8.3
深览指数
科技Bestblogs·腾讯技术工程··AI 生成
腾讯 WorkBuddy 实践：如何把 Agent 做成可用产品
本文系统拆解了腾讯 WorkBuddy 将大语言模型能力转化为可用 AI Agent 产品的方法论，核心框架将系统分为模型、上下文、Harness、Loop 四层。文章详细阐述了工具调用（Function Call）、MCP 协议、Skill 与 Plugin 封装、Context Engineering 的五类上下文管理动作、分层记忆系统，以及 Harness Engineering 如何通过前馈、安全、编排保障 Agent 稳定性。与市面上多数泛泛而谈的 Agent 讨论不同，本文提供了大量腾讯内部实践中的具体机制、图示和真实案例（如调研 OpenAI、Anthropic、LangChain 的 Harness 实践），适合正在构建或优化 Agent 产品的技术负责人、架构师和 AI 应用开发者深度阅读。原文 ↗
核心观点
- ▍模型是无状态函数，仅负责根据输入生成后续文本，实时信息、工具调用和状态维护必须由产品侧的 Agent 系统负责，产品需提供工具、上下文和执行环境三层能力。
- ▍构建可靠的 AI Agent 产品需从模型、上下文、Harness、Loop 四层系统性设计，其中 Harness Engineering（方向、安全、编排）是将模型的不确定输出转化为可靠产品行为的关键保障。
- 01模型能力来源于预训练、后训练和偏好优化三阶段，模型知识截止于训练日期，且模型不会自动保留上一次调用的内容。
- 02工具调用（Function Call）中，模型生成结构化调用请求，Agent 负责参数校验、权限检查、执行并将结果返回上下文，权限与审计必须在模型外部完成。
- 03MCP 协议提供 Resources（只读内容）、Tools（可调用动作）和 Prompts（可复用提示模板）三种原语，使 Agent 能以统一方式调用多种外部能力，降低适配成本。
- 04Context Engineering 包含写入、选择、检索、压缩、隔离五类动作，利用 Prompt Cache 前缀复用和渐进式加载降低 token 开销并提升决策准确度。
- 05WorkBuddy 长期记忆系统按稳定事实、用户知识背景、行为信号、表达偏好、会话延续信息五类分层存储，仅陈述性记忆进入长期记忆，程序性记忆（做事方法）不纳入长期记忆，以免局部经验被误升为通用策略。
- 06Harness Engineering 通过前馈、反馈、权限校验、Approval Gate、验证机制以及可观测性（日志、监控）保障 Agent 执行的稳定性与可控性，文章调研了 OpenAI、Anthropic、LangChain 的相关实践。
WorkBuddy腾讯Function CallModel Context Protocol (MCP)SkillPluginContext EngineeringHarness EngineeringReAct LoopPrompt CacheOpenAIAnthropicLangChain
5 分钟 · 4 卡片 · 7 资料
读原文 →