前言

当下市面上各类 AI 工具都纷纷冠以 “智能体（Agent）” 名号，但绝大多数产品本质只是搭载聊天窗口的固定工作流。本文将划分工作流与智能体的核心边界，拆解智能体运行循环、从基础大模型到完整智能体系统的四层演进阶梯，梳理自模型底层到上层生产系统的全栈架构，对比工作流、单体智能体、多智能体系统的适用场景，同时逐层剖析各架构模块的常见失效风险。全文以代码智能体（开发网页应用密码重置功能）为贯穿案例，帮助读者快速落地理解。

本文内容提炼自 603 页行业综述论文《智能体 AI 漫游指南》，原文共 28 章、6 大板块，完整覆盖从 Transformer 底层原理到多智能体线上部署全链路，是面向工程落地人员的实操型工具书。无需通读全文，本文已萃取可直接用于工程落地的核心实操要点。

一、两大核心认知：读懂智能体的本质

1. 智能体核心：自主循环机制

智能体本质是运行在可控循环内的大模型，固定执行「观察→推理→行动→二次观察→终止 / 求助」闭环逻辑。仅靠独立大模型无法实现该能力：原生大模型单次输出后无状态记忆，无法自主迭代优化；只有为模型绑定工具集、终止判定规则，搭建循环运行框架，才具备标准智能体能力。

以代码智能体举例：

1. 观察；
   读取测试报错日志，发现缺失重置令牌写入逻辑；
2. 推理：
   判断数据库未存储用户重置凭证是报错根源；
3. 行动：
   修改接口代码，新增令牌入库函数；
4. 二次观察：
   重新执行全量测试用例；
5. 终止 / 求助：
   测试全部通过则提交代码合并请求（PR）；若持续报错无法修复，则主动向开发者求助。

循环会持续迭代，直至任务完成或遇到无法解决的阻塞问题，这是区分智能体与固定工作流的核心标志。

2. 四层演进阶梯：模型→工作流→单体智能体→智能体系统

很多团队容易混淆四者边界，四层核心差异清晰划分如下：

1. 基础大模型：
   仅根据单次提示词生成文本输出，无连续执行逻辑；
2. 固定工作流：
   人为预设模型调用顺序（例如总结→翻译→邮件推送），执行路径可预测、成本低廉、易于测试，但无法自主调整步骤；
3. 单体智能体：
   依据实时观测结果自主调整执行顺序，任务适配能力更强，但行为不可预测；
4. 完整智能体系统：
   在单体智能体基础上叠加保障线上稳定运行的配套组件，包含记忆模块、工具协议、协同调度、可观测能力、人工干预入口等，整套配套组件即下文所说「智能体技术栈」。

二、智能体全栈分层架构

整套技术栈分为两大板块：底层为大模型原生能力层，上层为线上生产环境配套扩展层；每一层均包含落地选型方案，同时标注缺失该层会引发的典型故障。

（一）底层：大模型原生基础层

1. 模型基座

底层核心为 Transformer 架构大模型，负责文本理解、代码生成等核心任务，上下文窗口是核心硬件约束，相当于模型的工作台。

• 风险缺陷：上下文窗口容量不足时，模型会遗忘数十步前读取的文档内容，产生无依据的错误代码修改。

2. 后训练优化

原生基础模型仅具备文本续写能力，指令遵循、工具调用、任务持续执行能力均来自后训练流程：监督微调 + RLHF/DPO/GRPO 强化学习。

• 落地优势：GRPO 省去 PPO 算法所需独立奖励模型，大幅降低训练记忆开销；
• 典型失效：奖励投机 —— 模型为获取更高评分，敷衍完成任务，而非真正解决目标问题。

3. 推理增强（思维链）

推理能力允许模型在执行动作前自主规划思路。以密码重置功能开发为例，模型可提前规划代码修改位置、预判逻辑漏洞。

• 落地建议：复杂规划类任务优先选用强推理模型；
• 典型缺陷：过度推理，简单修改任务消耗大量 Token，拉高运行成本、拖慢响应速度。

4. 效果评估

无法量化的智能体不可信任，评估标准应聚焦任务最终落地效果（测试是否通过、重置功能是否可用），而非单纯对比文本输出与参考样例。两大评估陷阱：

1. 模型记忆公开基准数据集，评估分数虚高，无法反映真实业务表现；
2. 古德哈特定律：长期优化单一指标后，该指标会失去原本衡量价值。

（二）上层：生产环境配套扩展层

绝大多数智能体项目失败均源于上层架构缺失，也是工程落地工作量集中区域。

1. 检索增强生成（RAG / 知识层）

大模型无业务私有数据记忆，RAG 可按需调取代码库、内部文档等私有资料；高阶形态为主动检索智能体：自主判断信息缺口、多次调整检索关键词。

• 落地方案：混合检索架构，交由智能体自主规划查询语句；
• 缺失风险：模型凭空臆造业务逻辑，调取无关代码文件，错误修改业务代码。

2. 分层记忆模块

上下文窗口仅提供短期临时缓存，记忆模块实现跨步骤、跨会话持久化存储，分为四类核心记忆：

1. 工作记忆：当前任务临时草稿、思维链、上下文历史；
2. 情景记忆：历史交互轨迹、过往失败尝试记录；
3. 语义记忆：业务事实、概念、知识图谱；
4. 程序记忆：可复用工具调用逻辑、标准化执行流程。

• 落地配置：搭配向量数据库，制定标准化读写策略；
• 缺失风险：智能体重复踩相同错误，反复执行已失败的无效操作。

3. 智能体运行框架（Harness / 马鞍控制层）

极易被忽略的核心层，是驱动智能体循环运行的底层代码：负责调用大模型、分发工具、全局状态追踪、失败自动重试、全流程日志留存。线上智能体的稳定性完全由本层决定，而非大模型本身。

• 推荐工具：LangGraph、OpenAI Agents SDK，不建议从零手动开发；
• 缺失风险：工具调用异常时整个任务卡死，无报错日志，例如代码合并请求无故中断。

4. 工具与标准协议

工具是智能体可调用的独立功能单元（运行测试、提交 PR 等）；技能是整合提示词、工具、知识库的可复用能力包。

两大行业标准协议：

• 落地建议：对外工具统一采用 MCP，多智能体协同场景启用 A2A；
• 安全风险：工具输入隐藏诱导指令（提示注入攻击），可能导致密钥泄露、越权操作。

5. 多智能体协同系统

单一智能体可覆盖多数简单任务；复杂业务可拆分角色分工：代码智能体负责开发、审核智能体在代码合并前校验逻辑。主流协同架构：主管 - 工人层级、对等任务流转、集群式调度。工程落地建议先搭建简单主管架构，再迭代复杂模式。

• 潜在缺陷：多智能体带来更高协同成本，易出现多层级逻辑错误叠加，多个智能体互相误导，持续输出错误方案。

6. 人机交互与可观测界面

提供自治行为可视化窗口：实时进度展示、数据来源溯源、人工审批入口、操作撤回按钮、全链路审计日志。例如智能体提交 PR 后，需人工审核方可合并主干分支，禁止全自动上线。

• 缺失风险：智能体行为完全黑盒，无法查看执行轨迹，也无法暂停、撤销错误操作。

三、选型判断：工作流 / 单体智能体 / 多智能体系统

很多团队盲目开发智能体，实际业务场景仅需低成本固定工作流即可满足需求，选型判断逻辑自上而下逐层匹配：

1. 固定工作流
   任务步骤固定、无需动态决策、要求输出结果高度确定；优势成本低、稳定、易测试；
2. 单体智能体
   任务流程不确定，需要根据实时反馈自主调整执行步骤；
3. 多智能体系统
   业务可清晰拆分为独立、互不重叠的专业角色，需要多角色分工协作。

四、智能体落地评测方案

行业暂无统一通用智能体排行榜，标准化验证场景包含：代码沙箱真实漏洞修复、网页 / GUI 自动化任务、多智能体协同模拟。

优质评测体系不能仅关注最终输出结果，需综合多维指标：完整执行轨迹、运行成本、工具调用合理性、错误自主恢复能力、安全合规性。

五、行业核心观点与落地启示

1. 两大行业警示（破除 AI 炒作误区）

1）绝大多数宣称 “智能体” 的产品，仅需工作流即可实现；自主循环机制成本高、稳定性弱，仅当任务存在大量动态不确定决策时，搭建智能体才有收益。Anthropic 官方开发指南同样持相同观点：优先实现最简方案，仅当工作流无法完成业务需求时，再引入智能体自主能力。

2）技术栈完整度才是核心壁垒，而非大模型本身；智能体可靠性由运行框架、记忆策略、评测体系决定，更换更先进的大模型，缺失上层配套架构仍会出现同类故障。

2. 行业现存短板

线上生产环境评测体系、安全防护是目前行业最不完善的板块；工具侧提示注入、失控运行成本均属于未完全解决的核心难题。

3. 最优落地实践建议

优先搭建最简、高稳定的运行框架，保证任务可完成、行为可追溯；仅在能明确产出业务价值的场景添加自主智能能力。一套完善、可快速定位报错的标准化运行框架，远优于无法调试的复杂多智能体集群。

六、适用人群与不适用人群

受益人群

• 入门开发者：希望一次性掌握智能体完整技术架构全景；
• 一线工程师：需在现有产品中落地智能体功能；
• 技术负责人：判断业务场景该选用工作流还是智能体架构。

不适用人群

• 需求 100% 确定性输出、无动态调整需求（优先选用工作流方案）；
• 无日志、无评测体系的小型团队：无法量化监控智能体行为，自主智能会带来额外运维负担；
• 需要分步实操教程的学习者：本文为架构全景梳理，非分步操作手册。

七、工程落地自查清单

搭建智能体系统前，逐层核对技术栈完整性：

• 模型与上下文窗口：任务所需信息能否完整容纳在上下文内？
• 推理能力：模型执行动作前是否具备自主规划逻辑？
• 检索模块：能否精准调取私有业务资料，而非凭空生成内容？
• 记忆模块：是否支持跨步骤、跨会话持久存储历史信息？
• 运行框架：异常任务能否自动重试、留存完整执行日志，不会静默卡死？
• 工具与协议：工具输入是否做安全校验，抵御提示注入风险？
• 多智能体架构：业务是否真的需要多角色分工，单一智能体无法完成？
• 人机交互界面：是否支持行为查看、人工暂停、操作撤回？

标准落地搭建顺序

从极简架构起步，按需迭代新增模块：基础大模型 + 单一工具 → 按需补充检索、记忆模块 → 确有必要时新增第二智能体搭建多智能体协同。

参考资料

1. 《智能体 AI 漫游指南》完整调研论文 arXiv:2606.24937（全文约 603 页）
2. MCP 模型上下文协议官方文档（智能体与工具、数据对接标准）
3. Google A2A 智能体互通信协议公告（多智能体协同标准）
4. LangGraph、OpenAI Agents SDK 官方开发文档（主流智能体运行框架）

5个重点问答汇总

1. 什么是智能体 AI（Agentic AI）？智能体 AI 是搭载自主循环机制的大模型系统，不局限于单次问答输出，可主动调用工具执行操作；遵循「观察、推理、行动、复盘迭代」循环，直至任务完成或主动请求人工介入。

2. 工作流和智能体核心区别？固定工作流严格遵循人工预设的执行步骤；智能体可根据实时观测结果自主调整执行顺序，灵活性更强，但行为不可预判。

3. 是否需要搭建多智能体系统？多数场景无需。单一智能体足以覆盖绝大多数业务；仅当业务可清晰拆分为独立、专业的分工角色时，多智能体架构才有落地价值。

4. 智能体运行框架（Harness）作用是什么？驱动智能体循环运行的底层核心代码，负责模型调用、工具分发、状态追踪、失败重试、全流程日志留存，是保障线上智能体稳定运行的关键。

5. MCP 与 A2A 协议分别是什么？MCP（模型上下文协议）：智能体对接外部工具、私有数据的通用标准接口，免去定制化集成开发；A2A（智能体互通信协议）：不同独立智能体互相发现、协同工作的通信标准。