Elastic AI agent builder 介绍

最近在我的博客里发布了两篇关于 Elastic AI agent builder 文章：

• 使用 Elasticsearch 构建 AI Agentic 工作流

• 你的第一个 Elastic Agent：从单个查询到 AI 驱动的聊天

可能很多开发者阅读后还是有一点懵。不知道它到达是什么东西。这是一个目前在 Serverless 里发布的一个功能。在未来的 9.2 版本中也会有这样的一个功能。它的目的是让我们更加方便地创建 AI agents。

如上所示，AI agents 由 LLM 及 Tools 组成。当我们向 agent 发送一个任务时，LLM 会根据 task 里的提示，匹配相应的 tools，并进行调用。这个 task 可能需要多个工具，多个步骤，逐步完成，并最终返回结果。这个和我们传统的 RAG 有所不同。传统的 RAG 只访问一次 LLM。而对于由 agent 组成的 RAG，我们也通常称之为 agentic RAG。它可以访问多个服务（比如返回天气，位置，日历等等），数据库（数据库的多个表格的访问，聚合，lookup 等），多次使用 LLM 进行推理，并生成相应的图表及结果等。

在今天的文章中，我们将一个一个简单而浅显的例子来展示 AI agent builder 的强大功能。AI agent builder 是基于 one-chat plugin 来完成的。

安装

你可以在 Elastic clould 里直接创建一个实例来进行测试。你也可使用 Elastic Stack 9.2 的 snapshot 版本进行安装来进行测试。UI 在不断地演进。各个版本的界面可能有所不同，但是最主要的功能还是一样的。在 Serverless 上的界面如下：

同时，为了能够支持语义搜索，我们也需要下载 ELSER 模型：

请注意，由于 ELSER 模型目前只支持英文，对于使用中文的开发者来说，你可以选择上面的 .multilingual-e5-small_linux-x86_64 模型。

准备数据

我们的数据不用多复杂。为了展示的方便，我们使用较少的数据及简单的数据集来进行展示。这样大家能看得更加清楚一些。我们在 Kibana 中的 Dev Tools 打入如下的命令：

`

1.  PUT /people
2.  {
3.    "mappings": {
4.      "properties": {
5.        "id": {
6.          "type": "integer"
7.        },
8.        "name": {
9.          "type": "text"
10.        },
11.        "description": {
12.          "type": "text",
13.          "copy_to": "des_semantic"
14.        },
15.        "des_semantic": {
16.          "type": "semantic_text"
17.        },
18.        "sex": {
19.          "type": "keyword"
20.        },
21.        "age": {
22.          "type": "integer"
23.        },
24.        "address": {
25.          "type": "text"
26.        },
27.        "location": {
28.          "type": "geo_point"
29.        }
30.      }
31.    }
32.  }

`AI写代码![](https://csdnimg.cn/release/blogv2/dist/pc/img/runCode/icon-arrowwhite.png)

`

1.  POST /_bulk
2.  { "index" : { "_index" : "people", "_id" : "1" } }
3.  { "id": 1, "name" : "John Doe", "description" : "A software developer", "sex" : "Male", "age" : 30, "address" : "123 Elm Street, Springfield", "location": {"lat": 37.7749, "lon": -122.4194} }
4.  { "index" : { "_index" : "people", "_id" : "2" } }
5.  { "id": 2, "name" : "Jane Smith", "description" : "A project manager", "sex" : "Female", "age" : 28, "address" : "456 Maple Avenue, Anytown", "location": {"lat": 40.7128, "lon": -74.0060} }
6.  { "index" : { "_index" : "people", "_id" : "3" } }
7.  { "id": 3, "name" : "Alice Johnson", "description" : "A graphic designer", "sex" : "Female", "age" : 26, "address" : "789 Oak Lane, Metropolis", "location": {"lat": 34.0522, "lon": -118.2437} }
8.  { "index" : { "_index" : "people", "_id" : "4" } }
9.  { "id": 4, "name" : "Bob Brown", "description" : "A marketing specialist", "sex" : "Male", "age" : 32, "address" : "321 Pine Street, Gotham", "location": {"lat": 41.8781, "lon": -87.6298} }
10.  { "index" : { "_index" : "people", "_id" : "5" } }
11.  { "id": 5, "name" : "Charlie Davis", "description" : "An IT analyst", "sex" : "Male", "age" : 29, "address" : "654 Cedar Blvd, Star City", "location": {"lat": 29.7604, "lon": -95.3698} }
12.  { "index" : { "_index" : "people", "_id" : "6" } }
13.  { "id": 6, "name" : "Diana Prince", "description" : "A diplomat", "sex" : "Female", "age" : 35, "address" : "987 Birch Road, Themyscira", "location": {"lat": 39.9526, "lon": -75.1652} }
14.  { "index" : { "_index" : "people", "_id" : "7" } }
15.  { "id": 7, "name" : "Evan Wright", "description" : "A journalist", "sex" : "Male", "age" : 27, "address" : "213 Willow Lane, Central City", "location": {"lat": 33.4484, "lon": -112.0740} }
16.  { "index" : { "_index" : "people", "_id" : "8" } }
17.  { "id": 8, "name" : "Fiona Gallagher", "description" : "A nurse", "sex" : "Female", "age" : 31, "address" : "546 Spruce Street, South Side", "location": {"lat": 32.7157, "lon": -117.1611} }
18.  { "index" : { "_index" : "people", "_id" : "9" } }
19.  { "id": 9, "name" : "George King", "description" : "A teacher", "sex" : "Male", "age" : 34, "address" : "879 Elm St, Smallville", "location": {"lat": 39.7392, "lon": -104.9903} }
20.  { "index" : { "_index" : "people", "_id" : "10" } }
21.  { "id": 10, "name" : "Helen Parr", "description" : "A full-time superhero", "sex" : "Female", "age": 37, "address" : "123 Metro Avenue, Metroville", "location": {"lat": 47.6062, "lon": -122.3321} }

`AI写代码![](https://csdnimg.cn/release/blogv2/dist/pc/img/runCode/icon-arrowwhite.png)

我们使用上面的命令来创建一个叫做 people 的索引。为了展示的方便，我把 description 的字段也 copy_to 到 des_semantic 字段。这个是一个 semantic_text 字段。我们可以使用它来进行语义搜索。

另外，我们也使用如下的命令来生成一个叫做 parents 的索引：

`

1.  PUT parents
2.  {
3.   "settings": {
4.     "index.mode": "lookup"
5.   }
6.  }

`AI写代码

`

1.  POST /_bulk
2.  { "index" : { "_index" : "parents", "_id" : "1" } }
3.  { "id": 1, "father": "Michael Doe", "mother": "Sarah Doe" }
4.  { "index" : { "_index" : "parents", "_id" : "2" } }
5.  { "id": 2, "father": "Robert Smith", "mother": "Laura Smith" }
6.  { "index" : { "_index" : "parents", "_id" : "3" } }
7.  { "id": 3, "father": "Thomas Johnson", "mother": "Emily Johnson" }
8.  { "index" : { "_index" : "parents", "_id" : "4" } }
9.  { "id": 4, "father": "William Brown", "mother": "Nancy Brown" }
10.  { "index" : { "_index" : "parents", "_id" : "5" } }
11.  { "id": 5, "father": "David Davis", "mother": "Jennifer Davis" }
12.  { "index" : { "_index" : "parents", "_id" : "6" } }
13.  { "id": 6, "father": "Charles Prince", "mother": "Diana Prince Sr." }
14.  { "index" : { "_index" : "parents", "_id" : "7" } }
15.  { "id": 7, "father": "Edward Wright", "mother": "Linda Wright" }
16.  { "index" : { "_index" : "parents", "_id" : "8" } }
17.  { "id": 8, "father": "Frank Gallagher", "mother": "Patricia Gallagher" }
18.  { "index" : { "_index" : "parents", "_id" : "9" } }
19.  { "id": 9, "father": "George King Sr.", "mother": "Helen King" }
20.  { "index" : { "_index" : "parents", "_id" : "10" } }
21.  { "id": 10, "father": "Robert Parr", "mother": "Eliza Parr" }

`AI写代码![](https://csdnimg.cn/release/blogv2/dist/pc/img/runCode/icon-arrowwhite.png)

如上所示，我们在 people 及 parents 两个索引中都定义了一个叫做 id 的字段。我们可以使用这个字段来查询在 people 索引中的人的父母。

创建 agents

创建 software developers agent

接下来，我们分别来创建适合我们搜索的不同 agents。在没有任何定制 agent 的情况下，我们打入如下的查询：

`who are the software developers?`AI写代码

我们在搜索框里输入上面的搜索：

很多显然，它没有返回任何我们想要的结果。我们再等一段时间，我们可以看到如下的结果：

最终我们看到了我们想要的结果。可是整个的搜索时间将近半分钟。时间是非常长的。在没有选任何定制 agent 的情况下，它会搜索整个知识库及各个搜索，尽量帮我们搜索所需要的结果，尽管我们没有指定任何的索引。这个也许就是 Elasticsearch 的魅力！

接下来，我们来创建一个属于我们自己定制的 agent。我们首先创建一个 tool：

在上面，在 Tool ID 里，我们输入：

`software_developers`AI写代码

我们在 Description 里输入：

 `Retrieve all the software developers from people index`AI写代码

在 ES|QL Query 里输入：

 `FROM people METADATA _score | WHERE MATCH(description, "software developer")`AI写代码

我们点击 Save 按钮来保存这个 Tool。

有里上面的 sofware_developers 工具的定义，我们接下来创建一个叫做 Software developers server agent 的 agent：

点击上面的 Tools 选项：

我们选项上面的 software_developers 工具。然后选择 Save 按钮。这样我们就生成了我们 Software developers server agent。

接下来，我们使用我们的工具：

这次，我们再次打入如下的查询：

这次的查询速度是非常之快的。在查询的过程中，我们可以看到它选用了我们定义的 Software developers server agent 来做的查询。这个结果是我们所需要的。我们再次做如下的查询：

从上面的搜索中，我们可以看出来， LLM 确实能够理解我们的意图，并查询出我们所需要的结果。

我们接下来做如下的查询：

`Who are the journalists?`AI写代码

很显然，我们得不到任何我们想要的结果。这个是因为在我们 ES|QL 查询中，它使用了：

 `FROM people METADATA _score | WHERE MATCH(description, "software developer")`AI写代码

也就是说，它只能针对 software developer 或其相近的描述来进行搜索。

创建可以搜索任何职业的 agent

很显然上面的 agent 有其局限性。我们接下来创建一个可以搜索任何职业的 agent。按照上面的流程，我们创建如下的 tool：

如上所示，我们创建了一个叫做 profession 的参数。这个参数可以传递到我们的 ES|QL 的查询中。同时我们针对 description 及 des_semantic 两个字段来进行查询。

接下来，我们创建一个叫做 people profession search 的 agent：

我们在她的 Tools 选择我们刚才创建的 tool：

接下来，我们使用这个 agent 来进行查询：

很显然，这次它能帮我们查询 journalist 了。

创建查找年龄平均值的 agent

如法炮制，我们创建如下的一个 tool：

我们创建如下的一个 agent：

我们来查询一下：

我们很快就可以得到结果。

创建查询父母的 agent

查询父母，我们需要用到两个表格，并使它们利用 id 字段来进行关联。我们创建如下的 tool：

我们接下来创建如下的一个 agent：

我们来做如下的查询：

`who are the programmer's parents?`AI写代码

我们得到我们想要的结果。我们可以点击上面的 < 符号来查看有那些步骤被使用：

我们再来查看如下的查询：

我们使用中文来进行搜索一下：

`记者的父母是谁？`AI写代码

好了。今天的展示就到这里。之后，我们继续更新这篇文章，特别是如何使用 API 的方法来使用这个。祝大家阅读愉快！