7.3
深览指数
科技Bestblogs·AI Engineer··AI 生成
Vercel 如何破解智能体构建难题：Andrew Qu 与 Eve 框架的演进
Vercel 的 Andrew Qu 分享了团队从多智能体数据工作流到文件系统智能体，再到沉淀出企业专属智能体框架 Eve 的演进历程。核心突破在于，放弃脆弱的智能体链，转而让一个拥有充分上下文的智能体在沙箱中运行，通过熟悉的文件操作和 Bash 自主规划、执行与纠错，使评估表现翻倍。文章的核心观点是，企业智能体的真正价值并非来自更复杂的提示词，而是源于具体公司知识与持久化运行时基础设施的深度结合。原文 ↗
核心观点
- ▍企业智能体的核心价值不在于通用对话能力，而在于它能否将公司特有的数据、业务语境和操作实践内化为可执行的知识，并作为一个可持续评估和优化的系统来运营。
- 01D0 最初采用的“规划-查询-执行-汇报”智能体链，因阶段间上下文丢失和无法覆盖真实提问的多样性而表现不佳。
- 02放弃手工定义的链路，让一个拥有充分上下文的智能体在沙箱中运行，允许其使用文件系统、Bash 和语义层工具自主探索，评估分数大约翻倍。
- 03Vercel 从数千个日常请求中提炼出约 100 项技能，这些可复用的指令为新一轮智能体运行提供了组织层面的初始上下文。
- 04Eve 框架将技能、工具、渠道与持久化运行时、隔离执行、连接器和可观测性结合，将智能体构建从提示词拼接转为系统工程。
- 05连接到数据仓库的通用智能体无法理解实体关系、查询取舍等业务语境，而 Vercel 的智能体价值正来自其语义层和积累的实践。
反方 / 局限
- — 文章未提及智能体在沙箱中自主探索所增加的计算成本与延迟，也未讨论大规模技能库维护和版本管理的复杂性。
4 分钟 · 3 卡片 · 9 资料
读原文 →