chroma_client.py
│   └── llm_client.py
│
└── cases/
    └── case03_multi_tools_agent/    # Case03：多工具协同Agent
        ├── config.py
        ├── tools/
        │   ├── __init__.py
        │   ├── search_manual.py      # ① 手册检索（复用Case01）
        │   ├── query_shift.py        # ② 排班查询（复用Case01）
        │   ├── query_spare_parts.py  # ③ 备件库存（新增）
        │   └── generate_work_order.py# ④ 生成工单（新增）
        ├── agent/
        │   └── builder.py            # 注册4个工具，定制Prompt
        ├── scripts/
        │   └── 01_test_cli.py        # 交互式CLI测试
        └── web/                      # 可选Web界面

和Case01的区别：工具从3个扩展到4个（新增备件库存和工单生成），更重要的是Agent的Prompt中加入了“链式推理”的引导。

核心实现：让Agent学会“先做什么，再做什么”

Step 1：工具定义——新增2个核心工具

③ 备件库存查询工具（query_spare_parts.py）

这个工具模拟了真实工厂的备件库存系统：

class SparePartsInput(BaseModel):
    part_name: str = Field(description="备件名称或型号关键词")

class QuerySparePartsTool(BaseTool):
    name: str = "query_spare_parts"
    description: str = "查询制造产线的备件库存信息..."
    args_schema: Type[BaseModel] = SparePartsInput

    def _run(self, part_name: str) -> str:
        # 模拟库存数据库查询
        # 返回：库存状态、库位、数量、采购周期

④ 生成维修工单工具（generate_work_order.py）

这个工具将多个信息源汇总成标准化工单：

class GenerateWorkOrderTool(BaseTool):
    name: str = "generate_work_order"
    description: str = "生成智联工坊标准维修工单..."
    args_schema: Optional[Type[BaseModel]] = None  # 关键：手动解析参数

    def _run(self, *args, **kwargs) -> str:
        # 手动解析Agent传入的所有参数
        # 生成结构化工单

这里要留个心眼：为什么 args_schema=None？因为LangChain的ReAct Agent会把所有参数打包成一个JSON字符串塞进第一个字段，导致Pydantic校验失败。绕过校验、在 _run 内部手动解析是更健壮的做法。

Step 2：Agent组装——注册4个工具

builder.py 的核心代码只有这几行：

class MultiToolsAgentBuilder(BaseAgentBuilder):
    def __init__(self, **kwargs):
        kwargs.setdefault("temperature", 0.0)
        kwargs.setdefault("max_iterations", 8)  # 复杂任务链需要更多迭代
        kwargs.setdefault("memory_type", None)
        super().__init__(**kwargs)

    def _register_tools(self) -> List[BaseTool]:
        return [
            SearchManualTool(),      # ① 手册检索
            QueryShiftTool(),        # ② 排班查询
            QuerySparePartsTool(),   # ③ 备件库存
            GenerateWorkOrderTool(), # ④ 生成工单
        ]

Step 3：Prompt引导——告诉Agent“先做什么，再做什么”

这是多工具协同Agent最关键的部分。Prompt中必须明确告诉Agent：

1. 任务的执行顺序（先查手册→再查排班→再查备件→最后生成工单）

2. 中间结果的传递方式（上一步的结果要作为下一步的输入）

3. 容错规则（如果某一步查不到数据，不要死磕，继续往下走）

def _get_prompt_template(self) -> str:
    return """
你是一个资深的智联工坊制造运维专家。你有权使用以下工具：
{tools}

**核心工作流程**：
1. 如果用户没有提供产线名称或故障码，直接询问用户。
2. 处理故障时，请严格按以下顺序分步执行：
   - 第一步：search_manual → 获取维修指引
   - 第二步：query_shift → 查询产线排班
   - 第三步：query_spare_parts → 查询备件库存
   - 第四步：generate_work_order → 生成维修工单
3. 上一步的结果，必须作为下一步的输入。
4. 如果某一步返回"未找到"，标记为"数据缺失"，继续执行后续步骤。
...
"""

运行验证：完整的多工具协同流程

运行 01_test_cli.py，输入：

交互屏组装A线设备报错E401，帮我排查一下

Agent的思考链如下：

Action: search_manual
Action Input: {"fault_code": "E401"}
Observation: 【智联工坊维修手册匹配】
交互屏E401错误：触摸屏驱动通信超时，请重启工控机并检查USB连接线。

Action: query_shift
Action Input: {"line_name": "交互屏组装A线"}
Observation: {"status": "not_found", "message": "未找到排班数据", "suggestion": "继续下一步排查"}

Action: query_spare_parts
Action Input: {"part_name": "触摸屏驱动"}
Observation: {"status": "success", "part": "触摸屏", "inventory": {"status": "充足", "quantity": 15, "location": "A-3-12"}}

Action: generate_work_order
Action Input: {"line_name": "交互屏组装A线", "fault_code": "E401", "solution": "重启工控机并检查USB连接线", "spare_parts_status": "充足", "assigned_shift": "白班"}

Final Answer: 已生成工单 WO-20260804-4164 ...

关键验证点：

1. 顺序执行：Agent严格按照 search_manual → query_shift → query_spare_parts → generate_work_order 的顺序执行

2. 中间结果传递：search_manual 返回的“触摸屏驱动”被 query_spare_parts 作为输入使用

3. 容错处理：query_shift 返回“未找到”，Agent没有死磕，直接跳到下一步

4. 结构化输出：generate_work_order 输出了包含工单编号、故障码、备件状态、执行步骤的完整工单

总结：价值提炼

本文解决了什么：将一个单步的“问答Agent”升级为多步的“任务解决Agent”。用户只需要说“设备报错了”，Agent自主完成从查手册到出工单的完整闭环。

三个关键认知：

1. 任务分解是核心：多工具协同的关键不是工具多，而是Agent能理解“先做什么、再做什么”。Prompt中的顺序引导是成败的关键。

2. 容错比完美更重要：真实场景中，数据缺失是常态。Agent需要学会“跳过”而不是“死磕”。在Prompt中明确容错规则，比在代码中处理异常更有效。

3. 手动解析参数比Pydantic校验更健壮：ReAct Agent习惯把参数打包成嵌套JSON，args_schema=None + 手动解析是绕过这个坑的有效方式。

智能工厂对标：本方案对应GB/T 39116-2020中“生产作业”能力域（主域）——实现设备故障的自动化闭环处理；以及“数据资源”能力域（辅域）——实现维修知识、备件库存、排班数据的跨系统协同。可直接用于国家智能制造能力成熟度三级（集成级）申报材料中的技术佐证。

系列导航

• 本文所属系列：【AI赋能数据开发工程手册】

• 上一篇：Agent的记忆系统：从短时记忆到长时记忆

• 下一篇：《数据质量智能巡检Agent》（Case04，即将发布）

互动与交流

        你在将Agent从“单工具”升级到“多工具协同”时，有没有遇到过Agent“不知道该先调用哪个工具”的问题？或者工具之间的参数传递卡住了？欢迎评论区吐槽，咱们一起聊聊——说实话，让Agent学会“分步执行”这件事，我前前后后折腾了好几天。

关于作者

        制造业数据与AI践行者老蒋，23年IT老兵。聚焦制造业数据架构与AI融合落地。全流程实战，全源码开源。

📌 排坑笔记预告（主文完成后产出）