Parlant简化了企业级B2C（企业对消费者）和需要保持一致性、合规性及品牌调性的敏感B2B交互中的对话上下文工程。

为什么选择Parlant？

对话上下文工程之所以困难，是因为现实世界的交互是多样、细微且非线性的。

❌ 问题：你可能已经尝试过但无法规模化落地的方法

系统提示词在生产环境复杂度较低时有效。然而，当你向提示词中添加越来越多的指令时，你的智能体会逐渐忽略这些指令。

路由图可以解决提示词过载的问题，但随着路由数量的增加，它在面对自然交互的混乱局面时会变得越来越脆弱。

🔑 解决方案：针对对话控制优化的上下文工程

Parlant通过上下文工程来解决这一难题：在恰当的时间将恰到好处的上下文注入到提示词中。你只需一次性定义规则、知识和工具；引擎会实时缩小上下文范围，使其仅包含当前对话轮次中直接相关的内容。

开始使用

pip install parlant

import parlant.sdk as p

async with p.Server():
    agent = await server.create_agent(
        name="Customer Support",
        description="Handles customer inquiries for an airline",
    )

    # 在特定条件下评估并调用工具
    expert_customer = await agent.create_observation(
        condition="customer uses financial terminology like DTI or amortization",
        tools=[research_deep_answer],
    )

    # 当专家观察成立时，始终以深度回应
    # 将指南设置为自动匹配
    # 只要其依赖的观察成立...
    expert_answers = await agent.create_guideline(
        matcher=p.MATCH_ALWAYS,
        action="respond with technical depth",
        dependencies=[expert_customer],
    )

    beginner_answers = await agent.create_guideline(
        condition="customer seems new to the topic",
        action="simplify and use concrete examples",
    )

    # 当两者同时匹配时，优先执行初学者指南。无论是专家级别的工具数据还是指令，都不会进入智能体的上下文。
    await beginner_answers.exclude(expert_customer)

请参阅**5分钟快速入门**以获取完整教程。

Parlant概览

你通过代码而非提示词来定义智能体的行为，引擎会在每一回合动态缩小上下文范围，只保留与当前对话直接相关的内容，从而使大模型保持专注，确保你的智能体始终如一地遵循既定目标。

graph TD
    O[Observations] -->|Events| E[Contextual Matching Engine]
    G[Guidelines] -->|Instructions| E
    J["Journeys (SOPs)"] -->|Current Steps| E
    R[Retrievers] -->|Domain Knowledge| E
    GL[Glossary] -->|Domain Terms| E
    V[Variables] -->|Memories| E
    E -->|Tool Requests| T[Tool Caller]
    T -.->|Results + Optional Extra Matching Iterations| E
    T -->|**Key Result:**<br/>Focused Context Window| M[Message Generation]

与先向模型发送一个庞大的系统提示词，再附上原始对话内容不同，Parlant会首先构建一个聚焦的上下文——仅匹配与每一轮对话相关的指令和工具——然后基于这个精简后的上下文生成响应。

%%{init: {'theme': 'base', 'themeVariables': {'primaryColor': '#e8f5e9', 'primaryTextColor': '#1b5e20', 'primaryBorderColor': '#81c784', 'lineColor': '#66bb6a', 'secondaryColor': '#fff9e1', 'tertiaryColor': 'transparent'}}}%%
flowchart LR
    A(User):::outputNode

    subgraph Engine["Parlant Engine"]
        direction LR
        B["Match Guidelines and Resolve Journey States"]:::matchNode
        C["Call Contextually-Associated Tools and Workflows"]:::toolNode
        D["Generated Message"]:::composeNode
        E["Canned Message"]:::cannedNode
    end

    A a@-->|💬 User Input| B
    B b@--> C
    C c@-->|Fluid Output Mode?| D
    C d@-->|Strict Output Mode?| E
    D e@-->|💬 Fluid Output| A
    E f@-->|💬 Canned Output| A

    a@{animate: true}
    b@{animate: true}
    c@{animate: true}
    d@{animate: true}
    e@{animate: true}
    f@{animate: true}

    linkStyle 2 stroke-width:2px
    linkStyle 4 stroke-width:2px
    linkStyle 3 stroke-width:2px,stroke:#3949AB
    linkStyle 5 stroke-width:2px,stroke:#3949AB

    classDef composeNode fill:#F9E9CB,stroke:#AB8139,stroke-width:2px,color:#7E5E1A,stroke-width:0
    classDef cannedNode fill:#DFE3F9,stroke:#3949AB,stroke-width:2px,color:#1a237e,stroke-width:0

这样一来，即使添加更多规则，智能体也会变得更加智能，而不会陷入混乱——因为过滤上下文相关性的主体是引擎，而不是大模型。

Parlant 适合您吗？

Parlant 专为需要在真实客户面前保持可靠表现的团队打造。如果您符合以下情况，Parlant 就是理想选择：

• 您正在构建面向客户的智能助手——例如客服、销售、用户引导或咨询服务——其中语气、准确性和合规性至关重要。
• 您拥有数十甚至数百条行为规则，而系统提示词已不堪重负。
• 您所在的行业属于受监管或高风险领域（如金融、保险、医疗、电信），要求每一条回复都可解释且可审计。

Parlant 已在包括银行在内的最严格机构中投入生产环境使用。

Parlant 不仅仅是一个框架，它是一款高层次的软件，直面解决对话式建模难题。 — Sarthak Dalabehera，Slice Bank 首席工程师

迄今为止，我遇到过的最优雅的对话式 AI 框架。 — Vishal Ahuja，摩根大通应用 AI 高级主管

Parlant 极大地减少了对提示工程和复杂流程控制的需求，使智能助手的构建更接近领域建模。 — Diogo Santiago，Oracle AI 工程师

核心功能

• 指南 — 行为规则以条件-动作对的形式定义；引擎仅匹配当前轮次相关的规则。

• 关系 — 指南之间的依赖与排除关系，确保上下文始终聚焦且不冗余。

• 旅程 — 多轮次标准操作流程，可根据客户的实际交互方式动态调整。

• 预设回复 — 经过批准的回复模板，在关键场景下彻底避免幻觉问题。

• 工具 — 外部 API 和工作流仅在观察结果匹配时才会触发。

• 术语表 — 领域专属词汇表，帮助智能助手理解客户的语言。

• 可解释性 — 全链路 OpenTelemetry 跟踪——每次规则匹配及决策都会被完整记录。

指南

行为规则以条件-动作对的形式定义：当条件满足时，动作即被激活并纳入上下文。

与将所有指南塞入单一提示词不同，引擎会在每一轮对话中评估哪些指南适用，并仅将相关部分注入大模型的上下文中。

这种方式允许您定义数百条指南，而不会降低执行一致性。

await agent.create_guideline(
    condition="客户使用 DTI 或摊销等金融术语",
    action="以技术深度回应，省略基础解释",
)

关系

元素间的关系有助于精确控制最终上下文，使其既紧凑又聚焦。

排除关系可在存在冲突的指南被匹配时，将某些指南排除在模型关注范围之外。

for_experts = await agent.create_guideline(
    condition="客户使用金融术语",
    action="以技术深度回应",
)

for_beginners = await agent.create_guideline(
    condition="客户似乎对该主题较为陌生",
    action="简化表达并使用具体示例",
)

# 在客户表述存在冲突时，设定优先级
await for_beginners.exclude(for_experts)

依赖关系则确保某条指南仅在另一条指南先行设置前提后才会生效，从而帮助您构建基于主题的指南层级结构。

suspects_fraud = await agent.create_observation(
    condition="客户怀疑其银行卡存在未经授权的交易",
)

await agent.create_guideline(
    condition="客户希望就该笔交易采取行动",
    action="询问客户是希望对交易提出异议还是锁定卡片",
    # 仅在确认欺诈嫌疑后才会触发
    dependencies=[suspects_fraud],
)

旅程

多轮次标准操作流程。您可以为预订、故障排除或用户引导等流程定义一套完整的对话流程。智能助手会遵循该流程，但同时具备自适应能力——它能够跳过某些步骤、返回之前的状态，或根据客户的互动方式调整节奏。

journey = await agent.create_journey(
    title="预订航班",
    description="引导客户完成航班预订",
    conditions=["客户希望预订航班"],
)

t0 = await journey.initial_state.transition_to(
    # 该状态下的指令（可能持续多轮）
    chat_state="先了解客户是否对特价机票感兴趣",
)

# 分支 A - 不感兴趣
t1 = await t0.target.transition_to(
    chat_state="确定客户的出发地和出行时间",
    condition="客户表示不感兴趣",
)

# 分支 B - 对特价机票感兴趣
t2 = await t0.target.transition_to(
    tool_state=加载最新特价机票,
    condition="客户表示感兴趣",
)

t3 = await t1.target.transition_to(
    chat_state="列出特价机票并询问客户是否感兴趣",
)

预设回复

在关键对话时刻或特定事件发生时，限制智能助手仅使用预先批准的回复模板。

在完成规则匹配并生成初步回复后，智能助手会从预设模板中挑选最匹配的一项，而非直接发送生成内容，从而完全消除幻觉风险，并确保措辞精准无误。

await agent.create_guideline(
    condition="客户谈论与我们业务无关的话题",
    action="告知客户无法提供帮助",
    # 当此指南匹配时，将触发严格组合模式——其余部分仍保持灵活
    composition_mode=p.CompositionMode.STRICT,
    canned_responses=[
        await agent.create_canned_response(
            "很抱歉，这件事我帮不上忙。",
        )
    ],
    priority=100,  // 最高优先级，使智能助手专注于此任务
)

工具

工具仅在观察结果匹配时才会被激活，而不会一直保留在上下文中。这有效避免了传统大模型工具调用中常见的误触发问题。

@p.tool
async def query_docs(context: p.ToolContext, user_query: str) -> p.ToolResult:
    results = search_knowledge_base(user_query)
    return p.ToolResult(results)

await agent.create_observation(
    condition="客户询问服务功能",
    tools=[query_docs],
)

此外，工具还可以向预设回复模板注入自定义值。

术语表

为您的智能体定义领域特定的词汇。将日常用语和同义词映射到精确的业务定义，以便智能体能够理解客户的语言。

await agent.create_term(
    name="Ocean View",
    description="Room category with direct view of the Atlantic",
    synonyms=["sea view", "rooms with a view to the Atlantic"],
)

可解释性

每个决策都会通过 OpenTelemetry 进行追踪。Parlant 开箱即用地提供了详尽的日志、指标和追踪信息。

框架集成

Parlant 负责对话治理；它不会取代您现有的技术栈。

您可以将其与 LangGraph、Agno、LlamaIndex 等框架一起使用，以实现工作流自动化和知识检索。Parlant 负责行为控制层，而您选择的框架则负责智能体其余的处理逻辑。

任何外部工作流或智能体都可以成为 Parlant 的工具，仅在相关时才会被触发：

from my_workflows import refund_graph  # 已编译的 LangGraph StateGraph

@p.tool
async def run_refund_workflow(
  context: p.ToolContext,
  order_id: str
) -> p.ToolResult:
    result = await refund_graph.ainvoke({"order_id": order_id})

    # 图结果可以将数据和指令注入到智能体中。
    # 指令会被转换为指导原则，并参与上下文相关的指导原则解析（包括优先级排序）。

    return p.ToolResult(
        data=result["data"],
        # 从工作流结果中注入动态指导原则
        guidelines=[
            {"action": inst, "priority": 3} for inst in result["instructions"]
        ],
    )

await agent.create_observation(
    condition="customer wants to process a refund",
    tools=[run_refund_workflow],
)

同样的模式也适用于 LlamaIndex 查询引擎、Agno 智能体，或任何异步 Python 函数。

与大模型无关

Parlant 可以与大多数大模型提供商合作。推荐使用 Emcie，因为它专为 Parlant 打造，能够提供理想的成本效益比；不过，OpenAI 和 Anthropic 也能输出高质量的结果。您也可以通过 LiteLLM 使用任何模型和提供商，但需要确保模型质量足够好——过于小型的现成模型往往会产生不一致的结果。

通常，您可以在不更改行为配置的情况下切换不同的模型。

官方 React 聊天组件

即插即用的聊天组件，可让您快速搭建前端界面。

了解更多

• Parlant 如何确保合规性 — 对引擎的深入剖析
• Parlant 与 LangGraph 的比较 — 何时使用哪一种
• Parlant 与 DSPy 的比较 — 不同工具解决不同问题

社区

• Discord — 提问、分享您的项目进展
• GitHub Issues — 用于报告 bug 和提出功能请求
• 联系我们 — 直接联系工程团队

如果您觉得 Parlant 帮助您构建了更优秀的智能体，请为它点个赞——这有助于更多人发现这个项目。

许可证

Apache 2.0 — 免费用于商业用途。

---

Parlant 快速上手指南

Parlant 是一个专为面向客户的 AI 代理设计的对话控制层。它通过“上下文工程”技术，动态筛选与当前对话轮次最相关的规则、知识和工具，解决传统 System Prompt 过长导致模型注意力分散的问题，特别适用于金融、医疗等对合规性和一致性要求极高的场景。

环境准备

在开始之前，请确保您的开发环境满足以下要求：

• 操作系统：Linux, macOS 或 Windows
• Python 版本：3.10 或更高版本 (python3.10+)
• 依赖管理：推荐使用 pip 或 venv 虚拟环境

安装步骤

使用 pip 直接安装最新版本的 Parlant：

pip install parlant

提示：国内开发者若遇到下载速度慢的问题，可使用清华或阿里镜像源加速安装：

pip install parlant -i https://pypi.tuna.tsinghua.edu.cn/simple

基本使用

Parlant 的核心逻辑是通过代码定义观察 (Observations) 和 准则 (Guidelines)，引擎会自动根据对话上下文动态组装 Prompt。

以下是一个最简单的异步使用示例，展示如何创建一个客服代理，并根据客户是否使用专业术语来调整回答深度：

import parlant.sdk as p

async with p.Server():
    # 1. 创建代理实例
    agent = await server.create_agent(
        name="Customer Support",
        description="Handles customer inquiries for an airline",
    )

    # 2. 定义观察条件 (Observation)
    # 当检测到客户使用金融术语（如 DTI 或摊销）时触发
    expert_customer = await agent.create_observation(
        condition="customer uses financial terminology like DTI or amortization",
        tools=[research_deep_answer], # 可选：关联特定工具
    )

    # 3. 定义行为准则 (Guideline) - 专家模式
    # 依赖上述观察，一旦匹配始终执行深度回答
    expert_answers = await agent.create_guideline(
        matcher=p.MATCH_ALWAYS,
        action="respond with technical depth",
        dependencies=[expert_customer],
    )

    # 4. 定义行为准则 (Guideline) - 新手模式
    # 当客户看起来是新手时，简化回答并使用具体例子
    beginner_answers = await agent.create_guideline(
        condition="customer seems new to the topic",
        action="simplify and use concrete examples",
    )

    # 5. 设置互斥关系
    # 当两者都匹配时，优先“新手模式”，排除“专家模式”的上下文干扰
    await beginner_answers.exclude(expert_customer)
    
    # 此时代理已配置完成，可接入对话流

核心概念简述

• Observations (观察)：定义触发特定行为的条件（如用户意图、关键词）。
• Guidelines (准则)：定义“条件 - 动作”对，只有匹配当前上下文的准则才会被送入 LLM。
• Relationships (关系)：通过 exclude (互斥) 和 dependencies (依赖) 管理准则间的优先级，确保上下文精准聚焦。

更多详细用法请参考官方 5 分钟快速入门教程。