parlant 为控制而构建的 LLM 代理。专为实际使用而设计。几分钟内部署完毕。

你构建了一个 AI 代理。它在测试中效果很好。然后真正的用户开始与它交谈，然后……

• ❌ 它会忽略您精心制作的系统提示
• ❌ 它在关键时刻产生幻觉反应
• ❌ 它无法一致地处理边缘情况
• ❌ 每次对话都感觉像掷骰子

听起来很熟悉？你并不孤单。这是开发人员构建生产 AI 代理的 #1 痛点。

Parlant 翻转了 AI 代理开发的脚本。Parlant 不希望您的 LLM 会遵循指示，而是确保这一点。

# Traditional approach: Cross your fingers 🤞
system_prompt = "You are a helpful assistant. Please follow these 47 rules..."

# Parlant approach: Ensured compliance ✅
await agent.create_guideline(
    condition="Customer asks about refunds",
    action="Check order status first to see if eligible",
    tools=[check_order_status],
)

• ✅ 博客：Parlant 如何确保代理合规性
• 🆚 博客：Parlant 与 DSPy

• 旅程： 定义清晰的客户旅程以及您的代理在每个步骤中应如何响应。

• 行为指南： 轻松制作代理行为;Parlant 将根据上下文匹配相关元素。

• 工具使用： 将外部 API、数据获取器或后端服务附加到特定交互事件。

• 领域适应：教您的代理特定领域的术语并制定个性化响应。

• 预设回复：使用回复模板来消除幻觉并保证风格的一致性。

• 可解释性：了解匹配和遵循每个指南的原因和时间。

pip install parlant

import parlant.sdk as p

@p.tool
async def get_weather(context: p.ToolContext, city: str) -> p.ToolResult:
    # Your weather API logic here
    return p.ToolResult(f"Sunny, 72°F in {city}")

@p.tool
async def get_datetime(context: p.ToolContext) -> p.ToolResult:
    from datetime import datetime
    return p.ToolResult(datetime.now())

async def main():
    async with p.Server() as server:
        agent = await server.create_agent(
            name="WeatherBot",
            description="Helpful weather assistant"
        )

        # Have the agent's context be updated on every response (though
        # update interval is customizable) using a context variable.
        await agent.create_variable(name="current-datetime", tool=get_datetime)

        # Control and guide agent behavior with natural language
        await agent.create_guideline(
            condition="User asks about weather",
            action="Get current weather and provide a friendly response with suggestions",
            tools=[get_weather]
        )

        # Add other (reliably enforced) behavioral modeling elements
        # ...

        # 🎉 Test playground ready at http://localhost:8800
        # Integrate the official React widget into your app,
        # or follow the tutorial to build your own frontend!

if __name__ == "__main__":
    import asyncio
    asyncio.run(main())

就是这样！您的代理正在运行，并确保遵循规则的行为。

• 🧭 对话式旅程 – 引导客户逐步实现目标
• 🎯 动态准则匹配 – 上下文感知规则应用
• 🔧 可靠的工具集成 – API、数据库、外部服务
• 📊 对话分析 – 深入了解代理行为
• 🔄 迭代细化 – 持续改进代理响应
• 🛡️ 内置护栏 – 防止幻觉和偏离主题的反应
• 📱 React Widget – 适用于任何 Web 应用程序的插入式聊天 UI
• 🔍 完全可解释性 – 了解您的代理做出的每一个决定

  🎯 每个人工智能开发人员面临的问题

  你构建了一个 AI 代理。它在测试中效果很好。然后真正的用户开始与它交谈，然后……

  • ❌ 它会忽略您精心制作的系统提示
  • ❌ 它在关键时刻产生幻觉反应
  • ❌ 它无法一致地处理边缘情况
  • ❌ 每次对话都感觉像掷骰子

  听起来很熟悉？你并不孤单。这是开发人员构建生产 AI 代理的 #1 痛点。

  ⚡ 解决方案：停止对抗提示，传授原则

  Parlant 翻转了 AI 代理开发的脚本。Parlant 不希望您的 LLM 会遵循指示，而是确保这一点。

  # Traditional approach: Cross your fingers 🤞
  system_prompt = "You are a helpful assistant. Please follow these 47 rules..."
  
  # Parlant approach: Ensured compliance ✅
  await agent.create_guideline(
      condition="Customer asks about refunds",
      action="Check order status first to see if eligible",
      tools=[check_order_status],
  )

  • ✅ 博客：Parlant 如何确保代理合规性
  • 🆚 博客：Parlant 与 DSPy

  Parlant 为您提供构建面向客户的代理所需的所有结构，这些代理的行为完全符合您的业务需求：

  • 旅程： 定义清晰的客户旅程以及您的代理在每个步骤中应如何响应。

  • 行为指南： 轻松制作代理行为;Parlant 将根据上下文匹配相关元素。

  • 工具使用： 将外部 API、数据获取器或后端服务附加到特定交互事件。

  • 领域适应：教您的代理特定领域的术语并制定个性化响应。

  • 预设回复：使用回复模板来消除幻觉并保证风格的一致性。

  • 可解释性：了解匹配和遵循每个指南的原因和时间。

  🚀 让您的代理在 60 秒内运行

  pip install parlant

  import parlant.sdk as p
  
  @p.tool
  async def get_weather(context: p.ToolContext, city: str) -> p.ToolResult:
      # Your weather API logic here
      return p.ToolResult(f"Sunny, 72°F in {city}")
  
  @p.tool
  async def get_datetime(context: p.ToolContext) -> p.ToolResult:
      from datetime import datetime
      return p.ToolResult(datetime.now())
  
  async def main():
      async with p.Server() as server:
          agent = await server.create_agent(
              name="WeatherBot",
              description="Helpful weather assistant"
          )
  
          # Have the agent's context be updated on every response (though
          # update interval is customizable) using a context variable.
          await agent.create_variable(name="current-datetime", tool=get_datetime)
  
          # Control and guide agent behavior with natural language
          await agent.create_guideline(
              condition="User asks about weather",
              action="Get current weather and provide a friendly response with suggestions",
              tools=[get_weather]
          )
  
          # Add other (reliably enforced) behavioral modeling elements
          # ...
  
          # 🎉 Test playground ready at http://localhost:8800
          # Integrate the official React widget into your app,
          # or follow the tutorial to build your own frontend!
  
  if __name__ == "__main__":
      import asyncio
      asyncio.run(main())

  就是这样！您的代理正在运行，并确保遵循规则的行为。

  🎬 查看实际效果

  

  🔥 为什么开发人员转向 Parlant

  🏗️ 传统人工智能框架	⚡ 帕兰特
  编写复杂的系统提示 希望法学硕士跟随他们 调试不可预测的行为 通过提示工程进行扩展 交叉手指以确保可靠性	用自然语言定义规则 确保遵守规则 可预测、一致的行为 通过添加指南进行缩放 从第一天起就投入生产

  🎯 非常适合您的用例

  金融服务	医疗	电子商务	法律科技
  合规优先的设计	HIPAA 就绪代理	大规模客户服务	精准的法律指导
  内置风险管理	患者数据保护	订单处理自动化	文件审查协助

  🛠️ 企业级功能

  • 🧭 对话式旅程 – 引导客户逐步实现目标
  • 🎯 动态准则匹配 – 上下文感知规则应用
  • 🔧 可靠的工具集成 – API、数据库、外部服务
  • 📊 对话分析 – 深入了解代理行为
  • 🔄 迭代细化 – 持续改进代理响应
  • 🛡️ 内置护栏 – 防止幻觉和偏离主题的反应
  • 📱 React Widget – 适用于任何 Web 应用程序的插入式聊天 UI
  • 🔍 完全可解释性 – 了解您的代理做出的每一个决定

      此处内容已隐藏，请评论后刷新页面查看.