一张图看懂ADPS：认知功能×执行拓扑双轴框架到底是什么

ADPS 是一套面向 Agent 工程化的设计模式体系，由黄佳提出核心框架——"认知功能 × 执行拓扑"双轴框架，并联合腾讯、百度、新浪微博、京东、华为云、中兴、去哪儿、得物等数十家企业的一线技术专家，通过 7 场深度研讨会逐步沉淀，优化迭代而成。

它不是一个框架，不是一个工具，也不是一套标准——它是一张地图。

当你面对一个 Agent 设计问题时，这张地图告诉你：你在哪个位置、有哪些可选路径、每条路上有哪些坑、别人是怎么趟过去的。

Agent 设计模式 —— 双轴框架

认知功能界定要解决的问题，执行拓扑描述运行结构；横切工程面承担全局责任

▲ ADPS 双轴矩阵示意：7 大认知功能 × 6 类执行拓扑，每一个交叉点都是一个设计坐标

纵轴：认知功能（Cognitive Function）——Agent "在做什么"。7 大模块，对应人类认知的 7 个核心能力。

横轴：执行拓扑（Execution Topology）——Agent "怎么组织执行"。链式、并行、路由、循环、层级、编排……对应不同的任务组织方式。

任何一个 Agent 设计，都可以在这张矩阵上找到自己的坐标。比如：

▸ 感知 + 链式 = 一个单线程的信息采集 Agent

▸ 推理 + 并行 = 多视角并行探索的推理 Agent

▸ 行动 + 层级委派 = Supervisor 分派任务给多个 Worker Agent

▸ 治理 + 路由 = 按风险等级路由到不同审批路径的治理 Agent

如果把 Agent 想象成一个人，7 大认知功能就是这个人的 7 个核心器官。

1. 感知（Perception）——Agent 的"眼睛和耳朵"

感知是设计 Agent 的第一步。 它决定了 Agent 能"看到"什么、"听到"什么、从环境中获取什么信息。

很多人以为 Agent 的效果差是因为模型不够聪明，但腾讯专家工程师张栋在研讨会中给出了一个反直觉的判断：

为什么？因为给大模型的信息如果是散点信息，大模型有时候没办法把散点信息还原成体系。在代码扫描场景中，把所有代码塞进去，上下文爆炸且效果差；而通过静态分析工具提取语法树、Call Graph，上下文压缩到 30%，且本身是结构化的——效果反而更好。

感知的核心问题：信息从哪来？怎么过滤？怎么结构化？怎么避免"垃圾进、垃圾出"？

2. 记忆（Memory）——Agent 的"大脑和笔记本"

记忆不是存下来就行，关键是写入与访问的完整闭环。

英飞流联合创始人张颖峰提出了一个核心概念：知识编译——把"写入"和"访问"做成一件完整的事。很多 Agent 的记忆系统只解决了"存"，没解决"取"——存了一大堆，但需要的时候取不出来，取出来的也不对。

记忆的颗粒度、遗忘机制、冷热分层、命中淘汰……每一个都是工程难题。新浪微博高级总监李庆丰的实践是：不是所有场景都需要复杂的记忆系统——微博的"微码"和"VAgent"根据场景选择是否引入记忆，避免过度设计。

记忆的核心问题：记什么？怎么记？什么时候忘？怎么保证取出来的是对的？

3. 推理（Reasoning）——Agent 的"思考引擎"

推理是 Agent 机制的核心——前面感知、记忆是给模型做上下文准备，后面行动、反思是基于输出做动作，推理决定了输出本身靠不靠谱。

推理的起点可以追溯到卡尼曼的"快与慢"：System 1 快、自动、低功耗（看到 1+1 就知道等于 2）；System 2 慢、刻意、高能耗（算房贷、权衡 offer）。大模型时代，这个快慢之分从心理学变成了模型思考的方式。

张栋把推理落地总结为三种模式：

▸ 链式推理：线性分布、步步推进，落地最多，建议先做

▸ 树状推理：多分支探索、统一收敛，用于故障根因定位、技术方案选型

▸ 反思迭代：循环纠错、逐步优化，用于代码重构、合规文案、漏洞策略迭代

但他更强调的是反模式的价值：

无限递归迭代、黑盒链式推理、无边界推理、推理结果直通落地……每一个反模式背后都是血淋淋的生产事故。

推理的核心问题：什么时候快思考？什么时候慢思考？怎么验证推理结果是对的？怎么避免无限循环？

4. 行动（Action）——Agent 的"手脚"

行动是 Agent"会做"的分水岭。 会说不会做的 Agent 只是聊天机器人，能真正执行动作的 Agent 才是生产工具。

行动的核心矛盾是 Plan 与 React 的长期共存：长程任务需要先规划再执行（Plan），短程任务需要边感知边反应（React）。没有一种方式能通吃所有场景。

行动的边界控制是重中之重。张栋提出：从创意到线上，行动边界需要确定性工程——开发环境开放、测试环境引入部分流量、预发布环境全量测试、线上环境固定编码。越偏向线上，限制越多；越偏向个人辅助，自由度越高。

支付宝的"阿宝"Agent 展示了 GUI 行动力的端云结合实践，京东的 CRI 化工具 + 沙箱执行 + 代码图谱则展示了企业级行动基础设施的构建方式。

行动的核心问题：Agent 能做什么？不能做什么？怎么保证做了是对的？做错了怎么回滚？

5. 反思（Reflection）——Agent 的"自我进化"

反思是 Agent 可累积智能的核心机制。 没有反思的 Agent 每次都是从零开始，有反思的 Agent 才能从经验中学习、从失败中进化。

ADPS 把反思拆成四个模式：

▸ 生成批评：对自己的输出做链式审查

▸ 技能包：通过路由拓扑加载不同技能

▸ 经验回放：从历史轨迹中学习

▸ 自愈循环：系统级的自我修复

反思不是简单的"自我批评"。京东零售算法架构师周默提出了反思的五个必要条件：可自动化、可终止、可观测、可复用、可控制成本。缺少任何一个，反思都会变成无效循环或资源黑洞。

他还分享了两个更前沿的方向：元反思（对反思答案本身再反思，类似元编程）和审议式反思（通过辩论、对抗、博弈的方式反思，类似 AlphaGo 的对抗博弈）。

反思的核心问题：怎么知道自己错了？错了怎么改？改了怎么记住？怎么避免无限反思？

6. 协作（Collaboration）——多 Agent 的"团队作战"

当一个 Agent 搞不定的时候，就需要多个 Agent 协作。 协作的本质是"多人参与"——它默认 implies 多智能体的存在。

ADPS 协作模块定义了六个模式：

▸ C1 层级委派：Supervisor 分派任务给 Worker，经典主从架构

▸ C2 扇出扇入：并行分发、统一收口，适合可分片任务

▸ C3 对抗评审：独立评审 Agent 审查生成 Agent 产物，消除同族模型偏好

▸ C4 交接：平级 Agent 逐跳交接，典型如客服场景

▸ C5 子智能体隔离：异步子智能体、服务化、可独立查询状态

▸ C6 编舞：动态生成流程编排，核心是 JS 解释器 + Prompt-to-Code

LangChain 官方大使张海立在研讨会中梳理了 LangChain 生态的多智能体构建方式：Subagent（Supervisor）、Handoff（交接）、Skill（轻量级协作）、Router（路由），并提出了 Agent OS 的展望——计算单元层（Delegation / 子智能体）、存储层（虚拟文件系统）、人工治理层（Human-in-the-loop）。

协作的核心问题：怎么分工？怎么交接？怎么避免冲突？怎么保证多 Agent 的整体效果大于单 Agent？

7. 治理（Governance）——给 Agent"立规矩"

治理是横切性的核心模块——它不直接做事情，但它决定了 Agent 能做什么、不能做什么、做错了怎么办。

治理的本质是一句话：通过约束带来更多的自由。 没有约束就没有自由——给 Agent 一个目标它能完成很厉害的事，但如果不约束它，它也可能做出很离谱的事。

ADPS 治理三要素：

▸ 授权（Authorization）：Agent 能动哪个数据库、能读还是写、能不能调用某个 API

▸ 问责（Accountability）：Agent 出错了，能不能追溯到根因、谁来负责

▸ 限界（Containment）：出错了能错到什么程度，不能让错误无限放大

四个设计模式：

▸ G1 审批门：高风险动作加门控，必要时请人审批

▸ G2 爆炸半径控制：可以做错事，但不能无限放大错误

▸ G3 渐进式承诺：沙箱成功了再扩展权限，信任逐步建立

▸ G4 可观测性：横切模式，任何 Agent 都需要被认真观测

新浪微博李庆丰给出了一句被多次引用的判断：

Zendure 高级 Agent Infra 工程师徐一博则提出了审批门的一个核心工程难题：人点同意之后，系统怎么证明最后执行的仍然是当时批准的那件事？ 他的解决方案是 Durable Intent 冻结机制——把调用的身份、工具、参数、策略全部冻结成不可变对象，即使等待期间 AIT 过期，审批仍然持有一份已验证的历史事实。

治理的核心问题：谁授权？授什么权？怎么审计？出错了怎么限界？信任怎么逐步建立？

纵轴讲完了"做什么"，横轴讲"怎么组织执行"。

张栋在研讨会中把所有多智能体协作的底层积木归纳为三种基本拓扑：

▸ 串行：任务按固定顺序流转，前序交付通过校验后交给下一个 Agent。核心是链路传导管控。

▸ 并行：多个 Agent 分片独立计算，汇聚节点统一收口。核心是隔离与汇聚收口。

▸ 路由：根据条件分支匹配不同路径。核心是规则透明与分层适配。

这三种基本拓扑可以嵌套组合，衍生出更复杂的执行方式：

— 链式推理 = 串行 + 推理

— 树状推理 = 并行 + 路由 + 统一收敛

— Supervisor 模式 = 层级委派 + 扇出扇入

— Handoff 模式 = 串行交接 + 平级切换

— 动态编舞 = 路由 + 代码生成 + 实时执行

7 场研讨会中，得物研发效能高级技术专家马阳阳提出了一个对 ADPS 架构的重要演化建议：

横切层包括：可观测性、安全、质量、资源成本、可靠性、扩展性……这些不是某个认知功能的专属，而是凌驾在所有模式之上的通用能力。

时间维度则描述 Agent 的全生命周期：评测、版本管理、回归、灰度发布、运营……从空间结构扩展到空间 + 时间，才能对 Agent 有从头到尾的宏观了解。

这个建议得到了黄佳的高度评价，被认为是"一定需要被合入的演化 PR"。中兴通讯研发教练龙波的可观测性三层架构（观测层 / 归因层 / 进化层）、张栋的 Agent 控制平面四层（注册层 / 策略层 / 观测层 / 执行层），都在不同维度验证了横切层和时间维度的必要性。

回到开头的问题：为什么我们需要一套 Agent 设计模式？

因为 Agent 工程正在从"手工作坊"走向"工业化"。

2023 年，写一个 Prompt 就能做 Demo；2024 年，需要 RAG、需要工具调用；2025 年，需要多 Agent 协作、需要记忆系统、需要可观测性；2026 年，需要治理、需要安全、需要生产级稳定性。

每一年，Agent 的复杂度都在指数级增长。当复杂度超过个人能掌控的范围，就需要模式、需要框架、需要工程化方法。

ADPS 的价值不在于告诉你"标准答案是什么"，而在于：

● 提供共同语言：当团队讨论 Agent 设计时，"层级委派""扇出扇入""爆炸半径控制"这些词让沟通效率提升 10 倍

● 避免重复踩坑：7 场研讨会沉淀了数十个反模式，每个反模式背后都是真实的生产事故

● 提供决策地图：面对一个设计问题，知道有哪些可选路径、每条路的适用场景和代价

● 连接理论与实践：从抽象框架到具体落地，再从落地反馈到框架，形成闭环

这篇文章是 ADPS 7 场研讨会系列的第一篇。接下来，我们将逐模块深入拆解：

▸ 感知篇：为什么 80% 的推理决策效果差，根源在感知层？

▸ 记忆篇：知识编译——把写入和访问做成一件完整的事

▸ 推理篇：从快与慢到三种模式五个反模式

▸ 行动篇：从 Plan 到执行，行动边界的确定性工程

▸ 反思篇：Agent 可累积智能的核心机制

▸ 协作篇：从 Supervisor 到动态编舞，多 Agent 的团队作战

▸ 治理篇：生产级 Agent 的挑战不在于更聪明，而在于更可控

每一篇都基于一线企业专家的真实实践，不空谈理论，只讲怎么落地、有哪些坑、怎么避坑。

如果你正在做 Agent，或者准备做 Agent，这个系列值得收藏。

ADPS（Agent Design Patterns）系列研讨会由黄佳发起，联合腾讯、百度、新浪微博、京东、华为云、中兴、得物、Zendure 等数十家企业的一线技术专家共同沉淀。本文基于 7 场研讨会的整理稿提炼而成。