这张图清晰展示了在 Make 平台（原 Integromat） 上创建和运行 AI Agent 的完整流程，我帮你把每一步拆解清楚：

一、Make 平台 AI Agent 工作流程详解

1. 定义 Agent（创建智能体主体）

• 核心动作：在 Make 中创建 Agent 实例，完成基础配置
• 关键配置项：
  • Agent 描述：明确它的角色、能力边界和行为规范（相当于 System Prompt）
  • 工具场景绑定：声明它可以调用哪些 Make 模块（如邮件、数据库、API）
  • 底层模型选择：绑定 LLM（如 OpenAI、Anthropic、本地模型），作为智能体的大脑

2. 准备工具场景（为 Agent 配置 “技能包”）

• 核心动作：为 Agent 要用到的每一项能力，单独创建一个 “工具场景”
• 配置要点：
  • 定义触发方式（如 Agent 调用时执行）
  • 设定输入 / 输出数据结构（参数格式、返回结果类型）
  • 用自然语言写清工具描述，让 LLM 知道这个工具的用途
• 举例：
  • 一个 “发送邮件” 工具场景：定义收件人、主题、正文参数，以及发送成功 / 失败的返回格式
  • 一个 “查询数据库” 工具场景：定义 SQL 模板和返回字段结构

3. 主场景调用 Agent（搭建入口流程）

• 核心动作：创建一个主场景，作为用户请求的入口
• 关键模块：使用 Make 中的 「Run an agent」模块，将用户请求转发给已定义的 Agent
• 作用：
  • 接收外部请求（如 Webhook、表单提交、聊天消息）
  • 统一触发 Agent 执行，并管理整个任务生命周期

4. Agent 推理与工具执行（核心闭环）

• 核心动作：LLM 分析用户请求，自主决策并调用对应的工具场景
• 完整流程：
  1. LLM 解析用户任务，判断需要调用哪些工具
  2. 按定义的格式调用对应的工具场景（如 “调用发送邮件工具，参数为 xxx”）
  3. Make 执行工具场景，返回结果给 LLM
  4. LLM 根据工具返回结果，继续分析并决定下一步动作（循环迭代）
• 特点：这是一个动态闭环，Agent 会根据工具反馈调整策略，直到任务完成

5. 结果返回与后续处理（输出交付）

• 核心动作：Agent 生成最终回复，主场景将结果交付给用户或进入下一个流程
• 两种常见处理方式：
  • 直接返回：将 Agent 的最终回复通过 Webhook、邮件等方式发送给用户
  • 流程联动：将 Agent 的输出作为后续 Make 场景的输入，继续执行自动化任务（如根据分析结果生成报表、触发审批流程）

二、这个流程的本质优势

1. 低代码 / 无代码创建：无需编写复杂代码，通过拖拽配置就能定义 Agent 的能力和流程
2. 天然适配自动化：Agent 可以直接调用 Make 平台上数千个现成的工具模块（CRM、ERP、办公软件等），快速打通业务系统
3. 可视化调试：所有工具调用和数据流转都在 Make 平台上可追溯，便于排查问题和优化流程
4. 灵活扩展：可以随时新增工具场景，给 Agent 增加新能力，无需重构整个系统

三、举个例子（客户售后工单处理）

1. 定义 Agent：角色是 “售后工单处理助手”，模型用 GPT-4o，绑定 “查询订单、发送邮件、创建工单” 三个工具场景
2. 准备工具场景：
   • 工具 1：查询订单（对接 ERP 系统，输入订单号，返回订单状态）
   • 工具 2：发送邮件（输入收件人、模板，发送售后回复）
   • 工具 3：创建工单（输入问题描述，在 CRM 中生成工单）
3. 主场景调用 Agent：用户提交工单后，通过 Webhook 触发主场景，调用 Agent
4. Agent 推理执行：Agent 分析工单内容 → 调用查询订单工具 → 根据订单状态判断回复内容 → 调用发送邮件工具给用户 → 调用创建工单工具记录问题
5. 结果返回：主场景将处理结果发送给用户，并同步到 CRM 系统

四、一句话总结

Make 平台的 AI Agent 流程，本质是 **“低代码定义智能体 + 现成自动化工具生态 + 闭环执行”**，让非技术人员也能快速搭建能调用业务系统、处理复杂任务的智能体。