源信息经过deepseek翻译并总结
摘要：
文章探讨了构建AI编排层管理多智能体系统的需求，随着企业转向多智能体工作流，催生了LangChain、LlamaIndex、Crew AI等解决方案。企业需根据业务目标选择框架类型（如基于提示词或智能体工作流引擎），并优先考虑集成、监控、可扩展性等核心需求。建议明确业务目标，了解系统集成方式，控制输入模型信息。编排系统应包含提示词管理、工具集成、状态管理和监控等组件，同时关注数据管道设计。
从提示词混沌到清晰：如何构建强大的AI编排层 | VentureBeat
从提示词混沌到清晰：如何构建强大的AI编排层
作者：Emilia David@miyadavid
2025年6月18日 下午12:11
图片来源：VentureBeat，由Midjourney生成
编者注：Emilia将于下周在VB Transform活动中主持关于该主题的圆桌讨论。立即注册。
如今，AI智能体似乎已成为必然趋势。多数企业已使用AI应用，并可能部署了单智能体系统，正计划试点多智能体工作流。
管理这种扩展——尤其是长期构建互操作性时——可能变得复杂。要实现智能体驱动的未来，需要创建可操作的编排框架来协调不同智能体。
对AI应用和编排的需求催生了新兴竞争领域，专注于提供框架和工具的公司正赢得客户。企业现在可选择LangChain、LlamaIndex、Crew AI、微软的AutoGen和OpenAI的Swarm等编排框架提供商。
企业还需考虑要实施的编排框架类型。他们可选择基于提示词的框架、面向智能体的工作流引擎、检索与索引框架，甚至端到端编排。
由于许多组织刚开始尝试多智能体系统或希望构建更大的AI生态，选择最适合其需求的编排框架时，有几个关键标准需优先考虑。
编排领域更丰富的选择推动了进一步发展，鼓励企业探索所有潜在选项，而非被迫适应现有方案。虽然看起来令人不知所措，但企业可通过选择编排框架的最佳实践找到适合自身的方法。
编排平台Orq在博客文章中指出，AI管理系统包含四个关键组件：用于模型交互一致性的提示词管理、集成工具、状态管理及跟踪性能的监控工具。
需考虑的最佳实践
对于计划开始编排之旅或改进现有方案的企业，来自Teneo和Orq等公司的专家提出了至少五项最佳实践：
- 明确业务目标
- 选择与目标一致的工具和大语言模型（LLM）
- 列出对编排层的需求并确定优先级，如集成、工作流设计、监控与可观测性、可扩展性、安全与合规
- 了解现有系统及其如何融入新编排层
- 理解数据管道
与任何AI项目一样，组织应从业务需求出发。他们需要AI应用或智能体做什么？这些如何支持工作？明确这一关键步骤将更好地指导编排需求和工具选择。
Teneo在博客文章中提到，明确需求后，团队需了解编排系统的核心需求并优先寻找这些功能。某些企业可能更关注监控与可观测性而非工作流设计。通常，多数编排框架提供多种功能，集成、工作流、监控、可扩展性和安全性常是企业优先考虑的因素。明确组织的核心需求将更好地指导编排层的构建。
LangChain在博客文章中表示，企业应清楚传递给模型的信息或工作内容。“使用框架时，必须完全控制输入LLM的内容，以及运行步骤的顺序（以生成传递给LLM的上下文）。我们在LangGraph中优先考虑这一点，它是一个低层级编排框架，没有隐藏提示或强制的’认知架构’，让你完全掌控所需的上下文工程。”
由于多数企业计划将AI智能体融入现有工作流，最佳实践是了解哪些系统需成为编排堆栈的一部分，并找到集成最佳的平
-
请勿出售我的个人信息
© 2025 VentureBeat 版权所有。
×### 你需要的AI洞见，引领未来
提交
感谢订阅。查看更多VB通讯请点击这里。
发生错误。