深览
7.4
深览指数
科技虎嗅·AIGC从0到1··AI 生成

Agent 工程的五层进化论：是进步，还是新一轮术语泡沫？

文章提出 Agent 工程正从“提示词手艺”迈向“系统设计”，并介绍了一种五层分层框架（Prompt→Context→Harness→Loop→Graph），认为真正拉开差距的不再是模型能力，而是如何组织工作。同时，作者主动呈现了反方观点：多数真实业务场景中简单 Loop 已足够，Graph 架构容易陷入过度工程和术语崇拜。最终给出了一个既实用又克制的决策框架，帮助实践者判断何时该上复杂架构、何时该坚守简单方案。适合已经在做 Agent 生产和部署的工程师或 AI 技术负责人阅读，用以校准自己的架构选型思路。原文 ↗

核心观点
  • ▍Agent 工程的核心矛盾已从“让单次调用正确”升级为“让长期运行和多 Agent 协作正确”，真正拉开差距的将是架构设计而非模型能力。
  • ▍成熟的 Agent 工程不是所有人都能喊出最新的术语，而是知道什么时候该用复杂架构，什么时候该用最简单、自己还能调试的方案。
  1. 01文章提出了五层分层框架：Prompt Engineering（一次请求）、Context Engineering（记忆）、Harness Engineering（工具调用与包裹）、Loop Engineering（整次执行控制）、Graph Engineering（多 Loop 多 Agent 协调）。
  2. 02线性链条在长任务中会集中爆发三类问题：Agentic Laziness（Agent 做到一半就自称完成）、Self-preferential Bias（自己检查自己时偏向自己的输出）、Goal Drift（长对话后原始约束逐渐丢失）。
  3. 03Graph 的价值在于将工作拆成真正有数据流动的节点和边，实现独立任务并行（fan-out）、关键结果汇总（barrier）、失败隔离，以及模型分级使用（便宜的做提取和分类，强的做最终综合）。
  4. 04批判方指出，简单触发→执行→验证→重试的 Loop 结构已满足多数业务需求，拆成更多节点后系统更难推理，协调成本上升，可靠性和性能未必提升。
  5. 05Anthropic 自身也提醒：大多数任务并不需要一堆 reviewer，Graph 必须“赚回”它的协调成本，否则就是过度工程。
反方 / 局限
  • — 作者承认，Loop 和 Graph 本质上只是控制 Harness 的方式，并不构成更高一层的“新学科”，每隔几个月换一个“XX Engineering”容易变成术语崇拜。
  • — 文中指出了 Graph 架构的常见陷阱：假边（本来独立的步骤被硬串）、默认同步等待、用 Agent 去做本该用代码完成的扁平化和去重、停止条件设计不当导致无限循环。
Prompt EngineeringContext EngineeringHarness EngineeringLoop EngineeringGraph EngineeringAnthropicAgentic LazinessSelf-preferential BiasGoal Drift王零壹
6 分钟 · 1 卡片 · 3 资料
读原文 →

前置背景