Make正式推出的AI Agent智能体功能补齐了其生态系统中最关键的一块拼图，将成熟的自动化流程与2400多个集成工具服务相结合，再加上自主决策能力。

Make的智能体与传统工作流的核心区别在于目标驱动而非流程驱动。当任务是可预测的、基于规则的线性流程时，标准自动化流程更合适；而当需要理解意图、进行动态决策、协调工具并记忆上下文时，AI智能体则是更好的选择。这种设计理念使Make所集成的2000多种应用和服务都可以作为AI智能体的工具，大大丰富了智能体可调用的工具范围，避免了手动开发和集成服务的麻烦。

我通过Make的AI Agent创建了一个7×24小时的智能销售助理，它可以自动评估、分流和回复客户咨询，并将整个过程记录到数据库中。

在演示中，当系统收到无价值的咨询（如”我想吃西瓜”）时，智能体会自动判定为垃圾信息，评分为5分，决定忽略并记录到Notion数据库。而当收到高价值咨询（包含明确需求、预算和紧迫性）时，系统会自动评分为95分，生成专业邮件草稿，并提醒处理人员跟进。整个过程中，智能体根据需要动态调用了五个工具：发送LINE提醒、记录Notion信息、分析提交信息、根据咨询类型发送不同offer以及撰写邮件。

在Make中创建AI智能体需要三个主要步骤：准备工具、创建智能体本身，以及创建调用智能体的工作流。

准备工具阶段，我们需要创建五个Scenario作为智能体的工具：分析表单(AnalyzeForm)、生成购买链接(AlphaLink Map)、撰写邮件(ComposeEmail)、发送LINE提醒以及记录到Notion数据库。每个Scenario要成为智能体可调用的工具，必须完成四个步骤：添加场景的输入输出变量、添加返回输出结果的模块、设置为按需运行(on demand)并激活、编写场景描述说明其功能。

创建智能体时，需要选择AI模型(如ChatGPT、Claude或Gemini)，设置系统提示词，然后选择它可以调用的工具。最后，创建一个主场景来调用这个智能体，设置触发条件和后续处理逻辑。

核心观点

• AI智能体与传统自动化流程的核心区别在于目标驱动vs流程驱动，应根据任务特性选择合适的方式
• Make智能体的优势在于无缝集成现有2400多个应用服务，实现高度模块化设计
• 创建有效的AI智能体需要完整的工具准备、明确的系统提示和合理的工作流设计
• 虽处于测试阶段，Make的AI智能体已展现出高完成度，仅在可视化过程和模型切换方面有待改进
• 从工具思维向智能体思维转变是掌握AI自动化的关键，这种能力可跨平台迁移使用

关键洞见

请点击观看原始视频：

2025年聊AI自动化：Make推出AI Agent智能体功能

Make智能体功能的重要性与定位

如果不提智能体的话，都不好意思跟人打招呼了。最近 Make 终于正式推出了他们的 AI Agent 智能体的功能，这不仅仅是多加了一个功能模块那么简单，它算是补齐了 Make 自身生态里面最关键的一块拼图。Make 它本来就有非常成熟的自动化流程和 2400 多个可以集成的工具服务，现在如果再加上自主决策的 AI 智能体，还要啥自行车呢？

很多朋友很可能对 Agent 的概念不陌生了，或者本身也就是 Make 的老用户，大家可能会关心一下 Make 这次推出的 AI Agent 到底怎么样，它跟我们之前用到的 Make 的流程有什么本质的区别呢？它对比市面上其他的 Agent 的实现有哪些特点和不同，以及最关键的是它好不好用，能不能真正的帮我们解决复杂的自动化的需求。

你好，欢迎回到 Axton。这期视频呢，我就会带你深入系统的了解 Make 的 AI Agent。今天我跟大家展示的呢，是我们如何使用 Make 的 AI Agent 来调用五个其他的 Make 的 Scenario，做出来的自动化的工具，我们来打造出一个 7×24 小时的智能的销售助理。

智能销售助理的实际应用场景

我们所模拟的场景呢，就是我们可能会每天收到大量的客户的咨询消息，那么这些咨询信息里面哪些是有价值的，是有可能成交的客户，哪些呢，是一些垃圾信息，我们就需要把它们进行区分，进行不同的处理。那今天呢，我们只需要六个步骤，我们就可以把线索的评分啊，邮件草稿撰写，以及 CRM 客户信息自动入库，来全部的完成做自动化。

那看完这个视频呢，你将会学习到，我们如何去搭建一个能自动评分、分流、回复线索，并且把全部过程都记录下来的一个 AI 自动化系统。

我们先简单演示一下它的工作方式。那这次演示呢，我们使用 LINE 来接收用户的咨询消息，但是大家注意，我们所能接收的消息的来源呢，并不仅仅限于 LINE，Make 集成了 2400 多个 APP 和服务，所以很多我们所能常见的接收消息的方式，包括谷歌的表单啊等等，在 Make 当中都是可以实现的。

那今天测试呢，我们就来发送两条消息，一条是垃圾信息，另外一条呢，是有价值的客户消息，我们就可以看到 Make 的 AI Agent 的智能体啊，它是怎么样来对这些不同的消息进行不同的处理。

好，我们先给它随便发送一个没有意义的信息。如果我们发送的是”我想吃西瓜”这样的垃圾信息呢，它就会回一个”你在逗我嘛”。同时呢，这条消息也会被记录在我们的数据库里面。我们可以看到在我们的 Notion 数据库里面记录了这条对话信息，然后我们的智能体打出来的分数呢是五分，成交是没有希望的，所以它给出的最终的决定呢就是忽略（ignore），忽略掉了。

那我们再来发一个有价值的消息，我们发送一个这样的信息：

姓名 Axton
然后我的邮箱
咨询需求：希望有一个完整的智能体工作流，帮我处理用户提交的表单信息
预算 5000 美元
紧迫性：越快越好

好，然后再发过去，然后发送。好，如果是发送了一个有价值的消息呢，这边就给的提醒，就是”邮件草稿写完了，去邮箱看看吧”。因为我们这只是一个演示啊，所以我所有的 LINE 信息都是发给我自己了，在实际的场景当中呢，像上面的这样信息是应该回复给客户的，那下面的提醒信息呢才是给我们自己看的。

好，我们去看一下邮箱，这边就是写出来的一个邮件草稿”关于智能体工作流项目的下一步”，然后我们的 Notion 数据库里面同样记录了这样的一条信息，这就是 Axton，那他的状态呢就是我们会给他发一个会议的邀请（会议的 offer），这边给出的评分 95 分，然后他的预算是 5000 美元，同时客户的需求也在这里面进行了记录，智能体做出的下一步骤的判断呢就是要发送 offer，那这边呢把邮件的草稿也同时记录了下来。

那在我们的流程执行当中呢，我们的 AI 智能体啊，它实际上是调用了五个工具，那这个工具呢就是给 LINE 发送提醒消息，还有就是在 Notion 当中记录信息，还有分析提交的信息，根据用户咨询的类型来发送不同的 offer，还有就是撰写邮件，那 AI 智能体就会根据它所需要采取的下一步行动来动态的调用这五个工具。

智能体的概念与工作流的区别

好，接下来就给大家演示一下我们如何只通过六步就来把这整个智能体创建出来。但是在此之前呢，我们首先需要了解什么是 AI 智能体，它跟我们之前所熟悉的那种通用的工作流程有什么区别。

好，首先我们先来简单了解一下到底什么是智能体。智能体它相对来说呢是一个大的概念，它并不仅限于 AI。那作为定义呢，智能体它是一个能够感知所处的环境，然后通过自主的行动来达成特定目的的一个实体，它具备通过机器学习或者获取外部知识来提升自身性能的能力，那它的核心就在于它是目标导向的行为。好，这就是智能体的五个特征，实际上从这五个特征上我们可以看到一个智能空调它都可以算作一个智能体。

好，接下来我们再看一下我们在日常的这个工作流当中，智能体和我们普通的之前我们用熟练的那种工作流它有什么区别。实际上我们用 Make 的传统的工作流的方式呢也一样可以达到我们刚才做的那些事情，那么智能体和工作流有什么区别？

OK，AI Agent 的智能体它和我们普通的之前所见过的熟悉的工作流呢，它们的核心区别呢只是在于两点：AI 的智能体它在于目标驱动，而我们标准的这个自动化流程呢它是流程驱动的。所以简单来说呢，当我们的任务是可预测的、基于规则的线性流程的时候，我们就选标准的自动化流程；当我们的任务是需要它去理解我们的意图，来进行动态的决策，协调工具，并且还要记忆上下文，我们就要选择 AI 智能体。

创建 Make 智能体的实际步骤

那具体的我们今天的案例，我们来看一下它的工作流程，如何来创建这个智能体。首先我们这个案例要解决的问题，我们之前面已经讲过，我们接收到的这些咨询消息呢，大部分实际上都是预算不足或者就是想闲聊的一些信息，只有少部分呢是我们需要进行跟进的。所以我们这个智能体要做的事情呢就是要快速的把这些消息呢进行评分和分流，然后对于评分之后的高分客户呢，我们就需要自动的去生成一些或者是澄清需求的邮件，或者是邀请进行会议、视频会议的邮件，然后把这些消息通过各种方式，即时信息啊，LINE 啊，推送给我，这整个过程呢都进入到我们的数据库里面，这可以方便我们后续对这些客户进行跟进，或者呢就是给你现有的系统啊，你的 OA 系统，或者是你的客户关系管理系统呢进行集成。那这个智能体，当我们有新的规则的时候，我们只需要改 Prompt 就行了。

接下来呢，我们就通过一条完整的落地流程，把整个智能体从无到有给它创建完成。那跟着这个过程走一遍呢，你就知道在 Make 当中创建一个智能体它的流程都是什么样了，以后你创建其他的智能体呢也就有了可参考的路线图。

好，我们接下来呢就一步一步的来创建出这一个完整的智能体。好，在 Make 里面，要创建一个完整的智能体，我们至少需要做这个三件事情：创建一个智能体，为智能体来准备工具，然后再创建调用智能体的工作流。那我推荐的流程呢是我们先来准备工具，然后再去创建智能体，最后我们再创建一个调用智能体的工作流。

准备智能体工具

那么在 Make 里面，给智能体的工具是什么呢？在 Make 里面，给智能体的工具就是 Make 的 Scenario，也就是 Make 的场景。在 Make 里面，一个工作流就叫做一个 Scenario，一个场景。所以也就是说，Make 的智能体它可以调用你的所有的这些工作流。

那这实际上就带来了两个非常大的好处：第一个呢就是它可以用到 Make 所能集成的 2400 多种 App，也就是 Make 的智能体它可以跟 Make 原有的这个集成的系统啊，它庞大的生态呢可以无缝的衔接；那第二个好处就是通过直接把 Make 的 Scenario 当做工具呢，它可以做到很好的模块化，就是我们日常的 scenario，我们就可以把它当做 Make 的工具来用，这个 scenario 我还可以作为单独的一个 scenario 来执行，或者把它作为其他的 scenario 的一个子的 scenario，子场景来进行调用，所以它整个实际上可以起到一个非常模块化的一个结构，这就让你的设计、扩展和管理变得越来越简单。这也显示出啊，Make 它秉承了一个软件设计的一个原则、基本原则，它不会把所有的东西给你全部给你团在一起。

好，那首先我们来准备五个工具，也就是五个 scenario，用来解决我们这个问题的 scenario 场景。第一个呢，AnalyzeForm，也就是它是用来分析用户发过来的咨询信息的，那分析之后呢就会根据的用户的信息做出评分、决策等等。

好，我们先来创建第一个 scenario，AnalyzeForm。好，第一个 scenario 呢非常简单，它的目的呢就是用 AI 来判断你的咨询信息，那这边的 AI 呢会用的就是 ChatGPT 的模型，首先建立到 ChatGPT 的连接。

好，首先下面就是给 prompt，我们先给的是系统的提示，system 的 prompt，我们来简单看一下提示词的例子：

“你是一个资深的自动化顾问助手，负责评估潜在客户的咨询，并且输出 JSON。”

好，这边就是根据几个评分维度：需求描述的清晰度、预算的暗示、付费意愿、还有跟我们服务的匹配度，然后来做一个评分。如果这个评分是小于 30 分呢，我们直接就忽略这个请求；如果是 30 在 60 之间，说明我们需要去再澄清一下这个需求；评分大于 60 分，然后你的付费的意愿呢小于 200 美元，那么就给你一个 30 分钟的会议的 offer，30 分钟的会议的购买链接；那其他的情况呢，我们就给你一个 60 分钟的会议链接；然后呢，如果咨询的消息里面出现了”只是了解一下””学生””作业””没有预算”，但是呢分数大于 60，那么我们就可能就需要人工来介入，检查一下到底是什么情况，所以这边就给了一个需要人工审核。

那下面的 user prompt，用户提示呢就是需要把客户咨询的内容传递给这个 AI 了，传递给模型了。那么这个用户咨询的内容来自于哪里呢？那这是一个变量，这个变量呢就叫做 scenario 的 input 变量，就是场景的输入变量，那么它就是我们把一个场景当作 AI 智能体的工具的时候必须要的一个参数了。

这个变量在哪定义呢？在每一个场景的下边，工具栏的第二个按钮，就是用来定义场景的输入输出变量的。首先我们看场景的输入变量，就是名称就是一个 raw text，然后它的类型就是一个文本，那这个变量呢就是当智能体调用我这个 scenario 的时候，它需要给这个 scenario 传送的信息，传送的内容，实际上也就是需要给它传送的用户咨询的内容，因为这个 scenario 的用途呢它就是用来分析用户的咨询内容的。所以当智能体认为它需要去对某一个信息做用户的分析的话，它就会知道它需要调用 AnalyzeForm 这个工具，同时会把用户咨询的内容作为它的 scenario 的输入变量给它传过来。所以场景的输入变量呢是你要把一个 scenario 当作智能体的工具的时候一个很重要的一点。

所以 AnalyzeForm 分析用户的咨询信息这个场景，其实主要的模块就是一个 AI 模型，但是要让这个 scenario 它成为 AI 智能体可以调用的工具，还有一步必须要做的事情，就是要返回数据。所以在这边有一个场景输出的一个模块，这个模块是做什么的呢？这个模块就是负责把这个场景执行完之后的返回结果输出出去。那在这里有五个变量，这五个变量是在哪里定义的呢？就是我们刚才在定义场景输入变量的地方，在这边就是场景的输出变量，我们事先就把场景输出所需要的五个变量都给它定义好。

那变量定义了之后呢，我们场景执行完之后呢，必须要把这些变量都输出，输出这些变量用到的模块就是我们看到的这个，叫做 scenario 的 Return Output，场景输出。所以我们只要在这边把每一个变量给一个值就可以了，这些值全部来自于前面的 GPT 的模块，因为前面的 GPT 模块呢，我们把它的输出呢定义成了 JSON，而且已经把 JSON 进行解析了，所以我们就可以直接取到这五个数据分数，然后给出的最终决定、预算、用户的需求，以及是不是需要人工的审核。只要我们把 GPT 的这些输出，然后添到这个对应的这些输出变量的地方就可以了。

那这样一个完整的 scenario，完整的场景就完成了。那么它跟普通场景最重要的一个区别就在于，它必须要有一个场景输出的模块，把这个场景的运行结果进行输出。这不是必须的，否则你的智能体不知道调用了这个工具之后，这个工具执行的情况怎么样，它也就没有办法去做下一步的判断了，所以这一步是必须要做的事情。

好，场景制作完成之后呢，还有关键的两步，才可以让这个 scenario 成为 AI 智能体可以用的工具。第一步就是我们要把它的运行状态改成按需运行（on demand），在这里面我们把它设置成按需运行，然后激活把这个状态打开，让场景处于激活的状态等待运行等待被调用，这是第一步。

还有一步我们需要做的就是我们要给这个场景添加注释，就是在我们的场景的右上角我们来编辑它的描述。在这个描述里面我们所需要输入的就是要告诉这个智能体，我们这个场景它是干什么的，它的功能是什么，它的输入输出的数据都有哪些，那这样我们的智能体才能知道在什么情况下去调用哪一个场景作为它的工具。描述做完，然后场景 Scenario 处于激活状态，它的运行模式是按需运行，那这样的我们的一个场景就作为 AI agent 能调用的工具，它就已经就绪了。

任何一个场景你完成了这四个步骤之后，它都可以作为 AI 智能体能够调用的工具。这就是 Make 的场景及工具，正是因为它的这种设计理念，就可以让 Make 它所集成的 2000 多种的 app 和服务，其实都可以拿来作为 AI agent 的工具了。这些 app 和服务之间相互组合搭配成不同的场景，这就很大程度上去丰富了这个 AI 智能体它所能调用的工具的范围，那这就是这种老牌的成熟的自动化平台它的优势所在，也就避免了你还需要自己去手动的开发写代码，去集成你所需要服务的一些麻烦。

创建其他工具场景

OK，我们接下来来看它的第二个场景，AlphaLink Map，这个场景的功能就是根据智能体的决策来返回一个正确的购买链接。在我们的测试当中实际上就是来返回一个 30 分钟的咨询会议或者是 60 分钟的咨询会议的链接，或者就返回一个空的链接。

好，我们来看一下这个 Scenario，对于我的课程学员来说看到这里你们都应该已经知道了它的基本的模块都是怎么的创建建立和操作的。如果 Decision 等于 30 分钟它的执行路径就是这样的：首先这条满足它就会执行到这一步，它会把这个 PurchaseLink 的变量设置成 30 分钟的变量，然后到第二个分支它会发现它不满足条件，那这个分支就不会去运行，然后到第三个分支没有任何条件，所以它就会去运行第三个分支，第三个分支就是获取到 PurchaseLink 这个变量的值，这个变量的值已经在第一步里头被赋值了，被赋值成 30 分钟的 Link 了，所以这边 PurchaseLink 就是 30 分钟会议的链接，然后我们这个 Scenario 它所输出的就是前面的变量，所以它输出的就是 30 分钟的链接。

接下来我们再看第三个 Scenario，ComposeEmail 写一封邮件，这个 Scenario 我们只是写一封邮件，我们并不是去发这封邮件，所以我们实际上就用一个 AI 模型，一个模块就可以了。那这边关键的就是它的提示词了，首先是一个系统的提示词，提示词就是告诉它你要根据输入信息来生成一封 HTML 的邮件，然后用户的提示，User 的 Prompt 呢就是告诉它我们这些变量都是什么就 OK 了，我们直接把这个写好的邮件作为输出结果就可以了。

好，接下来是通过 LINE 推送一个提醒，这个的目的就是当 AI 智能体最终决定是需要人工干预的时候，它需要给管理员推送一个提醒，让你去进行干预。那这次提醒呢，我们就用 LINE 来进行提醒。那基本上在 Make 里面呢集成了大多数的 Social Media 的 APP，所以你可以用任何你喜欢的方式，比如 Discord 呀，Telegram 呀，包括微信也是可以的，只不过微信可能会需要服务号，那 LINE 呢它现在同样也推出了一个公众号的功能，所以它在创建 Connection 的时候呢会要复杂一些，那这个我会在后面的课程当中会详细的讲解如何去配置 LINE 的连接。那么这个 Scenario 它最后输出的一个结果呢，我们只需要输出一个消息发送状态就可以了，是 Yes 还是 No 就 OK。

那最后一个 Scenario 呢就是我们需要把整个的工作过程，用户提交的咨询信息啊，还有你的做出的最终决定写出来的 Email，全部给它存到 Notion 里面的数据库里面，那这个呢就相当于是你的一个客户关系管理的数据库了，你要把这些信息都保存下来。Notion 数据库也比较简单，这个 Scenario 同样它也比较简单，我们实际使用的时候可能会有更复杂的 Scenario，那么今天因为我们的主要的目的是给大家讲解 Agent 的智能体，所以我们不把这些子 Scenario 搞得太复杂。

OK，我们这边只要以一个 Notion 的模块去创建一个数据库的项目，那创建这个项目它的字段都是什么样的值，这些值就来源于我们给它定义好的输入的变量，就是这些变量，只要我们在 Notion 的模块里头把变量添到相应的字段里头去就可以了，没有任何特殊的地方，那最后的返回呢，我们只需要返回一个创建好的数据库项目的 ID 就可以了。

好，这样我们的五个 Scenario 都创建完成了，他们也都设置成为了 Agent 智能体可以调用的工具。

创建 AI 智能体

好，当我们把工具都准备完成之后呢，我们接下来就开始创建我们的 AI 智能体了。在 Make 里面创建 AI 智能体呢，它这边有单独的一个菜单项，就是在右边的第三个菜单项上，AI agent AI 智能体。好，这边如果要创建新的智能体，我们只要在右边点击新建就可以。

首先我们创建智能体需要设置的是连接，那这个连接呢，它实际上设置的就是你所采用的这个模型啊，你的 AI 模型。那我这边已经设置好的 AI 模型，有 ChatGPT、Claude 还有谷歌的 Gemini，这三个是可选，那这边呢我就先选择一个 ChatGPT 的，那这就是这个智能体的名称，这是根据你的需要来取，然后模型 4o，然后这边就是一个系统的提示，System 的 Prompt，我们先简单写两个，是一个销售助理。

好，我们先把它保存一下，那这样我们初始的选择完模型，设置完系统提示之后呢，我们就会进入到选择它的可用工具的界面了。下面呢就是可以选择这个智能体它可以调用的工具有哪些，我们只需要在这边点击添加就可以。那这里面它已经提示了，这个 Scenario 它的排程的方式是按需运行或者是立刻运行，可以选择，那在这边可以直接搜索我们所有的 Scenario，也可以通过文件夹来筛选，我们就选我们的这个文件夹，这里面就是我的五个演示用的 Scenario，它们全是都激活状态，我们就可以去选择它们了，我们把这五个都选上，添加。

那这样这几个工具呢就添加到我们的这个智能体里面来了，所以一个智能体的基本的配置呢就是这些内容，你还可以在右边这个智能体的设置里面去做一些更细节的一些配置。好，这些完成之后我们只要保存就 OK，那这一步呢我们的 AI agent 智能体就创建完成了。

所以我们可以看到创建 AI 智能体其实很简单，主要就是这么几步：首先你选择创建，然后选择模型，给它一个系统提示词，再给它选择它可以调用的这些工具，最后就 OK 了，主要的步骤呢就这么几个步骤。

创建调用智能体的工作流

那创建完这个 Agent 之后，我们怎么把它用起来呢？这时候我们就需要创建一个主场景了，来调用这个 Agent 的场景，创建一个 Agent 的智能体的场景，其实我们主要考虑的就是两件事情：第一个呢就是 Trigger（触发器），我们要根据什么情况来触发我们的这个场景，还有就是我们的 Agent 运行完之后，我们后续对它要进行什么样的一些处理，这是我们重点要考虑的两个事情。

那我们的主场景是什么样呢？我们可以看到我们的主场景触发器是 LINE，然后调用了这个 AI 智能体，我们刚创建好的，然后做一些后续的处理动作。OK，这就是我们的智能体主场景，我们所需要设计的一个流程，我们就需要根据你设计好的流程，来去制作 Make 的工作流 scenario。

在 Make 里面要运行你刚才创建好的 AI 智能体呢，就是选择 Run Agent 这个模块，Make 的 AI 智能体的这个 APP 呢，它只有这么一个动作，就是运行一个智能体，目前它并没有别的动作。那它的配置就是我们需要选择运行哪一个智能体，这就是我们刚才创建好的，然后呢，这边还有系统的工具，都给你列在这边了，然后 Thread ID，这个就是 Make 的智能体它当前的 Memory，它是为了保持一个对话上下文的，还有下面的 Message 呢，实际上就是我们的用户提示了，用户提示了，User Prompt，用户的提示词，这边也可以添加多个 Message。好，那我们这边添加的用户提示词呢实际上就是这个 LINE 发过来的消息，OK。

回到我们的场景，我们需要在它智能体运行完之后呢，根据它的智能体最后给出来的结果，做不同的两个动作：首先如果你的智能体的返回结果呢是 ignored，那么我就给 LINE 发一条消息，说”你在逗我吗”；好，第二种情况呢，就是说我们的 Response，它不是 ignored，我们只需要把它写好的邮件呢，通过一个 email 的一个模块，创建一个 email 草稿的模块，把它创建到你的邮箱草稿里面就可以；OK，邮件写完之后，同样我们再给 LINE 发一条消息，就告诉他”邮件草稿写完了，去邮箱看看吧”。

好，这样我们的主场景就做完了，我们接下来就是对它进行一次测试，测试呢，测试呢我们在视频的刚开头演示的时候大家已经看过了，所以我们就不再重复进行测试了。

Make 智能体的优缺点分析

那我们可以看一下它现在最主要的一个问题，因为 Make 的智能体它目前毕竟是一个测试版，beta 版，所以它还是存在着一些问题。最主要的一个问题呢，就是它的 AI 智能体执行的过程中，它所调用的这个工具，它在调用工具的这个过程，它不可见，你不太清楚它执行到哪一步了。

好，我们可以再简单的看一下它的这个运行过程，同样我这边还是发一个咨询消息，那这样发过去之后呢，实际上这个 Agent 它是在运行，这个场景肯定会被触发了，那你在 Scenario 当中，你是看不到它的运行过程的，我们可以在它的历史记录当中可以看到它正在运行，但是呢你并不知道它具体是怎么运行的过程。

好，这个 Scenario 的运行，你是可以知道，但是这个智能体它内部怎么运作，它调用到哪些工具呢，它没有一个很明显的一个界面给你看到，那这点呢实际上对你的调试来说是不太友好的。我们可以看它同样给出了这个回复，然后呢也是给出了一个邮件草稿，但是虽然它在运行过程中没有给你可视化的显示出它调用工具的过程，它是在它的输出当中是有这个完整的运行过程的，它是有完整的运行日志的。

我们可以看一下这个智能体的输出，首先它的应答 Response 就是完整的一个邮件，这个我们在邮件当中已经看到了，那关键就是在第二个它的执行步骤当中，我们就可以看到它一共做了哪些的，一共做了哪些的动作，执行了多少步，那么第三步 AI 它干了啥呢？它就调用了 AnalyzeForm，传递的参数就是我们给它发的这个咨询信息，那第四步就是 Tool，也就是这个工具它返回的消息，这个 Tool 返回的信息就是通过 Scenario 的 Output 来返回的消息，每个参数它返回的参数值都是什么，然后这个工具的名称是 AnalyzeForm，OK，然后每一个调用所消耗的 Token 也给出了详细的数据，最后是每一步的运行时间。所以这个智能体它给出的信息，输出的整个执行过程的信息还是挺完善的，唯一的缺点就是它并没有可视化的把这个过程给你表达出来。

好，除了我们刚才说的它的可视化的过程没有展现出来这个缺点之外，它还有一个不太方便的地方呢就是它换模型不太好换，当你一个智能体给它创建完成之后呢，你就不能换这个 AI 模型的厂商了，那么这边我就不能把它换成 Claude，我只能在 OpenAI 的模型之间进行切换，那我要想换一个模型厂商，我就需要重新再创建一个智能体，这个是有一些不太方便，但是也并没有什么太根本性的问题。

总之 Make 这次它推出的 AI 智能体的这个测试版，我觉得效果还是很不错的，基本上它的完成度还是很高的。虽然有它的运行过程、调用工具的过程没有可视化的显示，以及更换模型比较麻烦一些之外呢，整体的操作过程我觉得还是很流畅，比较符合我们日常使用 Make 的这个习惯，所以接受起来也很容易，而且它通过把 Scenario 当作工具呢，可以让我们的工具更加的模块化，让我们的整体设计呢更加的模块化，也很好的跟它的整个生态进行了集成，也包括如果你一直在用 Make 的话，有了很多 Scenario 呢，你进行迁移也不会有太大的障碍。

如果你想像我们刚才那样，不仅仅是停留在简单的连接工具执行命令，而是想真正的掌握如何去构建一个复杂的工作流，如何去构建一个智能体的自主系统，让 AI 来为你进行复杂的决策的核心思维的话，那么请你了解一下我的 AI 智能体训练营。这门课程的核心就是帮助你完成从工具思维到智能体思维的一个关键的转变，因为你只是追工具的话，当工具升级，当面对新的需求的时候，你还是没有办法去很好的解决问题。那通过我们的智能体训练营呢，你将会系统的学习到我们如何去设计，如何去有计划有步骤的完成一个复杂系统的建设，从而让你学习到的技能呢是可以迁移的，而不是被限制在某一个工具里的。目前我们的课程正在预售期，现在是半价销售，请点击视频下方的链接，让我们一起学习在 AI 时代，我们所应该具有的核心能力。

好，我们下期再见。