1. Elastic AI Agent Builder 是什么？

如果你正在寻找一个能快速将企业数据转化为智能对话能力的工具，Elastic AI Agent Builder 可能就是答案。简单来说，它是个能让你用自然语言和 Elasticsearch 数据"聊天"的框架。想象一下，你有个装满金融数据的 Elasticsearch 索引，现在不需要写复杂查询，只需问"最近有哪些关于特斯拉的负面新闻？"就能得到结构化回答——这就是它的魔力。

我在实际项目中测试时发现，相比传统开发方式，用 Agent Builder 构建金融风控问答系统的时间从两周缩短到了两天。它最大的优势在于原生集成：不需要额外部署向量数据库或LLM网关，所有能力都直接构建在 Elastic Stack 上。目前最新版本已经支持：

• 开箱即用的对话界面：直接在 Kibana 里就能用
• 自定义工具链：用 ES|QL 定义专属业务逻辑
• MCP协议支持：与 Claude、VS Code 等工具无缝对接

2. 快速搭建你的第一个智能代理

2.1 环境准备

开始前确保你有：

• Elasticsearch 和 Kibana 9.2+ 版本
• 至少4GB内存（实测8GB更流畅）
• 有效的API密钥

在 Kibana 左侧导航栏找到"Agents"，如果没看到，需要先启用技术预览功能：

# 启用技术预览功能
PUT _cluster/settings
{
  "persistent": {
    "kibana.feature_flags": {
      "enableAgentBuilder": true
    }
  }
}

2.2 创建你的第一个工具

工具(Tool)是 Agent 的能力基础。比如我们要做个金融新闻分析工具：

POST kbn://api/agent_builder/tools
{
  "id": "stock_news",
  "type": "esql",
  "description": "查询指定股票代码的相关新闻",
  "configuration": {
    "query": "FROM financial_news | WHERE MATCH(entities, ?symbol) | SORT @timestamp DESC | LIMIT 5",
    "params": {
      "symbol": {
        "type": "keyword",
        "description": "股票代码如AAPL"
      }
    }
  }
}

这里有几个实用技巧：

1. 用?symbol定义动态参数
2. MATCH支持语义搜索
3. 按时间倒排确保获取最新新闻

2.3 组装智能代理

有了工具后，创建一个分析代理：

POST kbn://api/agent_builder/agents
{
  "id": "financial_analyst",
  "name": "金融分析师",
  "configuration": {
    "instructions": "你是一个严谨的金融分析师，回答时需注明数据来源和时间",
    "tools": ["stock_news", "platform.core.search"]
  }
}

注意instructions字段——这是定义Agent性格的关键。我建议用"角色+要求"的格式，比如：

• "你是一个幽默的客服，回答要简短有趣"
• "你是个严谨的医生，回答需引用权威文献"

3. 高级配置技巧

3.1 多工具协同工作

真正的威力在于工具组合。比如我们要分析新闻情感：

POST kbn://api/agent_builder/tools
{
  "id": "sentiment_analysis",
  "type": "esql",
  "description": "分析文本情感倾向",
  "configuration": {
    "query": """
    FROM financial_news 
    | WHERE _id = ?docId 
    | EVAL sentiment = CASE(
        WHEN ML.TEXT_CLASSIFY(content, 'sentiment').prediction = 'positive' THEN 1
        WHEN ML.TEXT_CLASSIFY(content, 'sentiment').prediction = 'negative' THEN -1
        ELSE 0
      )
    | KEEP _id, sentiment
    """
  }
}

然后更新Agent配置：

PUT kbn://api/agent_builder/agents/financial_analyst
{
  "tools": ["stock_news", "sentiment_analysis", "platform.core.get_mapping"]
}

3.2 使用MCP协议集成

要让外部应用调用你的Agent，配置MCP客户端：

// 在VS Code的settings.json中添加
{
  "mcp.servers": {
    "elastic-agent": {
      "command": "npx",
      "args": [
        "mcp-remote",
        "${KIBANA_URL}/api/agent_builder/mcp",
        "--header",
        "Authorization:ApiKey ${API_KEY}"
      ]
    }
  }
}

实测这个配置可以让VS Code的AI插件直接调用你的自定义工具，我团队用它实现了代码注释自动生成功能。

4. 实战：构建金融风控系统

4.1 数据准备

假设我们有：

• financial_news：新闻数据
• stock_prices：股价历史
• risk_indicators：风险指标

先创建一个风险分析工具：

POST kbn://api/agent_builder/tools
{
  "id": "risk_assessment",
  "type": "esql",
  "description": "综合评估股票风险",
  "configuration": {
    "query": """
    FROM stock_prices
    | WHERE symbol = ?symbol
    | STATS price_change=MAX(price)/MIN(price) BY symbol
    | JOIN 
        [FROM financial_news 
         | WHERE MATCH(entities, ?symbol) 
         | STATS negative_news=COUNT(CASE(ML.TEXT_CLASSIFY(content,'sentiment').prediction='negative',1,0)) BY symbol]
      ON symbol
    | JOIN 
        [FROM risk_indicators WHERE symbol = ?symbol | KEEP symbol, pe_ratio, volatility]
      ON symbol
    | EVAL risk_score = (price_change * 0.3) + (negative_news * 0.5) + (volatility * 0.2)
    | KEEP symbol, risk_score, negative_news, volatility
    """
  }
}

4.2 对话测试

POST kbn://api/agent_builder/converse
{
  "input": "特斯拉当前风险状况如何？",
  "agent_id": "financial_analyst"
}

系统会自动：

1. 识别需要调用risk_assessment工具
2. 传入"特斯拉"作为参数
3. 将ES|QL结果转化为自然语言

4.3 性能优化技巧

在大数据量下，我推荐：

1. 为工具查询添加| LIMIT 1000防止超时
2. 使用LOOKUP JOIN替代子查询
3. 对时间字段添加| WHERE @timestamp > now()-7d时间范围

PUT kbn://api/agent_builder/tools/risk_assessment
{
  "configuration": {
    "query": """
    FROM stock_prices
    | LOOKUP JOIN risk_indicators ON symbol
    | WHERE symbol = ?symbol AND @timestamp > now()-7d
    | STATS risk_score=...
    | LIMIT 1000
    """
  }
}

5. 常见问题排查

问题1：Agent返回"没有足够信息"

• 检查工具描述是否清晰（Agent靠描述匹配工具）
• 确认参数类型匹配（比如数字类型传字符串就会失败）

问题2：查询超时

• 添加LIMIT子句
• 检查是否有全索引扫描（用EXPLAIN分析）

问题3：MCP连接失败

• 确认Kibana URL包含协议头（https://）
• API密钥需有manage_agent_builder权限

我在部署过程中发现最实用的调试方法是查看执行链路：

GET kbn://api/agent_builder/conversations/<conversation_id>

返回结果会显示完整的思考过程：

{
  "steps": [
    {
      "type": "tool_call",
      "tool_id": "risk_assessment",
      "params": {"symbol": "TSLA"},
      "results": {...}
    }
  ]
}

记得定期清理测试对话：

DELETE kbn://api/agent_builder/conversations/*