科技Bestblogs·Karthik Ramgopal··AI 生成
智能体框架的演进：从链到图再到代码
文章将智能体框架的发展划分为链、图、代码三阶段：链快速但级联脆弱，图通过显式节点边与 A2A 协议支撑多智能体编排，代码框架在沙箱中生成可验证代码并闭环优化。LinkedIn 招聘助手和 NL2SQL 是其实践案例。作者提出「用满足可靠性、速度与成本的最简系统」作为选型原则，并认为工程师角色正从提示词设计师转向系统架构师。原文 ↗原文 ↗
核心观点
- ▍智能体框架历经链、图、代码三种范式，每一种都是在解决同一根本问题：如何把概率性 LLM 输出约束成可用于生产环境的可靠软件。
- ▍选择抽象的正确原则是「使用能可靠解决问题的最简系统」——过度的架构复杂度带来的成本、延迟和运维负担，会超过它对业务结果的改善。
- 01链范式把 LLM 当黑盒函数，构建快，但单个上游节点失败会级联污染整个线性工作流。
- 02图范式引入显式节点与边，支持条件分支、并行、重试与状态管理，进而催生带顶层编排器的多智能体系统，以及 A2A、ACP 等异步智能体间通信协议（保证 FIFO 交付）。
- 03LinkedIn 招聘助手是图范式实例：顶层编排器把候选人寻找、申请人审核等任务分派给专业智能体，并在关键决策点保留人工介入。
- 04代码范式把生成并执行代码作为一等原语，依赖四个组件：执行沙箱、插桩与日志、带单元测试与断言的验证框架、迭代优化循环。
- 05LinkedIn 用代码范式做自然语言转 SQL/Python：先在样本数据上执行，再按隐私与治理约束校验输出，迭代至满足正确性，比定制提示词工作流更可审计、可复现。
- 06跨范式通用的可靠性原则：把 LLM 输出视为不可信输入、将规划与执行解耦、投资于覆盖每一步状态与验证结果的可观测性。
反方 / 局限
- — 文章以 LinkedIn 内部案例为主要证据，未给出与其他公司同类方案的效果对比，也未量化代码范式在延迟和 token 成本上的代价，因此「更可审计」的结论缺少横向基准。
- — 三阶段演进被描述为线性递进，但同一组织内很可能长期并存多种范式，文章未讨论混合架构（如图中嵌代码节点）的工程取舍。
前置背景
技术原理
应用场景
平行视角
争议局限
延伸追问