使用 Elasticsearch 构建 AI Agent 工作流

在 Elastic，我们通过 AI Assistants、先进的 RAG 技术以及 向量数据库 的持续改进，为 LLM 和对话界面提供上下文。随着 AI Agent 的快速兴起，我们发现：要让 Agent 真正发挥作用，就必须提供高质量的检索能力——优秀的 AI Agent 离不开优秀的搜索。因此，我们在 Elastic Stack 中原生加入了一系列新功能，帮助大家基于 Elasticsearch 数据构建 AI Agent。下面，让我们分享当前的阶段性成果以及下一步规划。

Agent Builder：打造数据驱动 AI Agent 的基石

AI Agent 的理念很简单：给定目标，自动完成任务。但对开发者来说，实现过程却充满挑战：

1. Agent 的能力取决于它对环境的感知以及可用工具。
2. 如何从海量多样的企业数据中提取出“正确的上下文”极具难度。
3. 这一切还必须通过稳定、可靠的推理循环来统筹：规划、执行、学习缺一不可。

若要亲手搭建完整方案，往往需要拼接 LLM、向量数据库、元数据存储、日志/链路追踪系统以及评估机制等多个组件。这不仅复杂，还成本高、易出错，更难以满足用户对高质量、可信 AI 系统的期待。

为此，我们的思路是：把构建高效 Agent 所需的核心能力，直接整合进 Elasticsearch。全新的 Elastic AI Agent Builder 提供了一套开箱即用的框架，包含开放的原语、基于标准的协议以及安全的数据访问。借助它，你可以面向真实业务场景，快速打造专属的 Agent 系统。

• Delivering AI Experiences

最终目标是交付 AI 体验。依托 Search AI Platform 与您的数据，可构建各种生成式 AI 应用：自定义聊天界面、与 LangChain 等 Agent 框架集成，或嵌入 Salesforce 等业务系统。

• Powered by Agents & Tools

在平台之上，我们提供简洁清晰的抽象层。你可以直接操控 Agent 与 Tool，并通过 API 以及 MCP、A2A 等开放标准接入其能力。

• Enabled by the Search AI Platform

这是核心引擎：高级向量数据库、Agent 逻辑、查询构造、安全特性、链路追踪等都在此统一管理、自动优化。

• Unlocking the power of Your Data

决定 Agent 能力的，是优质数据。平台支持将企业内各种数据统一接入或联邦检索，让 Agent 获取最合适的上下文。

在平台中构建 Agent

Agent Builder 集成于 Search AI Platform，围绕五大支柱设计，全面支撑生产级 AI 系统的开发与部署：Agent、Tool、开放标准、评估、以及安全。下面逐一说明。

Agents

在 Elasticsearch 新层次中，Agent 是最高级的构件。它定义：

• 要达成的目标
• 可调用的工具集合
• 可访问的数据源

Agent 不仅能进行对话，还能驱动完整工作流、任务自动化或面向用户的应用。

当查询发往 Agent 时，会经历如下循环：

1. 解释输入与目标
2. 选择合适工具及参数
3. 基于工具返回结果继续推理
4. 决定直接返回答案或继续调用工具

Elastic 负责该循环的编排、上下文管理和执行。开发者只需关注 做什么：目标、工具、数据；系统则负责 如何做：推理与工作流。

默认 Agent

平台内置的第一个 Agent 是 Kibana 原生对话 Agent。开箱即用，可直接与数据交互，并且完全可扩展。你可以在 Kibana 新的聊天界面或通过 API 与之对话。

调用默认 Agent 的 API 仅需一次请求：

POST kbn://api/agent_builder/converse
{
  "input": "what is our top portfolio account?"
}

对话是有状态的，你可通过 conversation_id 继续对话或获取完整历史：

POST kbn://api/agent_builder/converse
{
  "input": "What about the second top?",
  "conversation_id": "ec757c6c-c3ed-4a83-8e2c-756238f008bb"
}

# 获取完整对话
GET kbn://api/agent_builder/conversations/ec757c6c-c3ed-4a83-8e2c-756238f008bb

自定义 Agent

开发者也可通过简单 API 创建自定义 Agent，封装特定指令、工具、数据访问，打造专属推理引擎。

创建 Agent 只需一次调用，configuration 字段包含指令、工具等关键信息：

POST kbn://api/agent_builder/agents
{
  "id": "custom_agent",
  "name": "My Custom Agent",
  "description": "Description of the custom agent",
  "configuration": {
    "instructions": "You are a log expert specialising in ...",
    "tools": ...
  }
}

创建后即可查询：

POST kbn://api/agent_builder/converse
{
  "input": "What news about DIA?",
  "agent_id": "custom_agent"
}

这种声明式方式，把原本复杂的 Agent 构建转化为简单的业务逻辑定义，大幅加速智能自动化落地。

详细步骤可参考指南：Your First Elastic Agent: From a Single Query to an AI-Powered Chat。

Tools

Agent 决定 做什么，Tool 决定 怎么做。

Tool 将 Elastic 核心能力暴露给 Agent，包括基础操作（如获取索引、映射）以及高级功能（如将自然语言转换为 ES|QL 查询）。

Elasticsearch 自带一组优化好的默认 Tool，更大的灵活性在于你可以自定义 Tool：通过 ES|QL 精准定义可查询的索引、字段与参数，从而在速度、准确度、安全性之间自由权衡。

注册新 Tool 也只需一次调用，示例如下（根据金融资产查询新闻）：

POST kbn://api/agent_builder/tools
{
  "id": "news_on_asset",
  "type": "esql",
  "description": "Find news and reports about a particular asset where ...",
  "configuration": {
    "query": "FROM financial_news, financial_reports | where MATCH(company_symbol, ?symbol) OR MATCH(entities, ?symbol) | limit 5",
    "params": {
      "symbol": {
        "type": "keyword",
        "description": "The asset symbol"
      }
    }
  }
}

注册完毕后，可将该 Tool 指派给自定义 Agent，使其在需要时调用。

借助 ES|QL 等特性，你可以把通用 Agent 变成深谙业务的专家，完全基于自身数据与场景。

开放标准与互操作

Elasticsearch 的 Agent 与 Tool 均通过开放标准 API 暴露，便于与其他 Agent 框架互联。我们的理念是：拒绝黑盒，让 Elastic 的搜索检索优势与外部平台能力自由组合。

为此，我们支持多种开放协议。

Model Context Protocol (MCP)

Model Context Protocol (MCP) 正快速成为跨系统连接 Tool 的开放标准。借助 MCP，Elasticsearch 能将对话式 AI 与数据库、索引以及外部 API 相连。Elastic Stack 内置远程 MCP 服务器，任何兼容 MCP 的客户端都能调用 Elastic Tool，作为更大工作流的构件。

此外，你也能导入外部 MCP 服务器的 Tool，使其在 Elasticsearch 内可用。未来，MCP 生态会覆盖几乎所有功能；Elastic 提供大规模检索，你再组合其他平台的专长，便能构建效果卓越的 Agent。

Agent-to-Agent (A2A)

我们也在研发 Agent-to-Agent (A2A) 支持。如果说 MCP 负责连接 Tool，A2A 则连接 Agent。借助 A2A 服务器，Elastic Agent 能与其他系统的 Agent 直接对话：共享上下文、委派任务、协同工作。

这意味着推理层面的互操作：Elastic Agent 可负责检索，再把任务交给专门的支持或 IT Agent，完成后收回结果，流程无缝衔接。

MCP + A2A 体现了 Elasticsearch 始终以开放姿态融入更广阔的 Agent 生态。

链路追踪与评估

当搜索与 Agent 深度融合，如何评估效果变得至关重要。要在企业场景中安心部署 Agent，你需要确保其准确、高效、可靠。衡量性能、定位错误并持续改进，都离不开可观测性。

因此，我们从一开始就让 Agent API 具备透明度。来看一个简单例子：

POST kbn://api/agent_builder/converse
{
  "input": "what is our top portfolio account?"
}

返回结果不仅包含最终答案，还有完整执行链路：Agent 选择了哪些 Tool、使用了哪些参数、每一步的结果等。

{
  "conversation_id": "db5c0c8b-12bf-4928-a57e-d99129ad2fea",
  "steps": [
    {
      "type": "tool_call",
      "tool_call_id": "tooluse_Nfqr3mwtR92HTRIsTcGXZQ",
      "tool_id": ".index_explorer",
      "params": {
        "query": "indices containing portfolio data"
      },
      "results": [...]
    }
    // ... 更多步骤 ...
  ],
  "response": {
    "message": "Based on the information I've gathered...."
  }
}

全面的追踪与日志是持续改进的基础。很快，你就能将这些链路数据直接存入 Elasticsearch，并可视化查看。更好的是，链路格式基于 OpenTelemetry 标准，方便与任意可观测平台集成。

借助如此详细的数据，你可以构建测试套件、调试失败场景、识别并阻止回归、捕获成功模式优化性能——把原型提升到可上线的、可信赖的 AI 系统。

安全

随着 Agent 与 Tool 能力增强，安全不再是附加项，而是底层基石。开放 API、自动化任务和工作流，均需在企业级信任体系下运行。

上述所有能力都继承了 Elastic 现有的安全控制，如 RBAC 和 API Key 管理。同时，我们将这些控制延伸至 MCP 等新协议，支持 OAuth 等标准，也允许接入自定义认证机制。

目标是：在保证安全、合规和治理的前提下，给予你自由试验 Agent 与 Tool 的空间。

接下来

我们不仅在增加功能，更是在为 “Agentic Context Engineering” 扩展 Elasticsearch。未来规划遵循以下原则：

1. 坚守开源与标准undefined保持与外部 Agent 框架的互操作，让你既能连接、扩展，又能掌控数据与工作流。
2. 重视上下文价值undefinedAgent 的上下文决定其能力。我们将利用 Elastic 的检索优势解决上下文工程问题，确保最相关信息始终可用。
3. 专注 Agentic 数据流undefinedAgent 将产生海量数据：生成的文档、报告、可视化，以及执行链路。Elastic 天生适合存储与分析这类数据，我们正研究基于此的分析、评估与自动改进。
4. 设计即安全undefinedAI Agent 带来新的安全与安全挑战。Elastic 将继续提供企业级防护、访问控制和 Zero-Trust 原则。
5. 平台内嵌undefinedAgent 能力深度集成于 Elasticsearch：链路追踪、评估、可视化统统可用。想以执行数据做仪表盘？自带。想用情感分析评估 Agent 质量？平台同样支持。由此构建完整的 AI 生命周期。

Elastic 将持续提供接口，让你轻松构建基于自身数据的对话式 AI 与自动化工作流。更多技术细节和进展，敬请关注。