每一篇文章都短小精悍，不啰嗦。

笔者寄语

本期介绍Dify框架的核心模块core/agent的CotAgentRunner。接下来我们一起深入剖析core/agent目录下的所有代码，并以通俗易懂的方式解释。我们需要先了解这个目录的完整结构，然后逐个分析关键文件，最后总结整个Agent框架的设计和工作原理。

首先，让我查看core/agent目录的完整结构：

dify/api/core/agent.├── base_agent_runner.py    # Agent框架的基础实现├── cot_agent_runner.py    # Chain of Thought (CoT) Agent Runner的实现├── cot_chat_agent_runner.py    # CoT Chat Agent Runner的实现├── cot_completion_agent_runner.py    # CoT Completion Agent Runner的实现├── entities.py    # 定义了Agent框架中的核心实体和数据结构├── fc_agent_runner.py    # CoT Completion Agent Runner的实现├── __init__.py├── output_parser│   └── cot_output_parser.py  # Chain of Thought输出解析器的实现└── prompt    └── template.py  # Agent提示模板的实现

我们已经对Dify的Agent系统架构有了初步了解。接下来我们要理解 CotAgentRunner 类，我们需要从「思维链（Chain of Thought, CoT）」的核心逻辑出发。这类代理的特点是：通过多轮「思考→调用工具→观察结果→再思考」的循环，逐步解决复杂问题，而不是一次性生成答案。下面我们结合代码，从「功能定位→核心流程→关键模块→实战场景」四个层面深入剖析。

一、功能定位：思维链代理的「迭代决策引擎」

CotAgentRunner 继承自 BaseAgentRunner，是基于思维链逻辑的代理运行器。它的核心使命是：让 AI 代理像人类一样「逐步思考」—— 面对复杂问题时，先分析需求，调用工具获取信息，根据结果调整策略，直到得出最终答案。

例如：当用户提问「分析近 3 个月公司产品销量 Top3 的地区，并预测下月趋势」时，普通代理可能直接回答（或失败），而 CotAgentRunner 会：

1. 思考：“需要先查近 3 个月的销量数据（调用销售数据集工具）”；

2. 调用工具：获取各地区销量数据；

3. 观察结果：发现北京、上海、广州是 Top3；

4. 再思考：“需要基于历史数据预测趋势（调用预测工具）”；

5. 调用工具：获取预测结果；

6. 最终整理：输出分析和预测。

这种「分步拆解」的能力，正是 CotAgentRunner 的核心价值。

二、核心流程：多轮迭代的「思考 - 行动 - 观察」循环

run 方法是整个类的核心，它实现了思维链的迭代逻辑。我们以「用户查询季度销量趋势」为例，拆解完整流程：

步骤 1：初始化与参数准备

def run(...):
    self._repack_app_generate_entity(app_generate_entity)  # 整理输入参数
    self._init_react_state(query)  # 初始化思维链状态（如记录思考步骤）
    # 处理模型stop词（确保模型输出在"Observation"处停止，避免输出混乱）
    if "Observation" not in app_generate_entity.model_conf.stop:
        app_generate_entity.model_conf.stop.append("Observation")
    # 初始化指令（填充用户输入到提示模板）
    self._instruction = self._fill_in_inputs_from_external_data_tools(instruction, inputs)
    # 初始化工具（同BaseAgentRunner，转换为模型可识别的格式）
    tool_instances, prompt_messages_tools = self._init_prompt_tools()

关键操作：

• 为模型添加 Observation 作为停止词：确保模型在生成工具调用结果（观察）前停止，避免输出冗余内容。

• 初始化思维链状态：通过 _init_react_state 初始化 _agent_scratchpad（记录每步思考的列表），用于跟踪代理的「思考 - 行动 - 观察」过程。

步骤 2：多轮迭代循环（核心逻辑）

代理通过循环迭代（最多 max_iteration_steps 次）完成思考过程，每次迭代包含「生成思考→决定是否调用工具→执行工具→记录结果」四步：

iteration_step = 1
max_iteration_steps = min(app_config.agent.max_iteration, 99) + 1  # 限制最大迭代次数（避免无限循环）

while function_call_state and iteration_step <= max_iteration_steps:
    # 1. 创建本轮思考记录（数据库中保存）
    agent_thought = self.create_agent_thought(...)
    
    # 2. 调用LLM生成思考或工具调用指令
    prompt_messages = self._organize_prompt_messages()  # 构建包含历史的提示
    chunks = model_instance.invoke_llm(...)  # 流式调用LLM
    react_chunks = CotAgentOutputParser.handle_react_stream_output(chunks, usage_dict)  # 解析LLM输出为思维链结构

    # 3. 解析LLM输出，提取思考和工具调用指令
    scratchpad = AgentScratchpadUnit(...)  # 记录本轮思考的细节（思考内容、行动指令等）
    for chunk in react_chunks:
        if isinstance(chunk, AgentScratchpadUnit.Action):  # 若输出是工具调用指令
            scratchpad.action = chunk  # 记录工具名称和参数
        else:  # 若输出是自然语言思考
            scratchpad.thought += chunk  # 记录思考内容
            yield ...  # 流式返回思考过程（用户可实时看到代理"思考"）

    # 4. 判断是否需要调用工具
    if scratchpad.is_final():  # 若代理决定输出最终答案
        final_answer = ...  # 提取答案
        function_call_state = False  # 结束循环
    else:  # 若需要调用工具
        # 调用工具并获取结果
        observation, tool_invoke_meta = self._handle_invoke_action(...)
        scratchpad.observation = observation  # 记录工具返回结果
        function_call_state = True  # 继续下一轮迭代

    iteration_step += 1  # 迭代次数+1

核心逻辑解析：

• 多轮迭代的必要性

  ：复杂问题无法一次解决（如需要多次调用工具），循环确保代理能「逐步逼近答案」。

• 流式输出

  ：通过 yield 返回 LLMResultChunk，让用户实时看到代理的思考过程（如 “我现在需要查询销量数据…”），提升交互体验。

• 状态记录

  ：AgentScratchpadUnit 类是核心状态容器，记录每轮的「思考内容（thought）→工具调用（action）→观察结果（observation）」，确保迭代过程可追溯。

步骤 3：工具调用与结果处理

当代理决定调用工具（如「销量查询工具」）时，_handle_invoke_action 方法负责执行调用并返回结果：

def _handle_invoke_action(...):
    tool_instance = tool_instances.get(tool_call_name)  # 获取工具实例
    # 解析工具参数（如将JSON字符串转为字典）
    if isinstance(tool_call_args, str):
        tool_call_args = json.loads(tool_call_args)
    # 调用工具
    tool_invoke_response, message_files, tool_invoke_meta = ToolEngine.agent_invoke(...)
    # 发布工具返回的文件（如图表）
    for message_file_id in message_files:
        self.queue_manager.publish(QueueMessageFileEvent(...))
    return tool_invoke_response, tool_invoke_meta

关键操作：

• 工具参数兼容性处理：支持字符串或字典格式的参数，通过 json.loads 容错解析。

• 工具调用结果实时发布：若工具返回文件（如销量趋势图），通过队列管理器实时推送给用户。

步骤 4：结束迭代与结果发布

当迭代达到最大次数或代理生成最终答案时，循环结束，发布最终结果：

# 输出最终答案yield LLMResultChunk(...)# 保存最后一轮思考记录self.save_agent_thought(...)# 发布结束事件（通知前端对话完成）self.queue_manager.publish(QueueMessageEndEvent(...))

三、关键模块：支撑思维链逻辑的 5 大核心组件

CotAgentRunner 的复杂逻辑依赖于多个模块的协同，以下是最关键的 5 个组件：

模块 / 类	作用	核心方法 / 属性
思维链解析器	将 LLM 的原始输出（字符串）解析为结构化的「思考 - 行动 - 观察」数据	CotAgentOutputParser.handle_react_stream_output
状态容器	记录每轮迭代的思考、工具调用和结果，是迭代的「记忆载体」	AgentScratchpadUnit  类
工具调用引擎	执行工具调用，处理参数解析和结果返回	ToolEngine.agent_invoke 、_handle_invoke_action
历史消息转换器	将历史对话转换为思维链格式，确保代理能基于历史继续思考	_organize_historic_prompt_messages
迭代控制器	管理迭代次数、判断是否终止循环（如达到最大步数或生成最终答案）	function_call_state  变量、max_iteration_steps

四、实战场景：一次完整的思维链交互示例

假设用户提问：「查询本季度（2024Q3）产品销量 Top3 的地区，并生成趋势图表」，我们跟踪 CotAgentRunner 的执行过程：

1. 初始化：

   • 接收用户 query，初始化 _agent_scratchpad（空列表）。

   • 加载工具：「销量数据集检索工具」「图表生成工具」。

   • 设置最大迭代次数（如 5 次），避免无限循环。

2. 第 1 轮迭代：

   • 生成思考

     ：调用 LLM，输入包含用户问题和工具列表的提示，LLM 输出：“我需要先查询 2024Q3 各地区的销量数据，使用销量数据集检索工具。”

   • 解析输出

     ：CotAgentOutputParser 将上述内容解析为 AgentScratchpadUnit，其中 action 为 {"action_name": "sales_dataset", "action_input": {"quarter": "2024Q3"}}。

   • 调用工具

     ：_handle_invoke_action 调用「销量数据集检索工具」，返回结果：{"北京": 1200, "上海": 1000, "广州": 800}。

   • 记录状态

     ：scratchpad.observation 保存工具返回结果，迭代次数变为 2。

3. 第 2 轮迭代：

   • 生成思考

     ：LLM 基于历史（第 1 轮的思考和结果），输出：“已获取销量数据，Top3 为北京、上海、广州。需要生成趋势图表，使用图表生成工具。”

   • 解析输出

     ：action 为 {"action_name": "chart_generator", "action_input": {"data": {...}}}。

   • 调用工具

     ：调用「图表生成工具」，返回图表文件 ID（如 file_123）。

   • 发布文件

     ：通过 QueueMessageFileEvent 将图表推送给用户，用户此时可看到图表预览。

4. 第 3 轮迭代：

   • 生成思考

     ：LLM 基于图表结果，输出：“趋势显示北京销量持续上升，上海稳定，广州略有下降。可以得出最终结论。”

   • 解析输出

     ：is_final() 为 True，提取最终答案：“2024Q3 销量 Top3 地区为北京（1200）、上海（1000）、广州（800）…（附趋势图表）”。

5. 结束迭代：

   • 输出最终答案，发布 QueueMessageEndEvent 通知对话完成，保存所有思考记录到数据库。

五、设计亮点与技术细节

1. 兼容性设计：

   • 处理不同模型的特性：通过 model_schema.features 判断模型是否支持流式工具调用（stream_tool_call），动态调整输出方式。

   • 容错机制：工具参数解析时用 try-except 捕获 JSON 解码错误，确保程序稳定性。

2. 可追溯性：

   • 每轮思考过程通过 MessageAgentThought 记录到数据库，包含 token 使用量（llm_usage）、工具输入输出等，支持后续审计和计费。

3. 用户体验优化：

   • 流式思考输出：用户无需等待完整结果，可实时看到代理的 “思考过程”，增强信任感。

   • 工具结果即时推送：如图表生成后立即通过 QueueMessageFileEvent 推送，避免用户长时间等待。

六、总结：思维链代理的核心价值

CotAgentRunner 通过「多轮迭代 + 状态记录 + 工具调用」的设计，让 AI 代理具备了处理复杂问题的能力。它的本质是将大语言模型的 “黑箱推理” 转化为可拆解、可追溯的 “白箱步骤”，既提升了结果的可靠性，又增强了用户对 AI 决策过程的理解。

这种设计广泛应用于需要深度分析的场景（如数据分析、科研辅助、复杂规划），是构建 “智能代理” 的核心技术之一。