Posted on Jul 28 • Originally published at ihui.ai
AI Agent 市场设计:让 Agent 像 App 一样被交易与编排
App Store 把「软件」变成了可被一键购买、安装、评分的商品,AI 时代对应的实体是「Agent」。一个 Agent = 一段可被复用的提示词 + 工具集 + 知识库 + 模型路由配置。本文讲清楚一个 Agent 市场需要哪些核心机制,以及 IHUI-AI 的实现路径。
一、Agent 市场的产品定义
什么是「可上架的 Agent」
不是所有对话 prompt 都能成为商品。一个可上架的 Agent 必须满足:
- 可独立运行:用户购买后能立刻用,不需要再写代码。
- 可复用:不同用户用同一个 Agent 都能得到稳定结果。
- 可定价:有明确的使用边界(次数 / 时长 / 调用规模)。
- 可评估:有客观的质量指标(成功率 / 满意度 / 失败率)。
Agent 定义格式
IHUI-AI 用一份 schema 描述可上架的 Agent:
const MarketplaceAgentSchema = z.object({
id: z.string().uuid(),
name: z.string(),
description: "z.string(),"
// 核心能力
systemPrompt: z.string(),
tools: z.array(z.string()), // 引用工具/MCP server
knowledgeBases: z.array(z.string()),// 绑定 RAG 知识库
modelRouting: z.object({
default: z.string(), // 默认模型
fallback: z.string().optional(), // 降级模型
}),
// 定价
pricing: z.object({
model: z.enum(["free", "subscription", "per_call", "revenue_share"]),
price: z.number(),
currency: z.string().default("CNY"),
trialQuota: z.number().default(0),
}),
// 评估
metrics: z.object({
successRate: z.number(),
avgLatencyMs: z.number(),
rating: z.number().min(0).max(5),
usageCount: z.number(),
}),
});
Enter fullscreen mode Exit fullscreen mode
二、四种定价模型
| 模型 | 适用 | 优点 | 缺点 |
|---|---|---|---|
| 免费(Free) | 引流、品牌 Agent | 易扩散 | 无直接收入 |
| 订阅(Subscription) | 高频工具型 Agent | 收入稳定 | 流失需运营 |
| 按调用计费(Per Call) | 低频高价值 Agent | 与成本对齐 | 用户预算焦虑 |
| 分成(Revenue Share) | 内容生成型 Agent | 创作者激励 | 结算复杂 |
IHUI-AI 默认采用 订阅 + 按调用混合:基础功能订阅包月,超出额度按调用计费,创作者拿 70% 分成。
三、Agent 质量评估:四维评分
简单的「5 星好评」不够,因为容易被刷分。IHUI 用四维加权:
- 任务成功率(40%):Agent 完成用户原始任务的比率,由 LLM-as-Judge 自动评估。
- 用户评分(25%):真实用户打分,过滤异常分布(全是 5 星或 1 星)。
- 响应延迟(15%):首 token 时延 + 总时长,归一化到 [0,1]。
- 稳定性(20%):错误率 + 重试率,错误越少分越高。
def agent_score(metrics) -> float:
return (
0.40 * min(metrics.success_rate, 1.0) +
0.25 * metrics.user_rating / 5 +
0.15 * (1 - min(metrics.p95_latency / 30_000, 1)) +
0.20 * (1 - min(metrics.error_rate / 0.1, 1))
)
Enter fullscreen mode Exit fullscreen mode
这个分数实时更新,作为市场搜索排序的依据。
四、Agent 编排:从单个 Agent 到 Agent 工作流
单个 Agent 的能力有上限。Agent 市场的真正价值在于「让用户像搭积木一样编排多个 Agent」。
编排模式 1:链式(Sequential)
[需求分析 Agent] → [代码生成 Agent] → [代码审查 Agent] → [部署 Agent]
Enter fullscreen mode Exit fullscreen mode
每个 Agent 处理上一步的输出,适合流程明确的任务。
编排模式 2:并行(Parallel)
[市场调研 Agent] ─┐
[竞品分析 Agent] ─┼→ [综合决策 Agent]
[财务分析 Agent] ─┘
Enter fullscreen mode Exit fullscreen mode
适合需要多视角汇聚的任务。
编排模式 3:循环(Looping / ReAct)
[规划 Agent] ⇄ [执行 Agent] ⇄ [评估 Agent]
└───────────┴───────────┘
Enter fullscreen mode Exit fullscreen mode
评估不通过就回到规划阶段,适合开放式探索任务。
IHUI-AI 用 LangGraph 实现这三种编排,把每个节点定义成一个可被市场交易的 Agent,用户可以在画布上拖拽组合:
from langgraph.graph import StateGraph
graph = StateGraph(state_schema=WorkflowState)
graph.add_node("planner", market_agent_node("planner-agent-id"))
graph.add_node("executor", market_agent_node("executor-agent-id"))
graph.add_node("reviewer", market_agent_node("reviewer-agent-id"))
graph.add_edge("planner", "executor")
graph.add_conditional_edges("reviewer", lambda s:
"executor" if s.needs_revision else END
)
Enter fullscreen mode Exit fullscreen mode
五、IHUI-AI Agent 市场架构
[Creator Studio] → [Agent Registry] → [Marketplace UI]
↓ ↓ ↓
[定价配置] [质量评估引擎] [购买/订阅]
↓ ↓ ↓
[沙箱测试] [版本管理] [调用编排]
↓ ↓ ↓
[Creator Dashboard] ← [Revenue Settlement] ← [Usage Tracking]
Enter fullscreen mode Exit fullscreen mode
- Creator Studio:创作者用低代码方式定义 Agent(prompt + 工具 + KB)。
- 沙箱测试:发布前强制跑 50 条评估用例,达标才能上架。
- Revenue Settlement:每天结算创作者收益,7 天账期。
- Usage Tracking:基于事件流,实时反哺评估指标。
六、Agent 市场的三大风险与对策
- 恶意 Agent:prompt injection 偷用户数据。对策:工具调用沙箱 + 输出审计。
- 同质化:一堆「翻译 Agent」没差异。对策:搜索排序按质量分,不只按热度。
- 创作者维权困难:被刷差评没渠道申诉。对策:提供评分分布审计 + 申诉工单。
七、为什么现在做 Agent 市场
- 底层模型成熟:GPT-4o / Claude / GLM 都能稳定产出可用 Agent。
- 协议统一:MCP 让 Agent 工具调用可标准化。
- 用户教育完成:ChatGPT 用户已习惯「切换 GPTs」,市场心智成熟。
剩下要做的就是:把 Agent 变成「可发现、可定价、可编排、可结算」的商品。IHUI-AI 正在做这件事。
相关链接
- 项目仓库:https://github.com/IHUI-INF-AI/IHUI-AI
- 官网体验 Agent 市场:https://ihui.ai
- LangGraph 文档:https://langchain-ai.github.io/langgraph/
如果你也在做 AI Agent 产品或想成为创作者,欢迎到 GitHub 给 IHUI-AI 点 Star ⭐,也欢迎来官网注册成为第一批 Agent 创作者。
SEO 关键词:AI Agent、Agent 市场、Agent 交易、Agent 编排、LangGraph Agent、Agent 定价、Agent 评估、Creator Economy
This article was originally published on the IHUI AI Blog. Follow us on GitHub for more AI engineering content.
0 Comments
Log in to join the conversation.No comments yet. Be the first to share your thoughts.