AI Agent 求职专题（二）：Agent 基础、架构与工作流设计

从 LLM、上下文、工具、状态和验证出发，建立能够解释、实现和排错 Agent 的统一心智模型。

Agent 到底是什么

普通 LLM 调用通常是输入上下文后得到输出。Agent 则把输出放进闭环：模型判断下一步、请求工具、读取结果、更新任务状态，并在达到停止条件后交付结果。

形态	输入	核心动作	适合场景
普通对话	用户问题	一次生成回复	问答、写作、摘要
RAG 应用	问题 + 检索上下文	检索后生成	知识问答、文档助手
固定 Workflow	结构化任务	按代码节点执行	审批、报表、同步
单 Agent	自然语言目标	动态选择工具并循环	路径不完全确定
多 Agent	复杂目标	多个专业角色协作	分工、复核、并行

Agent 不是 Workflow 的替代品。流程越确定、风险越高、审计越强，就越应该由代码控制边界；模型负责模糊输入和局部判断。

参考架构

用户 / API
  -> 会话层：鉴权、租户、限流、请求 ID
  -> 编排层：状态、规划、分支、循环、审批
  -> 模型层：路由、结构化输出、流式响应
  -> 能力层：RAG、Memory、Tools、MCP
  -> 数据层：业务库、向量库、缓存、对象存储
  -> 治理层：Trace、评测、成本、审计、Guardrail
  -> 交付层：答案、文件、业务动作、人工接管

讲架构时可以按请求生命周期展开：身份和权限判断，读取任务状态，模型决定下一步，工具在受限环境执行，结果写回状态和 Trace，最终经过输出校验和业务验收。

执行循环与状态机

agent_looppseudo

while not finished and steps < max_steps:
    decision = model(messages, tools, state)
    if decision requests a tool:
        validate(decision.tool, decision.arguments)
        result = execute(decision.tool, decision.arguments)
        state = reduce(state, decision, result)
        messages.append(tool_result(result))
    else:
        answer = validate_output(decision.content)
        return deliver(answer)
raise StepLimitExceeded()

循环要显式设置步数、时间、权限和交付四类边界。需要暂停后继续的任务还要持久化任务 ID、当前节点、输入摘要、工具记录、待审批动作和失败原因，不能依赖进程内存。

ReAct、规划与 Workflow

模式	工作方式	优点	风险	选择建议
ReAct	思考一步、行动一步	灵活	步骤多、成本高	路径难以提前确定
Plan-and-Execute	先计划、再执行	长任务容易检查	计划可能过时	阶段明确但细节动态
Supervisor	主 Agent 调度专业 Agent	分工清晰	路由和上下文复杂	多个专业能力统一入口
固定 Workflow	代码控制节点和分支	稳定、可审计	灵活性较低	流程明确或高风险

不要为了体现“智能”就引入多 Agent。先用单 Agent 或 Workflow 建立可测量基线，再用实验结果证明拆分带来收益。

上下文与记忆

类型	内容示例	生命周期	注意事项
短期上下文	消息、工具结果、约束	一次任务	超长时摘要或裁剪
工作记忆	计划、中间变量、待处理项	任务期间	结构化并可恢复
长期记忆	偏好、稳定事实、历史结论	跨会话	来源、可信度、删除
外部知识	文档、数据库、业务记录	数据系统管理	通过检索和权限进入

历史消息不能无条件拼接。保留当前任务必需原文，把早期内容压缩成摘要，把长期事实写入带来源和更新时间的存储，并在读取时再次检查权限和相关性。

架构选型规则

问题特征	优先方案	原因
流程固定且有审批	Workflow + 少量 LLM 节点	边界清晰、便于审计
需要企业知识	RAG + 结构化回答	知识更新与模型解耦
工具路径动态但风险低	单 Agent + 受限工具	保留灵活性，控制复杂度
多个专业能力协作	Supervisor 或 Handoff	职责和上下文边界可见
写入、支付、删除	确定性代码 + 人工审批	避免模型直接决定高风险动作

最小练习

实现一个“项目状态助手”：Agent 可调用两个只读工具，并在证据不足时明确说明。

✓工具使用 JSON Schema，拒绝未知参数。
✓设置最大 4 步、单工具 3 秒、整条任务 10 秒超时。
✓保存模型请求、工具参数、工具结果和答案 Trace。
✓工具失败时返回结构化错误，禁止假装成功。
✓用成功、无权限、不存在、超时、冲突等问题回归测试。

完成后继续阅读 RAG 知识库工程。