在2025年國慶假期期間，OpenAI正式推出了名為AgentKit的全新解決方案。該平臺提供了一整套用于設計、開發與集成智能助手的模塊化組件，具體涵蓋三大核心功能：可視化智能體編排界面Agent Builder、即插即用對話交互系統ChatKit，以及集中式外部服務接入管理中心Connector registry。本篇文章聚焦于Agent Builder, 也就是對標dify， n8n 工作流的部分。

節點介紹

OpenAI Agent Builder 構建了一套包含 11 個功能模塊的節點系統，這些模塊按照職能可歸類為四大類別：

一、基礎執行模塊

• Agent 節點：作為大語言模型的調用入口，該節點整合了提示詞配置、工具集成和智能體行為定義等功能，當工作流需要 LLM 介入處理時啟用。
• End 節點：充當流程終止器的角色，既可在異常情況下強制中斷執行鏈路，也可在正常完成時輸出最終處理結果。
• Note 節點：提供流程內注釋能力，便于開發者嵌入說明文檔或操作指引。

二、功能擴展模塊

• File Search 節點：封裝了 OpenAI 向量數據庫的檢索能力，從向量存儲中提取語義相關的信息片段。
• Guardrails 節點：承載全方位的安全防護機制，涵蓋隱私數據過濾、對抗性攻擊攔截、幻覺內容檢測，以及輸入輸出的 合規審查，屬于生產部署的必備組件。
• MCP 節點：采用模型上下文協議 (Model Context Protocol) 實現與外部系統的交互，區別于傳統的 Webhook/API 方式（如 n8n 平臺），特別適用于需要聚合多個服務響應的復雜場景。

三、流程控制模塊

• If/Else 節點：實現基于條件的分支路由，根據判斷結果將執行流引導至不同路徑。
• While 節點：提供循環控制能力，持續執行直至滿足退出條件，典型應用場景為迭代次數不確定的任務，例如輪詢 API 狀態直到任務完成。
• User Approval 節點：引入人工干預機制，在關鍵步驟掛起執行流程，等待人工審批決策，對金融交易、法律文書等高風 險業務場景尤為重要。

四、數據處理模塊

• Transform 節點：提供結構化數據轉換能力，支持 JSON 格式輸出，適用于生產環境對數據類型的嚴格要求，或對輸入數據進行預處理以適配智能體的讀取需求。
• State 節點：定義可跨工作流全局訪問的狀態變量，實現不同節點間的數據共享。

相比n8n，dify， Agent Builder的節點數要少很多，不清楚后續是否會迭代維護，如果這是最終設計的話，我會做如下的揣測：

1. 這是設計取向：減少低代碼堆疊，強調“模型推理 + 少量編排 + 工具把復雜度外移”
2. 如果你的需求是復雜分支/定時/批處理/多系統扇出，宜把這些邏輯下沉至受控 API、n8n，或使用 Dify/n8n 的流程節點承載，再由 Agent 觸發

快速構建一個問答機器人

整個流程按節點進行拆分為：用戶查詢 -> 輸入驗證 -> 執行 RAG 查詢 -> 返回結果

首先訪問https://platform.openai.com/agent-builder，可以看到 3 個選項卡和一個界面：

• Workflows→Published Workflows
• Drafts→All unfinished / not published flows（所有未完成/未發布的工作流）都可以在這里找到。
• Templates→Predefined templates（預定義模板），開箱即用，適合初學者。

設置入口

Start 節點充當整個執行鏈路的起始觸發器，其核心功能圍繞兩類數據載體展開：

第一類：輸入參數 (Input Variables)

• 職責范圍：承載工作流啟動時的初始數據負載
• 典型應用：通過 input_as_text 字段捕獲用戶提交的文本內容
• 最佳實踐：在配置輸入參數后，應緊接部署輸入校驗節點以確保數據質量

第二類：全局狀態參數 (State Variables)

• 傳遞機制：作為附加參數在流程啟動階段注入
• 生命周期：貫穿整個工作流執行周期，不會因節點切換而丟失
• 訪問方式：通過專用的 State 節點實現跨節點讀寫操作
• 存儲特性：采用單值數據類型的存儲模式，類似于常規變量的定義方式

使用 Guardrail 節點進行輸入驗證

在 Start 節點之后引入 Guardrail 節點，目的是構建一道輸入過濾屏障——僅允許符合安全標準的查詢請求進入模型處理層。完成節點連接后，點擊該節點將展現豐富的配置面板。

核心配置項解讀

實操配置流程

• 內容審核層：進入設置界面 → 選擇最高安全級別 (Most Critical) → 保存配置 → 激活開關
• 越獄防護層：直接啟用開關（采用系統預設參數）
• 幻覺檢測層：打開配置面板→ 添加向量數據庫標識符（需在后續步驟中創建）→ 確認保存 →暫緩激活（等待依賴組件就緒）
  完成上述配置后，Guardrail節點已建立起雙軌輸出機制：通過驗證的請求進入主流程，未通過驗證的請求進入異常處理分支。

添加agent節點

從工具欄拖入 Agent 節點，將其錨定至 Guardrail 節點的合規輸出端口，隨后展開配置面板進行參數調優

關鍵參數設置清單

• Name（標識符）：為智能體命名，示例采用 YT Q/A Agent
• Instructions（行為準則）：定義智能體的運行邏輯，可參照 OpenAI 官方提示詞編寫規范手動編撰，或借助 ? 圖標調用自動生成工具
• Include Chat History（歷史記憶）：控制是否加載先前的對話上下文
• Model（推理引擎）：選定執行任務的底層語言模型
• Reasoning（推理模式）：系統強制啟用，僅可調整至最低檔位
• Output Format（響應格式）：提供三種輸出方案——純文本、JSON 結構化數據或可視化組件
• Verbosity（冗余度）：設為低檔以獲取更精簡的回復內容
• Summary（推理摘要）：決定是否在對話界面展示思維鏈條的概要信息
• Write Conversation History（會話持久化）：啟用后將交互記錄歸檔至歷史庫

RAG 檢索增強配置

工具集成步驟：

1. 點擊 +tools 按鈕啟動工具選擇器
2. 從可用工具列表中定位 File Search 組件
3. 執行 Add all files 操作批量導入文檔
4. 確認并保存配置

向量庫關聯：完成上述操作后，系統將生成唯一的向量數據庫標識符，需將此 ID 復制并回填至 Guardrail 節點中Hallucinations 檢測器的 vector_id 字段，完成安全檢測與知識庫的閉環綁定。

添加MCP

Agent Builder 原生兼容 MCP（模型上下文協議）服務架構，其服務器資源可分為三個層級：

• 官方維護層：OpenAI 團隊直接運維的核心服務集群，覆蓋 Gmail、Google Drive、Outlook 等主流辦公套件。
• 認證第三方層：經過官方審核的外部服務提供商所部署的 MCP 實例。
• 自定義擴展層：支持用戶自主接入的私有化服務節點。

自建服務器配置入口

通過點擊 + Servers 按鈕啟動自定義服務器接入向導，系統提供三種鑒權方案：

• 開放模式（No Auth）
• 令牌驗證（Access Token/API Key）
• 請求頭定制（Custom Headers）

目前Agent Builder 內置的MCP工具只有20個，如果想支持更多的MCP工具，可以選擇使用Rube MCP。

技術痛點：傳統智能體工作流若需對接 Slack、Gmail、Google Sheets 等多平臺服務，每個 MCP 服務器通常攜帶 10+ 工具集，大量工具描述會快速耗盡模型的上下文容量。

Rube MCP 核心優勢：該方案實現了一個智能路由中樞，單一服務器節點即可動態橋接超過 500 款應用（涵蓋 HubSpot、Jira、YouTube等），其智能分發引擎能根據請求上下文按需激活相關工具，避免無效工具信息的上下文污染。

Rube MCP 接入實操

部署步驟：

1. 激活服務器添加界面（+ Servers）
2. 服務地址欄填寫：https://rube.app/mcp
3. 標識符字段輸入：rube_mcp
4. 鑒權方式選擇 API Key，密鑰獲取路徑：

- 訪問 Rube 應用控制臺
- 選擇 Install Rube 選項
- 切換至 N8N & Others 標簽頁
- 執行 Generate Token 生成操作
- 將生成的令牌粘貼至 API Key/Auth token 輸入框

5. 確認保存配置

完成上述流程后，Rube MCP 服務器將成功納入可用工具生態。

End輸出結果

將 End 節點拖入畫布并錨定至 Guardrail 節點的不合規輸出端口，構建異常處理終點。該節點的數據處理邏輯為：接收 input_as_text 原始輸入，經過轉換后以 JSON 格式返回處理結果。

智能生成引擎會將自然語言描述解析為規范的數據結構定義，自動完成 schema 代碼的生成工作，大幅降低配置門檻。

這種"意圖描述→結構生成"的設計模式，讓開發者無需關注 JSON Schema 的語法細節，專注于業務邏輯的表達即可。

預覽和發布

定位頁面頂部的 Preview

入口啟動測試環境，系統將彈出交互式對話界面。在輸入框提交測試查詢后，可實時觀察以下內容：

• 最終輸出結果
• 中間節點的數據流轉過程
• 模型的推理軌跡展示

正式上線操作

完成測試驗證后，點擊 Publish 按鈕即可將工作流推送至生產環境。

若需獲取可嵌入的 SDK 代碼，操作路徑如下：

1. 點擊 Code 菜單項
2. 選擇 Agent's SDK 選項
3. 在 Python 或 TypeScript 語言標簽間切換
4. 執行代碼復制操作

該功能支持將可視化配置的工作流轉換為可編程的代碼資產，便于集成到現有系統架構中。

Agent Builder vs n8n vs dify

快速選擇建議：

• 選Agent Builder：想快速做個聊天機器人，用OpenAI就夠
• 選n8n：需要連接多個系統，做復雜自動化流程
• 選Dify：要做AI產品，需要知識庫和多模型管理

總結

從用戶體驗角度看，OpenAI Agent Builder 的節點體系經過精簡優化，將功能模塊壓縮至 4 大類別、總計 11 項核心組件，避免了 n8n、dify、coze等平臺常見的配置復雜性。平臺在搭建流程中嵌入智能推薦機制，降低了學習門檻。更值得關注的是其代碼化能力——可視化編排完成后可直接轉換為基于openai SDK 的程序代碼，便于技術團隊進行深度定制。

本文轉載自??AI 博物院?? 作者：longyunfeigu