NexA4A：用自然语言自动化构造智能体
近年来，大型语言模型（LLM）的能力实现了从“对话生成”到“任务完成”的跨越。这一飞跃的核心在于智能体（Agent）——它将模型的推理能力与工具使用相结合，成为了AI解决实际问题的关键接口。然而，在scale这一技术的过程中，我们面临一个明显的工程瓶颈：构建高质量智能体依然是一个高度手工化的过程。
我们需要精心调试 Prompt，筛选或编写工具函数，甚至针对特定任务微调模型。这种依赖专家经验的“作坊式”开发模式，难以满足大规模、多样化的应用需求。真正的挑战不在于构建某一个智能体，而在于如何构建一个能够系统性生成、优化智能体的系统。
为了解决这个问题，我们构建了 NexA4A (Agent for Agent)。这是一个能够从自然语言描述自动生成完整智能体架构的系统。我们的目标很简单：让开发者通过自然语言定义“意图”，而系统负责将其转化为可执行的智能体代码。这不仅降低了开发门槛，也为大规模生产高质量的智能体环境奠定了基础。
基础架构：声明式智能体 (NexAU)
要实现智能体的自动生成，首先需要解决定义的标准化问题。如果智能体逻辑耦合在复杂的业务代码中，AI 将难以生成和维护。为此，我们开发了 NexAU (Agent Universe) 框架。它的核心设计理念是：将智能体的定义与执行完全解耦。在 NexAU 中，智能体被抽象为一份声明式的 YAML 配置文件。无论其内部逻辑多么复杂，对外都表现为一份标准配置：
name: ResearchAnalyst
persona: "Expert research analyst specializing in..."
sub_agents:
- name: DataCollector
capabilities: [...]
tools:
- name: web_search
binding: tools.web_search:search
这种配置驱动（Configuration-Driven）的架构，使得 NexA4A 的任务变得非常明确：将模糊的自然语言需求，转化为精确的 YAML 配置及其依赖的组件。
创造智能体的智能体系统（NexA4A）
NexA4A可以理解为一个Meta-Agent: 他的功能是构造NexAU框架格式下的Agent（配置文件及相关代码），他本身也是一个NexAU格式的Agent。其中核心组件Agent Builder和Framework Builder分别负责单个智能体的构造 以及 复杂多智能体系统的构造，后者在构造系统中每个单智能体时直接调用前者。
Agent Builder：单智能体构造
本质来看，智能体由三个基本要素定义而成：系统提示（System Prompt）、工具配置（Tools）、以及模型(LLM Model)。AgentBuilder 模拟了人类专家的开发流程，实现了从需求分析到落地的全自动化。主要通过三个维度来构建智能体：
1. 系统提示生成（Prompt Generation）
AgentBuilder通过大型语言模型分析用户需求，自动生成详尽的任务特定系统提示。这些提示不仅定义角色行为，还封装领域知识、推理逻辑和操作规范。
2. 自适应工具构建 (Tool Selection & Generation)
工具使用是智能体的核心能力。Agent Builder采用了一套灵活的三层策略：
- 内置工具选择：根据任务从15+预构建工具（文件操作、Bash执行、网络搜索等）中选择
- MCP协议集成：调用外部Model Context Protocol服务，连接真实世界API
- 自定义工具生成：当缺乏现成功能时，自动编写Python工具代码，包含完整实现、错误处理、类型注解和单元测试
3. 模型训练（Model Training）
底层模型能力决定了Agent性能，对于极具专业性的垂直领域，通用模型可能表现不佳。NexA4A 具备协调子智能体（Sub-agents）的能力，可以自动完成从数据收集、清洗到 SFT（监督微调）训练的全流程，为特定任务打造专用模型。
Framework Builder：复杂多智能体系统
对于单智能体难以完成的复杂任务，Framework Builder可以根据任务分成拆解Agent实现，构建复杂多智能体系统。通过Sub-Agent调用机制，实现分层、并行、分工等复杂逻辑。
# 空气质量监测智能体系统框架
nodes:
- DataFoundationAgent # 数据收集
- PredictiveAdvisor # 预测分析
- DiagnosticAnalyst # 问题诊断
- CommunicationHub # 报告生成
edges:
- source: DataFoundationAgent
target: PredictiveAdvisor
- source: PredictiveAdvisor
target: DiagnosticAnalyst
- source: DiagnosticAnalyst
target: CommunicationHub
生成的多智能体系统在配置文件里被抽象为一个图，节点是Agent或Tool, 边是可调用关系，一个Framework有一个入口Agent，Framework的workflow由可调用逻辑和单个Agent的调用行为动态决定。
NexA4A 命令行工具
我们提供了一个直观的命令行界面（CLI），让开发者能够以多轮对话的方式构建智能体。
╭─────────────────────────────────────────────────────────────╮
│ 🤖 Agent4Agent CLI │
│ │
│ Create and Manage Specialized Sub-Agents │
╰─────────────────────────────────────────────────────────────╯
Welcome to the Agent4Agent Interactive Mode!
This mode allows you to create and use specialized sub-agents interactively.
Use arrow keys to edit, Ctrl+C to exit gracefully.
MAIN MENU
─────────
1. 🔧 Create a new sub-agent
2. 🚀 Use an existing sub-agent
3. 📋 List all sub-agents
4. 🗑️ Delete a sub-agent
5. 🏗️ Build a multi-agent framework
6. 🎯 Use an existing framework
7. 📚 List all frameworks
8. 🔥 Delete a framework
9. 🚪 Exit
──────────────────────────────────────────────────
Select an option (1-9) [1]:
在这个交互环境中，用户可以方便的创造、使用智能体，也可以逐步细化需求，系统会实时生成配置并进行验证，这使得复杂系统的构建过程变得可控且高效。
应用：从原型到规模化
NexA4A在实际部署中展现了从快速原型到复杂系统构建的全流程能力。
Level 1：角色扮演智能体快速生成
案例：Elon Musk智能体 (by Prompt Generation)
User query:
"创造一个拥有Elon Musk知识、思维方式和说话习惯的智能体，我可以随时与他讨论问题。"
AgentBuilder在数分钟内生成了完整的角色智能体，包含：
- 专属系统提示：模拟Elon Musk的思维模式、说话风格、创新理念
- 领域知识配置：SpaceX、Tesla、AI发展等方面的专业知识
- 交互规范：特定的表达方式和回答模式
该系统可在交互式环境中进行多轮对话，讨论技术、商业、创新等话题。
Level 2：数据工程智能体工具生成
案例：HuggingFace数据集分析智能体 (by Tool Selection & Generation)
User query:
"创建一个HuggingFace数据集智能体，能够根据要求搜索和发现数据集，收集完整信息（名称、描述、领域、样本量），并保存为JSONL格式。"
AgentBuilder自动生成了完整的智能体配置，包含4个自定义Python工具：
hf_dataset_agent/
├── config.yaml # 主配置
├── prompt.md # 系统提示
└── tools/ # 自定义工具目录
├── huggingface_dataset_search.py (126行)
├── huggingface_dataset_info.py (142行)
├── environment_reader.py (63行)
├── jsonl_writer.py (121行)
└── test_*.py # 单元测试
每个工具包含完整类型注解、文档字符串、错误处理和单元测试。生成的智能体可以执行复杂的数据集分析和导出任务。
Level 3：模型训练智能体构建
案例：端到端数据收集与模型微调 (by Model Tuning)
User query:
"从HuggingFace找10k条数学推理相关的SFT数据，整理成规定格式，然后微调一个Qwen3-8B模型。"
NexA4A 自动编排三个子智能体协同工作，最终完成可用于专业数学推理智能体的模型的训练：
- HfDatasetsDownloader Agent：在HF Hub搜索并下载高质量数学数据集
- DatasetProcessor Agent：清洗转换数据为标准JSONL格式
- TrainerSFT Agent：编写Training Infra的配置文件train_config，启动训练任务
对于这种针对特定能力微调模型再构建智能体，我们把相关的核心子智能体内置进了NexA4A系统中，这些子智能体本身也是用NexA4A构造的。
规模化智能体数据生成 (NexGAP)
NexA4A 的意义不仅在于生成单个智能体，更在于其规模化能力。
在我们的 NexGAP (General Agentic Data Pipeline) 项目中，我们利用 NexA4A 批量生成了数百个针对不同领域的智能体框架。例如，一个自动生成的空气质量监测系统包含 34 个子智能体，集成了数百个工具，能够稳定运行数小时并执行数千个推理步骤。
这些由 AI 生成的智能体，正在产出大量高质量的轨迹数据，反哺下一代模型的训练（Nex-N1）。这形成了一个正向循环：更强的模型创造更复杂的智能体，更复杂的智能体产生更高质量的数据。经实验发现：
- 用上述管线合成数据时，在不针对性构造智能体系统、且避免与Benchmark任务有重叠的前提下，在通用智能体Benchmark上（OOD）模型表现也有显著提升
- 社区使用反馈表现出卓越的稳定性和泛化性，实现了不仅提升榜单性能，更确保真实场景中的可靠使用
我们相信，NexA4A 展示了 AI 开发的未来范式——通过自然语言，规模化地创造智能体。
结语
智能体作为输出智能的放大器与输出口，代表了AI从回答问题到完成任务的转变。NexA4A实现了通过自然语言创造智能体与智能体系统：复杂度可达到数十节点、集成数百工具、可以自动规模化创建、产出的系统能稳定运行数千步工作数小时；更重要的是，这样生成的环境能够训练出具备鲁棒工具使用和复杂规划能力的模型。AI的未来不仅是更强大的智能体，而是能够创造更强大智能体的系统。我们希望NexA4A为这一愿景提供可行的技术路径。
NexAU: Agent Universe Framework
@misc{2025-nex-a4a,
title = {NexA4A Automating Agent Construction with Natural Language},
author = {Pinxue Guo in collaboration with others at Dawning Road},
year = {2025},
url = {/blog/nex-a4a/},
note = {Blog post},
urldate = {2026-10-24},
}