Cara Membina AI Agent dengan Make
Turn this article into takeaways for your work.
Each assistant summarizes the article only for you and suggests best practices for your work.
Make (dahulunya Integromat) ialah platform automasi aliran kerja visual dengan lebih 3,000 integrasi aplikasi, dan ia menambah keupayaan AI Agents khusus di atas enjin scenario sedia adanya. Daripada mengikut scenario linear yang tetap, agent Make menerima tugas, bernalar tentangnya dengan LLM yang disambungkan, dan memutuskan alatan mana antara yang anda lampirkan untuk dipanggil, mengikut susunan apa, bagi menyiapkan tugas. Anda membinanya dengan menyusun empat bahagian: otak (LLM), arahan (system prompt yang berfungsi seperti huraian tugas), alatan (modul, scenario atau sambungan MCP yang dibenarkan untuk digunakan), dan memori (konteks yang disimpannya merentasi langkah).
Panduan ini merangkumi sebab Make sesuai untuk pasukan pembina agent tertentu, apa sebenarnya yang membentuk modul AI Agents Make, panduan pembinaan penuh, kajian kes pelanggan sebenar dengan angka sebenar, kos dan had, serta bila memilih Make berbanding alternatif.
Sebab Pasukan Membina Agent dalam Make
Kekuatan teras Make mendahului ciri AI Agentsnya: ia menyambung ke lebih banyak aplikasi SaaS, secara lalai, berbanding kebanyakan platform pesaing. Keluasan itulah yang menjadikannya asas yang kukuh untuk agent, kerana agent hanya berguna setakat sistem yang benar-benar boleh dicapainya.
Katalog integrasinya yang terluas dalam kategori ini. Make menyenaraikan lebih 3,000 integrasi aplikasi, diselenggara terus oleh pasukan Make untuk alat SaaS paling lazim, ditambah modul HTTP generik untuk apa-apa yang tiada penyambung siap pakai. Bagi agent yang perlu menyentuh lima atau enam sistem perniagaan berbeza dalam satu larian, katalog itu menghapuskan kebanyakan kerja saluran paip.
Lapisan AI Agents berada di atas, bukan menggantikan, enjin scenario Make. Anda boleh menukar scenario sedia ada menjadi alat yang boleh dipanggil agent tanpa mentakrif semula input dan outputnya secara manual. Itu bermakna pasukan yang sudah mengautomasikan sesuatu proses dalam Make tidak bermula semula apabila menambah agent, mereka membungkus apa yang sudah dibina, hampir dengan bentuk yang diterangkan dalam corak copilot aliran kerja: AI membantu di dalam proses yang sudah wujud, bukannya menggantikannya sepenuhnya.
Ia dibina untuk pasukan perniagaan, bukan jurutera sahaja. Kanvas visual, pustaka modul dan laluan pengendalian ralat Make direka supaya boleh dikonfigurasi oleh orang operasi atau RevOps, bukan hanya pembangun, sebab itu ia kerap menjadi alat pembina agent pertama yang dipilih pasukan bukan teknikal.
Make kini sebahagian daripada Celonis, syarikat kecerdasan proses, yang telah melancarkan aliran kerjanya sendiri melalui ciri AI Agents Make, bukti bahawa platform ini digunakan untuk automasi pengeluaran sebenar, bukan sekadar demo.
Apa yang Membentuk Modul AI Agents Make
| Komponen | Fungsinya | Cara anda mengkonfigurasinya |
|---|---|---|
| Otak | LLM yang menggerakkan penaakulan dan pemilihan alatan | Penyedia AI terbina dalam Make pada mana-mana pelan, atau sambungan penyedia AI tersuai (OpenAI, Anthropic, Google dan lain-lain) pada pelan berbayar |
| Arahan | System prompt yang menentukan peranan dan had agent | Ditulis seperti huraian tugas: apa yang dimilikinya, apa yang tidak boleh sekali-kali dilakukannya |
| Alatan | Apa yang boleh dipanggil agent untuk menyiapkan kerja | Modul (tindakan aplikasi individu), scenario penuh, atau alat MCP luaran |
| Memori | Konteks yang dibawa agent merentasi langkah | Dikonfigurasi bagi setiap agent; menentukan apa yang diingatinya dalam dan antara larian |
Peralihan praktikal daripada scenario Make biasa ialah kawalan. Scenario menjalankan urutan tetap yang sama setiap kali. AI agent memutuskan, pada setiap langkah, alatan mana yang sesuai dengan keadaan semasa, lebih hampir dengan gelung bernalar, bertindak, memerhati yang dibincangkan dalam cara AI agent bernalar berbanding carta alir. Apabila anda menyediakan modul sebagai alat, Make mencipta scenario untuknya secara automatik di belakang tabir, jadi anda tidak perlu mentakrif input dan output secara manual seperti apabila menyambung API mentah.
Fleksibiliti itu juga sebab blok binaan Peranan dan Peraturan lebih penting di sini berbanding scenario tetap. Aliran kerja yang kaku tidak boleh menyimpang daripada skrip kerana tiada skrip untuk disimpangi. Agent dengan system prompt yang kabur boleh.
Panduan Pembinaan
- Takrifkan tugas agent dalam arahan. Layan ini seperti blok Peranan dan Peraturan: satu ayat untuk apa yang dimilikinya, senarai pendek peraturan sentiasa aktif untuk apa yang tidak boleh sekali-kali dilakukannya.
- Sambungkan otak. Gunakan penyedia AI terbina dalam Make untuk bermula, atau sambungkan akaun OpenAI, Anthropic atau Google anda sendiri pada pelan berbayar jika anda memerlukan model tertentu atau mahu penggunaan dibilkan terus ke akaun anda sendiri.
- Bina alatan agent. Tambah modul Make sedia ada sebagai alatan secara langsung, atau bungkus scenario yang sudah anda bina supaya agent boleh memanggilnya sebagai satu unit. Setiap alat memerlukan penerangan yang jelas dan khusus; agent memilih alatan berdasarkan apa yang anda katakan alat itu lakukan, bukan apa yang sebenarnya dilakukannya di sebalik tabir.
- Sediakan memori. Tentukan apa yang perlu diingati agent dalam satu larian berbanding merentasi larian berasingan, dan konfigurasikan sewajarnya. Jangan beri lebih memori berterusan daripada yang diperlukan tugas itu.
- Tambah titik semak manusia dalam gelung untuk apa-apa yang berimpak. Halakan sebarang output yang patut disemak, kelulusan, pembayaran, komunikasi luaran, kepada langkah manusia sebelum ia disiarkan, bukannya membiarkan agent bertindak tanpa pengawasan pada langkah paling berisiko.
- Uji dengan input sejarah sebenar, bukan yang direka, dan perhatikan alatan mana yang dipilih agent sebelum anda menghidupkan trigger langsung.
- Hidupkan trigger dan pantau larian awal dengan teliti, memperketat arahan di mana-mana ia memilih alat yang salah atau terlepas kes yang anda jangka akan dikesannya.
Urutan pembinaan bergerak daripada skop dan pemilihan model melalui alatan, memori, titik semak manusia dan ujian sejarah.
Contoh Sebenar: Cara Celonis Membina Agent Pengauditan Perbelanjaan dalam Make
Daripada contoh andaian, berikut ialah contoh pengeluaran yang didokumenkan. Celonis perlu mengaudit laporan perbelanjaan pekerja tanpa manusia menyemak setiap satu, jadi pasukannya membina agent manusia dalam gelung dalam Make:
- Pekerja menghantar laporan perbelanjaan dalam Workday, yang mencetuskan webhook ke dalam Make.
- Make mencipta item berstruktur dalam monday.com supaya pasukan mempunyai paparan pusat bagi setiap laporan yang sedang diproses.
- Agent menjalankan semakan dasar awal: jumlah, tarikh, had perbelanjaan, peraturan kategori.
- Apa-apa yang memerlukan pertimbangan lebih mendalam dihantar ke Vertex AI (Gemini) Google untuk membaca resit dan menilainya berdasarkan dasar syarikat.
- Make menjalankan semakan tambahan, seperti pengesahan mata wang, kemudian menghalakan keputusan: laporan yang lulus maju secara automatik dalam Workday, dan apa-apa yang ditandakan beralih ke baris gilir semakan dalam monday.com dengan balasan berteraskan templat yang boleh dihantar semula oleh pasukan kepada pekerja.
Hasilnya, menurut angka yang diterbitkan Celonis sendiri: pengurangan 99.7% dalam kos pengauditan, daripada puluhan ribu dolar setahun kepada kira-kira $150 setahun dalam perbelanjaan Vertex AI, memproses sekitar 1,000 dokumen setiap dolar, dengan ketepatan hampir 100% dicapai melalui kejuruteraan konteks yang teliti dan tempoh ujian selari 60 hingga 70 hari sebelum pasukan mempercayainya dengan volum penuh. Disiplin larian selari itu mencerminkan apa yang disyorkan cara membina AI agent: uji terhadap kes sejarah sebenar sebelum agent diberi kuasa sebenar, dan pelan pembinaan AI Expense Approval Agent merangkumi peraturan dan pagar pelindung penuh bagi fungsi yang sama jika anda membina sesuatu yang serupa daripada templat dan bukannya dari awal.
Kos dan Had
Harga Make sendiri berasaskan "operasi", kira-kira satu operasi bagi setiap pelaksanaan modul dalam scenario, dihargai mengikut peringkat pelan. Ciri AI Agents tersedia pada semua pelan menggunakan penyedia AI Make sendiri, dengan sambungan penyedia AI tersuai (bawa akaun OpenAI atau Anthropic anda sendiri) tersedia pada peringkat berbayar. Pilihan kedua itu penting pada volum: menghalakan panggilan agent berfrekuensi tinggi melalui akaun model anda sendiri, bukannya penyedia terbina dalam Make, sering menjadi cara yang lebih boleh diramal untuk mengurus perbelanjaan apabila penggunaan meningkat, wajar difahami sepenuhnya sebelum anda berkomitmen, menurut jumlah kos pemilikan AI.
Had utamanya bukan model, tetapi kerumitan scenario. Agent dengan banyak alatan dan logik percabangan boleh menjadikan kanvas Make sesuatu yang benar-benar sukar diaudit berbulan-bulan kemudian jika tiada siapa mendokumenkan sebab setiap cabang wujud. Bina laluan pengendalian ralat dengan sengaja, disiplin yang sama diperlukan mana-mana aliran kerja, dan layan setiap sambungan alat sebagai pemberian kebenaran: agent dengan akses tulis ke CRM dan sistem pengebilan anda dalam satu larian mempunyai jejari kerosakan yang lebih luas jika arahannya salah, risiko alatan yang diberi kebenaran berlebihan yang sama seperti dalam keselamatan AI agent.
Bila Memilih Make berbanding Alternatif
| Jika anda mahu... | Pilih |
|---|---|
| Katalog aplikasi siap pakai terluas dan enjin scenario yang anda lanjutkan menjadi agent | Make |
| Hosting sendiri dan kawalan penuh, dengan lebih banyak logik disusun secara manual | n8n |
| Laluan terpantas ke agent pertama yang berfungsi tanpa membina scenario langsung | Lindy |
| Kawalan kod penuh terus pada model OpenAI, tanpa kanvas visual | Responses API OpenAI |
Kekuatan jujur Make ialah keluasan integrasi digandingkan dengan lengkung pembelajaran yang lembut untuk bukan jurutera. Had jujurnya ialah lapisan AI Agents lebih baharu daripada enjin aliran kerja yang didudukinya, jadi untuk tugas penaakulan berbilang langkah yang paling mencabar, sesetengah pasukan masih memilih platform yang lebih berat kod apabila logik agent melebihi apa yang boleh dinyatakan dengan selesa oleh kanvas visual. Bagi kebanyakan agent operasi, aliran kerja kelulusan, agent kemasukan data, agent semakan dasar seperti yang dibina Celonis, gabungan keluasan dan kemudahan didekati Make ialah sebab ia dipilih.
Fakta Utama
- Ciri AI Agents Make melapiskan otak (LLM), arahan, alatan dan memori di atas enjin scenario sedia ada dengan lebih 3,000 integrasi, membolehkan agent memilih alatan mana yang hendak dipanggil dan bukannya mengikut urutan tetap.
- Make sebahagian daripada Celonis, yang pasukannya sendiri menggunakan Make AI Agents untuk mengurangkan kos pengauditan laporan perbelanjaan sebanyak 99.7%, daripada puluhan ribu dolar setahun kepada kira-kira $150 setahun dalam perbelanjaan model.
- Anda boleh menggunakan penyedia AI terbina dalam Make pada mana-mana pelan atau menyambungkan akaun OpenAI, Anthropic atau Google anda sendiri pada pelan berbayar.
- Scenario Make sedia ada boleh dibungkus sebagai alatan agent secara langsung, jadi pasukan tidak perlu membina semula apa yang sudah diautomasikan.
- Risiko operasi utama ialah kerumitan scenario dan pemberian kebenaran berlebihan pada alatan, bukan kos model semata-mata.
Soalan Lazim tentang Membina AI Agent dengan Make
Apakah ciri AI Agents Make?
Ia ialah lapisan di atas enjin aliran kerja (scenario) sedia ada Make yang membolehkan LLM bernalar tentang sesuatu tugas dan memutuskan alatan mana yang disambungkan, modul, scenario atau sambungan MCP, untuk dipanggil, bukannya mengikut satu urutan tetap setiap kali. Anda mengkonfigurasinya dengan otak (LLM), arahan (system prompt), alatan dan memori.
Adakah saya perlu sudah tahu cara menggunakan pembina scenario Make?
Ia membantu, tetapi tidak semestinya wajib. Kebiasaan asas dengan modul dan sambungan mempercepatkan persediaan alatan, kerana alatan agent dibina daripada blok binaan yang sama seperti scenario biasa. Penyedia AI Make sendiri bermakna anda boleh menguji agent tanpa sebarang kunci API luaran untuk bermula.
Bolehkah saya menggunakan akaun OpenAI atau Anthropic saya sendiri dengan Make?
Ya. Ciri AI Agents Make berfungsi dengan penyedia AI terbina dalamnya pada mana-mana pelan, dan menyokong sambungan penyedia AI tersuai, termasuk akaun OpenAI, Anthropic atau Google anda sendiri, pada pelan berbayar, yang memberi anda kawalan langsung ke atas pilihan model dan pengebilan.
Apakah contoh sebenar agent yang dibina dalam Make?
Celonis membina agent pengauditan perbelanjaan manusia dalam gelung dalam Make yang menyemak pematuhan dasar secara automatik dan hanya menghalakan kes yang benar-benar kabur kepada manusia, mengurangkan kos pengauditan sebanyak 99.7% menurut kajian kes yang diterbitkan syarikat itu sendiri.
Adakah Make lebih baik daripada n8n untuk membina AI agent?
Tiada satu pun yang lebih baik secara universal. Make biasanya menang pada keluasan integrasi dan kemudahan penggunaan untuk pasukan bukan teknikal. n8n biasanya menang untuk pasukan yang mahukan hosting sendiri dan kawalan penuh, dengan laluan keluar kod terbina dalam. Pilihan yang tepat bergantung pada sama ada pasukan anda mahu bergerak pantas pada kerja SaaS-ke-SaaS atau memiliki infrastrukturnya sendiri dan mahukan lebih kawalan ke atas butirannya.
Ke Mana Seterusnya
Make ialah pilihan terkuat apabila tugas merentasi banyak alat SaaS dan pasukan anda mahu mengkonfigurasinya secara visual. Jika anda lebih suka hosting sendiri dan mengawal lebih banyak logik secara manual, lihat cara membina AI agent dengan n8n. Jika anda mahukan laluan terpantas ke agent pertama dengan hampir tiada persediaan, lihat cara membina AI agent dengan Lindy. Rumusan alat automasi dan panduan alat automasi no-code terbaik ialah perhentian seterusnya yang berguna untuk membandingkan Make dengan pesaing lain sebelum anda membina.
