在快速发展的AI技术浪潮中，构建一个出色的AI智能体并不容易。作为一名产品经理，我深刻体会到，一个可以独立处理用户请求的AI Agent并不仅仅依靠强大的模型和算法，关键在于它的执行能力与用户交流的质量。

然而，当我听到95%的智能体项目在投入生产前就宣告失败时，不禁感到一丝担忧。

我们为什么会面临如此高的失败率？答案正是智能体在哪些情况下不能“听话”。

为什么智能体总是不“听话”？

许多开发者在智能体构建中都会渴望写出完美的系统提示词，犹如交给新员工一本超过500页的操作手册，期待其在每一次的客户接待中都能正确展示。

可悲的是，现实是，新员工会被大量信息淹没，最终只能机械地执行最基本的操作。而这恰恰是导致大多数智能体项目失败的原因，长篇的系统提示反而使得大语言模型（LLM）的注意力分散，执行效果不如预期。

在这样的背景下，Parlant这个开源框架应运而生。

它倡导，从框架角度确保合规执行，而不仅仅依赖于智能体的自觉性。

Parlant的核心差异

与传统方法通过给智能体输入提示并期望其合规执行不同，Parlant突出了在设计中强调“保证”而非“希望”的理念。

核心构件包括：

• Guidelines（行为准则）：通过上下文匹配强制执行的规则，不再是简单的提示，而是切实可行的行为控制机制。

• Journeys（对话流程）：能够根据用户对话的转换方向自动调整和引导。

• Playground（调试环境）：为开发者提供实时观察Agent决策过程的界面。

• Widget（生产界面）：易于集成的聊天UI组件，支持快速嵌入任何Web应用中。

• Tool Integration（工具集成）：将外部API与事件绑定，确保所有的工具调用都是精确且高效的。

• Explainability（可解释性）：详细的执行日志记录，使得每次决策都能够被追溯，提升整个系统的透明度。

快速入门

对于想要使用Parlant的开发者，简单的安装与基础使用就可以让你快速上手：

pip install parlant

示例代码如下：

import parlant.sdk as p
​
@p.tool
async def get_weather(context: p.ToolContext, city: str) -> p.ToolResult:
    # Your weather API logic here
    return p.ToolResult(f"Sunny, 72°F in {city}")
​
async def main():
    async with p.Server() as server:
        agent = await server.create_agent(name="WeatherBot", description="Helpful weather assistant")
        await agent.create_guideline(condition="User asks about weather", action="Get current weather and provide a friendly response with suggestions", tools=[get_weather])
​
if __name__ == "__main__":
    import asyncio
    asyncio.run(main())

实际演示：

适用场景

Parlant框架特别适用于对AI可靠性要求极高的领域，包括：

• 金融服务：设计合规优先，并内置风险管控功能。

• 医疗健康：支持HIPAA标准，保护患者数据，确保对话的合规性和可靠性。

• 电商平台：大规模客服自动化，通过有效的订单处理流程提升用户体验。

• 法律科技：在法律文档审查和指引中提供精确的辅助支持。

总结

Parlant带来了一个不同寻常而又有效的解决方案，它从根本上重新审视了智能体的构建方式。

与其期待AI模型的指令遵从能力不断增强，不如提前从框架规则的角度进行有效控制。

当我看到Parlant在金融场景中的实践时，不由得对其前景感到乐观。正如摩根大通AI团队负责人所说：“目前见过最优雅的对话AI框架，用Parlant开发是一种享受。”

无论是开发者还是产品经理，面对严肃的应用场景，Parlant都为我们提供了一个值得信赖的框架去探索和实现AI技术的无限可能。

项目地址：https://github.com/emcie-co/parlant

官方文档：https://www.parlant.io/docs/quickstart/installation