2026/9/9 17:59:33
FEATURED · 精选文章 
从 0 到 1 用 Parlant 搭出可靠的对话式 AI 代理保姆级教程【免费下载链接】parlantBuild reliable customer-facing AI agents with Parlant: an interaction control harness optimized for controlled, consistent, and predictable LLM interactions.项目地址: https://gitcode.com/GitHub_Trending/pa/parlant当客户一秒内从退款跳到改签你靠 prompt 写的 AI 还能按流程接住吗Parlant 是一个开源的 Python 对话行为建模引擎规则只写一遍引擎每轮挑出真正相关的条目放进上下文让代理的行为可控、可查。项目速览先花一分钟判断 Parlant 是否适合你的场景。解决的问题系统提示词写得越长模型越容易无视流程图写死则客户体验僵硬Parlant 每轮实时筛选上下文规则越多反而越稳技术栈Python 3.10FastAPI 服务OpenTelemetry 追踪兼容 OpenAI、Anthropic、Ollama 等模型提供方许可证Apache 2.0可免费商用适合谁要给真实客户做支持、预订、引导类代理且每次回复都要能说出依据的开发者开箱即得启动后自动提供 http://localhost:8800 的网页会话界面不写前端也能看到效果下面把它跑起来。快速上手从安装到第一次对话本节 3 步走完你会得到一个在浏览器里按你定义回话的代理。第 1 步准备环境。需要 Python 3.10 及以上版本以及一个 LLM 服务的 API key默认 OpenAIAnthropic 同样推荐。第 2 步写好 main.py 并安装运行。import asyncio import parlant.sdk as p async def main(): async with p.Server() as server: agent await server.create_agent( nameAirline Customer Support, descriptionHandles inquiries from airline passengers, ) await agent.create_guideline( conditioncustomer says hello, actiongreet warmly and ask what you can help with, ) asyncio.run(main())pip install parlant export OPENAI_API_KEY你的key python main.py第 3 步观察输出。终端会先对规则做一遍语义评估引擎在优化后台检索随后启动服务。打开 http://localhost:8800点新建会话输入 hello——你会看到代理主动按指南打招呼。想换提供方就写p.Server(nlp_servicep.NLPServices.cerebras)部分提供方安装时要加 extra 包如pip install parlant[cerebras]。看到这句招呼后值得拆开看看引擎在里面做了什么。核心机制支撑行为控制的四个部件本节给你 4 个描述代理行为的词以及各自的使用时机。指南 Guideline条件生效的行为规则它做什么每条指南是一个“条件 → 动作”对。每轮回复前引擎判断当前对话满足哪些条件只把命中的那条放进提示词因此几百条规则也不会稀释模型注意力。什么时候用发现代理在某个场景里语气或处理不当对新手讲得太深、对合规红线不够坚决时补一条。白话它是一张张“如果…就…”的便签需要时哪张相关就贴哪张。旅程 Journey可适应的业务流程它做什么把预订、排障、开户这类多轮流程建成“状态 转移”的图代理按图推进但能根据客户节奏跳步或回退。什么时候用业务流程有明确先后和必经动作比如先收集信息、再调工具、最后确认。白话给代理一张剧本允许它按观众反应调整走位但不许删掉关键场次。工具 Tool按需触发的外部能力它做什么把异步函数或 API 包成工具挂在一个观察observation一个语义条件上对话命中该条件才调用结果也按需进上下文。什么时候用要查库存、查订单、写系统时又不希望工具常驻提示词而被误触发。白话工具不是客户点的按钮是模型在合适时机才“点单”的菜品。固定回复 Canned Response零幻觉模板它做什么预备一批审批过的回复模板代理先打草稿再从模板里挑最贴切的一条发出严格模式下只能说模板里的话。什么时候用合规声明、拒绝话术、道歉等“差一个字都不行”的高风险时刻。白话把临场发挥换成从一副牌里抽牌牌面全是提前审过的。四个部件单看都直白串在一个完整案例里更好消化。实战演练做一个航空预订客服 本节把流程、指南、工具、模板串成一个可运行的客服代理。第 1 步写主程序。定义 1 条旅程客户想订机票时触发和 1 个查票价工具# main.py核心部分另 2 条指南见下节说明 p.tool # 模拟工具查票价 async def get_fares(ctx: p.ToolContext, dest: str) - p.ToolResult: return p.ToolResult(datafRound trip to {dest}: 1980 yuan) async def main(): async with p.Server() as server: agent await server.create_agent( nameAirline Customer Support, descriptionBooking and FAQ) j await agent.create_journey( titleBook Flight, conditions[customer wants to book a flight]) t1 await j.initial_state.transition_to(chat_stateask for destination and date) await t1.target.transition_to(tool_stateget_fares) # 省略2 条指南保险 FAQ、跑题严格模板 asyncio.run(main())第 2 步补齐 2 条指南。一条管保险咨询condition写“customer asks about insurance”action写“列出险种并说明”。另一条管跑题设composition_modep.CompositionMode.STRICT用canned_responses挂一条审批过的模板并给priority100让引擎只聚焦它——这样话题跑偏时代理只会说那句准备好的话。第 3 步重启并跑 3 轮测试 ✅运行python main.py在 localhost:8800 依次输入“I want to book a flight to Sanya”——代理进入预订流程问完日期后调用get_fares报价“Do you sell insurance?”——按保险指南作答不打断进行中的预订“Tell me a joke”——严格模板生效回复与模板一字不差。运行后你会在页面右侧的消息详情面板里看到引擎每轮命中的指南和调用的工具这是 Parlant 默认自带的追踪能力。概念都上手了首次运行最容易栽的几个坑集中在这几处。常见问题与避坑 下面 4 个问题按“现象 → 原因 → 处理”给出覆盖新手期的高发故障。1. 浏览器打不开 8800 端口现象终端提示服务已启动页面却空白或拒绝连接。 原因端口被别的进程占用或你在另一台机器上运行了程序。 处理用lsof -i:8800Windows 为netstat -ano | findstr 8800查占用并停掉。2. 代理有回复但指南从不触发现象说 hello它却不按你写的动作来。 原因condition写得太窄例如限定“说中文的 hello”或模型太小、判断不稳定。 处理条件用口语化描述覆盖更多说法先用 OpenAI、Anthropic 的主流模型官方文档明确提示小型现成模型容易产生不稳定结果。3. 工具该调不调、不该调乱调现象客户明确问价格工具没动或闲聊时也被调用。 原因观察触发工具用的语义条件的措辞和真实客户说法对不上。 处理把条件改成贴近客户原话的描述两个相近工具就拆成不同观察来区分场景。4. 换用其他提供方后启动报缺模块现象改成 Cerebras 等提供方import 阶段直接报错。 原因部分提供方是 optional extra没有随主包安装。 处理pip install parlant[cerebras]或按提供方装对应 extra。坑清完可以接着往深处读了。延伸资源Parlant 不替代你的业务系统只接管“行为控制层”——这条是全文想让你带走的一句话剩下的地图如下安装文档从安装到第一条指南的完整流程指南文档条件、优先级与指南间关系的详细规则可解释性文档每轮决策的 OpenTelemetry 追踪怎么读仓库里的examples/healthcare.py是一个可完整运行的预约 化验单双流程示例社区入口列在 README.md 顶部欢迎带着问题去提问。【免费下载链接】parlantBuild reliable customer-facing AI agents with Parlant: an interaction control harness optimized for controlled, consistent, and predictable LLM interactions.项目地址: https://gitcode.com/GitHub_Trending/pa/parlant创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
从 0 到 1 用 Parlant 搭出可靠的对话式 AI 代理（保姆级教程）
从 0 到 1 用 Parlant 搭出可靠的对话式 AI 代理保姆级教程【免费下载链接】parlantBuild reliable customer-facing AI agents with Parlant: an interaction control harness optimized for controlled, consistent, and predictable LLM interactions.项目地址: https://gitcode.com/GitHub_Trending/pa/parlant当客户一秒内从退款跳到改签你靠 prompt 写的 AI 还能按流程接住吗Parlant 是一个开源的 Python 对话行为建模引擎规则只写一遍引擎每轮挑出真正相关的条目放进上下文让代理的行为可控、可查。项目速览先花一分钟判断 Parlant 是否适合你的场景。解决的问题系统提示词写得越长模型越容易无视流程图写死则客户体验僵硬Parlant 每轮实时筛选上下文规则越多反而越稳技术栈Python 3.10FastAPI 服务OpenTelemetry 追踪兼容 OpenAI、Anthropic、Ollama 等模型提供方许可证Apache 2.0可免费商用适合谁要给真实客户做支持、预订、引导类代理且每次回复都要能说出依据的开发者开箱即得启动后自动提供 http://localhost:8800 的网页会话界面不写前端也能看到效果下面把它跑起来。快速上手从安装到第一次对话本节 3 步走完你会得到一个在浏览器里按你定义回话的代理。第 1 步准备环境。需要 Python 3.10 及以上版本以及一个 LLM 服务的 API key默认 OpenAIAnthropic 同样推荐。第 2 步写好 main.py 并安装运行。import asyncio import parlant.sdk as p async def main(): async with p.Server() as server: agent await server.create_agent( nameAirline Customer Support, descriptionHandles inquiries from airline passengers, ) await agent.create_guideline( conditioncustomer says hello, actiongreet warmly and ask what you can help with, ) asyncio.run(main())pip install parlant export OPENAI_API_KEY你的key python main.py第 3 步观察输出。终端会先对规则做一遍语义评估引擎在优化后台检索随后启动服务。打开 http://localhost:8800点新建会话输入 hello——你会看到代理主动按指南打招呼。想换提供方就写p.Server(nlp_servicep.NLPServices.cerebras)部分提供方安装时要加 extra 包如pip install parlant[cerebras]。看到这句招呼后值得拆开看看引擎在里面做了什么。核心机制支撑行为控制的四个部件本节给你 4 个描述代理行为的词以及各自的使用时机。指南 Guideline条件生效的行为规则它做什么每条指南是一个“条件 → 动作”对。每轮回复前引擎判断当前对话满足哪些条件只把命中的那条放进提示词因此几百条规则也不会稀释模型注意力。什么时候用发现代理在某个场景里语气或处理不当对新手讲得太深、对合规红线不够坚决时补一条。白话它是一张张“如果…就…”的便签需要时哪张相关就贴哪张。旅程 Journey可适应的业务流程它做什么把预订、排障、开户这类多轮流程建成“状态 转移”的图代理按图推进但能根据客户节奏跳步或回退。什么时候用业务流程有明确先后和必经动作比如先收集信息、再调工具、最后确认。白话给代理一张剧本允许它按观众反应调整走位但不许删掉关键场次。工具 Tool按需触发的外部能力它做什么把异步函数或 API 包成工具挂在一个观察observation一个语义条件上对话命中该条件才调用结果也按需进上下文。什么时候用要查库存、查订单、写系统时又不希望工具常驻提示词而被误触发。白话工具不是客户点的按钮是模型在合适时机才“点单”的菜品。固定回复 Canned Response零幻觉模板它做什么预备一批审批过的回复模板代理先打草稿再从模板里挑最贴切的一条发出严格模式下只能说模板里的话。什么时候用合规声明、拒绝话术、道歉等“差一个字都不行”的高风险时刻。白话把临场发挥换成从一副牌里抽牌牌面全是提前审过的。四个部件单看都直白串在一个完整案例里更好消化。实战演练做一个航空预订客服 本节把流程、指南、工具、模板串成一个可运行的客服代理。第 1 步写主程序。定义 1 条旅程客户想订机票时触发和 1 个查票价工具# main.py核心部分另 2 条指南见下节说明 p.tool # 模拟工具查票价 async def get_fares(ctx: p.ToolContext, dest: str) - p.ToolResult: return p.ToolResult(datafRound trip to {dest}: 1980 yuan) async def main(): async with p.Server() as server: agent await server.create_agent( nameAirline Customer Support, descriptionBooking and FAQ) j await agent.create_journey( titleBook Flight, conditions[customer wants to book a flight]) t1 await j.initial_state.transition_to(chat_stateask for destination and date) await t1.target.transition_to(tool_stateget_fares) # 省略2 条指南保险 FAQ、跑题严格模板 asyncio.run(main())第 2 步补齐 2 条指南。一条管保险咨询condition写“customer asks about insurance”action写“列出险种并说明”。另一条管跑题设composition_modep.CompositionMode.STRICT用canned_responses挂一条审批过的模板并给priority100让引擎只聚焦它——这样话题跑偏时代理只会说那句准备好的话。第 3 步重启并跑 3 轮测试 ✅运行python main.py在 localhost:8800 依次输入“I want to book a flight to Sanya”——代理进入预订流程问完日期后调用get_fares报价“Do you sell insurance?”——按保险指南作答不打断进行中的预订“Tell me a joke”——严格模板生效回复与模板一字不差。运行后你会在页面右侧的消息详情面板里看到引擎每轮命中的指南和调用的工具这是 Parlant 默认自带的追踪能力。概念都上手了首次运行最容易栽的几个坑集中在这几处。常见问题与避坑 下面 4 个问题按“现象 → 原因 → 处理”给出覆盖新手期的高发故障。1. 浏览器打不开 8800 端口现象终端提示服务已启动页面却空白或拒绝连接。 原因端口被别的进程占用或你在另一台机器上运行了程序。 处理用lsof -i:8800Windows 为netstat -ano | findstr 8800查占用并停掉。2. 代理有回复但指南从不触发现象说 hello它却不按你写的动作来。 原因condition写得太窄例如限定“说中文的 hello”或模型太小、判断不稳定。 处理条件用口语化描述覆盖更多说法先用 OpenAI、Anthropic 的主流模型官方文档明确提示小型现成模型容易产生不稳定结果。3. 工具该调不调、不该调乱调现象客户明确问价格工具没动或闲聊时也被调用。 原因观察触发工具用的语义条件的措辞和真实客户说法对不上。 处理把条件改成贴近客户原话的描述两个相近工具就拆成不同观察来区分场景。4. 换用其他提供方后启动报缺模块现象改成 Cerebras 等提供方import 阶段直接报错。 原因部分提供方是 optional extra没有随主包安装。 处理pip install parlant[cerebras]或按提供方装对应 extra。坑清完可以接着往深处读了。延伸资源Parlant 不替代你的业务系统只接管“行为控制层”——这条是全文想让你带走的一句话剩下的地图如下安装文档从安装到第一条指南的完整流程指南文档条件、优先级与指南间关系的详细规则可解释性文档每轮决策的 OpenTelemetry 追踪怎么读仓库里的examples/healthcare.py是一个可完整运行的预约 化验单双流程示例社区入口列在 README.md 顶部欢迎带着问题去提问。【免费下载链接】parlantBuild reliable customer-facing AI agents with Parlant: an interaction control harness optimized for controlled, consistent, and predictable LLM interactions.项目地址: https://gitcode.com/GitHub_Trending/pa/parlant创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 
