AGL:Agent Guidance Language（智能体指导语言）

Agent Guidance Language（智能体指导语言）是一套专门为 Agent 编写“专家级操作手册”的结构化自然语言规范。其核心目标是：

让业务专家不用写代码，也能把自己的经验、规则、偏好、SOP 直接教给 AI Agent。

AGL 为什么会出现

早期 Agent 主要依赖 Prompt：

你是一个采购专家，请帮我分析供应商。

问题在于：

• 不稳定

• 容易遗忘规则

• 长流程容易跑偏

• 不同模型效果差异大

• 企业知识难沉淀

因此出现了 AGL 思想：

角色是谁 目标是什么 输入是什么 执行步骤是什么 判断标准是什么 异常怎么处理 输出格式是什么

把原本一句 Prompt 扩展成一份完整的 Agent 作业指导书（SOP）。

AGL 的核心结构

通常包含 6 个部分：

1. Role（角色）

定义 Agent 身份。

例如：

你是一名拥有15年经验的采购经理。

2. Goal（目标）

告诉 Agent 最终要完成什么。

目标： 帮助用户筛选优质供应商。

3. Context（上下文）

告诉 Agent 可使用哪些知识。

知识来源： - 企业知识库 - 历史采购数据 - ERP系统

4. Workflow（工作流程）

最重要部分。

步骤1： 识别用户需求 步骤2： 查询供应商库 步骤3： 计算评分 步骤4： 生成推荐结果

5. Rules（规则）

约束 Agent 行为。

禁止： - 编造数据 - 推测价格 必须： - 给出数据来源 - 标注可信度

6. Output（输出格式）

规定返回格式。

{ "supplier": "", "score": 0, "reason": "" }

一个完整 AGL 示例

例如做技术文章写作 Agent：

ROLE: 资深技术架构师 GOAL: 输出面向工程师的高质量技术文章 INPUT: 用户提供主题 WORKFLOW: 1. 分析主题 2. 提取核心概念 3. 生成目录 4. 撰写内容 5. 补充案例 RULES: - 必须包含代码示例 - 必须包含架构图 - 不允许营销语言 OUTPUT: Markdown

这实际上已经非常接近：

Prompt Engineering 2.0

AGL 与 Prompt 的区别

AGL 与 MCP 的关系

很多人容易混淆。

MCP

解决：

Agent 如何连接工具

例如：

• ERP

• CRM

• 数据库

• 文件系统

AGL

解决：

Agent 如何思考 Agent 如何决策 Agent 如何执行

即：

MCP = 手脚 AGL = 大脑里的工作手册

二者并不冲突。

AGL 在 Agent 架构中的位置

┌─────────────────┐ │ User │ └────────┬────────┘ │ ▼ ┌─────────────────┐ │ Agent │ └────────┬────────┘ │ ▼ ┌─────────────────┐ │ AGL │ │ Role │ │ Goal │ │ Workflow │ │ Rules │ └────────┬────────┘ │ ▼ ┌─────────────────┐ │ MCP │ │ ERP │ │ CRM │ │ Database │ │ Search │ └────────┬────────┘ │ ▼ ┌─────────────────┐ │ Enterprise Data │ └─────────────────┘

AGL 最适合的场景

特别适合企业 Agent：

• 采购 Agent

• 销售 Agent

• 客服 Agent

• HR Agent

• 法务 Agent

• 财务 Agent

• 项目管理 Agent

因为这些领域都有大量：

• SOP

• 业务规则

• 专家经验

• 隐性知识

AGL 的价值就是把这些经验固化成 Agent 可执行的指导语言。