创建Agent前必须完成三件事：开通AgentKit服务、绑定企业身份认证、通过数据安全合规预检；否则将出现报错、权限拒绝、工具调用失败等问题。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
创建Agent前的必备准备
在火山引擎控制台点几下就生成一个Agent，但上线后立刻报错、权限拒绝、工具调用失败——这些问题90%都源于创建前没做这三件事。你必须确认当前账号已开通AgentKit服务、所在项目已绑定企业身份认证、且已通过「数据安全合规预检」（该检查会扫描你计划接入的API是否含明文密码字段或未脱敏手机号）。跳过这一步，后续所有操作都是在浪费时间。
登录火山引擎控制台 → 进入「AI与大模型」→ 点击「AgentKit」→ 在右上角点击「开通服务」。若提示“未授权”，需联系企业管理员在「组织与权限中心」为你分配「Agent开发员」角色，【该角色不继承项目级RBAC权限，必须单独授予】。
打开左侧导航栏「资源准备」→ 选择「向量数据库」→ 点击「创建Milvus Serverless实例」→ 实例名称填“agent-memory-prod” → 地域选离业务用户最近的节点（如华东2对应上海用户）→ 其他全部默认。注意：不要选“按量付费包年包月混合计费”，该模式会导致Agent首次冷启动超时失败。
用AgentKit SDK快速定义你的第一个Agent
这一步操作起来很简单，直接把文件拖进去就行。在本地新建文件夹，执行：pip install agentkit-sdk → 创建agent.py，粘贴以下代码：
from agentkit import Agent, tool<br>from agentkit.memory import VectorMemory<br><br>@tool<br>def search_knowledge(query: str) -> str:<br> return "从知识库查到：AI Agent落地需关注记忆分层与工具熔断"<br><br>agent = Agent(<br> name="客服助手",<br> description="回答用户关于AgentKit部署的问题",<br> tools=[search_knowledge],<br> memory=VectorMemory(instance_id="agent-memory-prod")<br>)
关键点在于memory=VectorMemory(...)这一行——它不是可选项，而是强制绑定。如果你漏写或写成None，Agent在多轮对话中会彻底丢失上下文，用户问“刚才说的熔断机制怎么配置”，它会答“我不记得之前聊过什么”。
本地调试与真实工具联调
方法一：用CLI一键启动调试服务
在项目根目录执行：agentkit dev --port 3000。终端出现✅ Agent is running at http://localhost:3000即成功。打开浏览器访问该地址，输入“如何配置工具熔断”，观察返回结果是否包含你刚写的search_knowledge函数内容。
方法二：对接真实企业API（如ERP订单查询）
先在火山引擎「API网关」创建新API，后端服务类型选「HTTP代理」→ 目标URL填你内网ERP的/order/list接口 → 启用「JWT鉴权」并复制生成的密钥 → 回到agent.py，在@tool装饰的函数里加入headers={"Authorization": "Bearer xxx"}。⚠️注意：密钥不能硬编码，必须通过os.getenv("ERP_API_KEY")读取，并在CLI启动时加--env-file .env参数加载。
从本地到生产环境的三步上线
第一步：构建部署包
执行agentkit build。该命令会自动打包Python依赖、校验tool函数签名、压缩向量内存初始化脚本，并生成dist/agent-1.0.0.tar.gz。不要手动zip整个文件夹，否则部署时会因缺少pyproject.toml元信息而触发降级为容器托管模式。
第二步：上传至AgentKit工作区
回到火山引擎AgentKit控制台 → 左侧「Agent管理」→ 「创建Agent」→ 填写名称“客服助手-v2” → 在「部署方式」中选择「SDK原生部署」→ 点击「上传部署包」→ 选择刚生成的.tar.gz文件 → 点击「下一步」。
第三步：配置生产级参数并发布
在「运行配置」页，将「最大并发数」设为50（低于此值无法触发自动扩缩容）→ 「超时时间」改为120秒（默认60秒不足以完成RAG检索+SQL查询双工具调用）→ 勾选「启用可观测性追踪」→ 点击「发布」。页面跳转至「版本管理」，状态变为「已上线」即完成。
