释放自主订单管理：O1 计划与 4o 执行相结合，实现前所未有的自动化！

Rifx.Online
Generative AI , Large Language Models , AI Applications
05 Mar, 2025

问题陈述

最近，我遇到了一个有趣的用例，涉及在订单管理场景中实施智能代理。

这个用例主要想解决两个问题：

我们能否构建一个完全自动化的智能代理解决方案，其中像 O1（或 O1-MINI）这样的高级模型能够捕捉场景并生成详细的行动计划？
另一个最佳的完成模型如 GPT4O 能否逐步解析详细计划并持续执行以达成目标？

这个用例与我之前实施的其他用例略有不同，因为在之前的用例中，有人能够持续与代理合作以实现目标。

这个用例的定义略有不同。在这种情况下，业务流程非常复杂，流程本身有多个分支和条件。例如，对于订单处理，如果订购数量大于库存，则有一条单独的路径；如果订购数量依赖于某个供应商，则有另一条路径；如果订购数量在库存范围内，则流程有一条不同的路径。

这个用例的基本思想是展示 O1 能够基于所有场景进行思考并创建详细计划。一旦计划提供给代理（配备合适的工具），那么对于 GPT4O 模型来说，按照 O1 模型所列出的每一步以自主的方式执行变得很简单。

那么，事不宜迟，让我们开始吧。

解决方案

让我们先看看解决方案和结果。

该解决方案基于相同的 AGF（Azure Gen AI Foundation）框架，您可以在最后查看。这个想法是利用我在代理领域中做的一些预先构建的工作。整个解决方案基于 Langchain 和 LangGraph，并构建在 Azure 原生平台上。

整个解决方案基于一个订单管理系统。用户界面有三个部分——第一部分是我们可以定义需要处理的新订单场景。第二部分是由 O1 模型生成的详细计划。该计划的目的是生成一个全面的可操作工作计划，以便下一个系统（GPT4O）可以执行。

总体而言，构建解决方案的想法是，在没有任何人工干预的情况下，代理能够相互沟通并处理订单。

接下来，我从场景框中使用一个场景，然后点击“使用 O1 模型生成计划”按钮。基于此，O1 生成了如下非常详细的计划。

让我们看看这个计划。生成的计划非常详细，如我们所见。它顺序生成计划，并添加可以处理该步骤的工具。例如，它提到应该首先调用 fetch_new_orders，然后应通过 get_inventory_status 工具迭代检查每个订单的库存。

我们可以看到在五个步骤中提供的详细程度。检查 if/else 逻辑和条件语句，指定何时调用哪个工具。

一旦我们检查了使用 O1 模型生成的计划，我们现在可以点击执行按钮。在这种情况下，第一个 O1 代理将控制权交给 GPT4O 模型，该模型自动且自主地持续处理每一步并生成响应！

一旦我点击按钮，让我们看看响应是如何生成的。系统实际上生成了 31 次对话（因此花费 31 次轮次来独立解决这个问题）。它从第一个响应开始——系统调用第一个工具以获取订单详细信息，然后将响应推送到对话聊天中。系统接着进行下一轮，调用下一个工具（get_inventory_status）以获取订单详细信息的库存状态。