agentic-call（智能體調用） - Cloud Monitor

Pipeline 中需要調用數字員工（資料洞察智能體）完成多步推理、知識檢索等複雜任務時，使用 agentic-call 節點。該節點對每行資料發起獨立對話，支援 Prompt 模板渲染和員工配置。

功能說明

與 llm-call 的區別：llm-call 是一次純粹的 LLM 推理調用，而 agentic-call 調用使用者構建的數字員工。數字員工內部封裝了完整的 SOP 分析流程和 Skill 能力，可進行多步驟推理、知識庫檢索、工具調用等複雜任務。

核心流程：

提取：從輸入行中提取 fields 指定的欄位值。
渲染：將欄位值填入 Prompt 模板的 {{列名}} 預留位置，產生完整訊息。
調用：每行觸發一次數字員工的獨立對話。
返回：提取對話的純文字回複，儲存為新列。

每行資料獨立處理，僅增加新列，不刪除原有列，不改變行數。

適用情境

智能分析：調用數字員工對警示、日誌、指標進行 SOP 分析和根因定位。
知識問答：基於數字員工的知識庫回答業務領域問題。
資料洞察：對每行資料發起獨立的智能分析，擷取文本洞察。
批量對話：對多行資料並行觸發 Agent 調用，批量擷取分析結果。

節點配置

以下為 agentic-call 節點的 JSON 配置樣本。

{
  "id": "node_1",
  "type": "agentic-call",
  "parameters": {
    "prompt": "<Prompt模板或模板引用>",
    "fields": "<參與渲染的列名列表>",
    "employee": "<數字員工名稱>",
    "skill": "<技能標識>",
    "as": "<輸出資料行名>",
    "output": "<輸出資料行列表>"
  }
}

參數說明

參數	類型	必填	預設值	說明
`prompt`	String	是	-	Prompt 模板，使用 `{{列名}}` 作為預留位置。支援內聯文本或 `@<path>` 引用登入模板。
`fields`	String	是	-	參與渲染的輸入列名，逗號分隔。每個列名必須在 Prompt 中有對應 `{{列名}}` 預留位置。
`employee`	String	是	-	數字員工名稱，如 `skill_bench_analysis`、`apsara-ops`。
`skill`	String	否	`"sop"`	數字員工技能標識。
`as`	String	否	`"__agentic_result"`	輸出資料行名。
`output`	String	否	`*`	節點輸出資料行，逗號分隔。`*`（預設）保留全部列含擴充列。指定時僅輸出資料行出的列。

Prompt 編寫指南

預留位置使用 {{列名}} 文法，列名與 fields 中聲明的一致。
系統自動校正：Prompt 中的所有 {{列名}} 必須在 fields 中聲明，反之亦然。
超長 Prompt 建議註冊為命名模板，通過 @<path> 引用。

模板引用格式：

prompt 值	說明
`@analysis/alert_diagnosis.md`	引用登入的命名模板。
`請分析 {{host_name}} 的 {{metric_name}} 指標異常`	內聯 Prompt 文本。

輸入/輸出

輸入要求

上遊節點輸出的任意列資料。
要求包含 fields 中聲明的所有列。

輸出資料行

列名	類型	來源	說明
`output` 控制列	-	透傳/新增	`*` 保留全部列（含擴充列）；指定時僅輸出資料行出的列。
`{as}`	varchar	新增	數字員工的對話回複純文字。對話失敗時為 NULL。

行數變化

M → N（M = N）：1:1 變換，每行獨立觸發一次數字員工對話，不增減行數。

效果預覽

處理前（3 條）：

host_name	metric_name	alert_level
web-server-01	cpu_usage	critical
db-server-02	disk_io	warning
app-server-03	memory	critical

處理後（3 條）：配置 employee = "skill_bench_analysis"，prompt = "請分析..."，fields = "host_name,metric_name"，as = "analysis"。

host_name	metric_name	alert_level	analysis
web-server-01	cpu_usage	critical	經分析，web-server-01 的 CPU 使用率持續超過 95%，根因為...
db-server-02	disk_io	warning	db-server-02 的磁碟 IO 出現間歇性峰值，建議檢查...
app-server-03	memory	critical	app-server-03 記憶體使用量率達到 98%，存在記憶體流失風險...

行數不變（3 → 3），每行新增 analysis 列，值為數字員工的對話回複文本。

使用樣本

樣本 1：指標異常分析

{
  "id": "n7",
  "type": "agentic-call",
  "parameters": {
    "prompt": "請分析 {{host_name}} 的 {{metric_name}} 指標異常原因",
    "fields": "host_name,metric_name",
    "employee": "skill_bench_analysis",
    "as": "analysis"
  }
}

調用 skill_bench_analysis 數字員工，對每行警示資料進行根因分析。

樣本 2：SOP 知識問答（帶技能指定）

{
  "id": "n7",
  "type": "agentic-call",
  "parameters": {
    "prompt": "{{question}}",
    "fields": "question",
    "employee": "apsara-ops",
    "skill": "sop",
    "as": "answer"
  }
}

調用 apsara-ops 數字員工的 sop 技能回答業務問題。

樣本 3：使用命名模板

{
  "id": "n7",
  "type": "agentic-call",
  "parameters": {
    "prompt": "@analysis/alert_diagnosis.md",
    "fields": "host_name,metric_name,metric_value",
    "employee": "skill_bench_analysis",
    "as": "diagnosis"
  }
}

引用預註冊的 Prompt 模板進行分析。

樣本 4：完整管道（過濾 → 採樣 → 智能體分析）

{
  "nodes": [
    { "id": "n1", "type": "project", "parameters": { "host_name": "a", "metric_name": "b", "alert_level": "c", "metric_value": "d" } },
    { "id": "n2", "type": "where", "parameters": { "filter": "alert_level = 'critical'" } },
    { "id": "n3", "type": "sample", "parameters": { "n": 50 } },
    { "id": "n4", "type": "agentic-call", "parameters": { "prompt": "請分析 {{host_name}} 的 {{metric_name}} 指標異常，當前值 {{metric_value}}", "fields": "host_name,metric_name,metric_value", "employee": "skill_bench_analysis", "as": "analysis" } }
  ]
}

先過濾嚴重警示，再採樣控制量，最後調用數字員工逐條分析。

使用建議

效能與成本最佳化

重要

建議在過濾 + 採樣之後使用 agentic-call。數字員工調用延遲高於普通 LLM 調用（涉及多步推理、知識檢索），且按調用次數計費，前置降量可大幅減少成本。

推薦管道順序：過濾 → 採樣 → agentic-call。
每行訊息建立獨立的 Thread 對話，上下文隔離。

技術限制

等冪性：同一輸入的數字員工輸出不保證完全一致（受模型、知識庫版本等影響）。
逾時控制：單次請求逾時 10 分鐘，複雜分析任務需確保 Prompt 精簡明確。

最佳實務

員工選擇：根據業務情境選擇合適的數字員工和技能，不同員工對應不同的知識庫和 SOP 流程。
模板複用：超長 Prompt 建議註冊為命名模板（@analysis/alert_diagnosis.md），便於版本管理。
結果提取：輸出為純文字（varchar），如需提取結構化資料可配合 extend + regexp_extract 或 json_parse 處理。

邊界異常

情境	行為	排查建議
`prompt` 缺失或為空白	校正失敗	檢查節點配置中 `prompt` 欄位是否已填寫，確認值不為空白字串。
`fields` 缺失或為空白	校正失敗	檢查 `fields` 是否已聲明，並確認列名與 Prompt 中的預留位置一一對應。
`employee` 缺失或為空白	校正失敗	確認已填寫數字員工名稱，可在資料洞察的數字員工列表中查看可用名稱。
`fields` 中的列不存在於輸入資料	運行時報錯	核對上遊節點的輸出資料行名，確保 `fields` 中聲明的每個列名在上遊輸出中存在。
命名模板（`@path`）不存在	運行時報錯	確認模板路徑拼字正確，且已提前註冊該命名模板。
列值為 NULL	數字員工可能返回不完整結果	在上遊使用 `where` 過濾掉 NULL 值行，或在 Prompt 中添加對空值的處理邏輯。
數字員工對話逾時	返回 NULL	精簡 Prompt 內容，減少單次對話的分析複雜度。單次請求逾時上限為 10 分鐘。
數字員工不存在	返回 NULL	檢查 `employee` 參數值是否與數字員工列表中的名稱完全一致（區分大小寫）。

節點	關係說明
`llm-call`	同為 AI 處理節點。`llm-call` 用於純 LLM 推理，`agentic-call` 用於數字員工對話。
where	建議在 `agentic-call` 之前使用 `where` 過濾，降低調用量。
sample	建議在 `sample` 之後使用 `agentic-call`，控制調用成本。
extend	`agentic-call` 的文本輸出可通過後續 `extend` 做進一步提取計算。