企业级 Agent 构建指南:Deep Research 原理与多 Agent 架构
本文详细解析了企业级 AI Agent 的构建方法,重点在于通过多 Agent 系统解决复杂任务。文章从 Agent 的核心定义出发,区分了 Workflow 与 Agent 的适用场景,并深入探讨了多 Agent 系统的编排模式、上下文管理及信息传递机制。作者以 Deep Research 为例,拆解了其工作原理与架构设计,强调了在 AI 变现中做定制化项目的价值。
本文详细解析了企业级 AI Agent 的构建方法,重点在于通过多 Agent 系统解决复杂任务。文章从 Agent 的核心定义出发,区分了 Workflow 与 Agent 的适用场景,并深入探讨了多 Agent 系统的编排模式、上下文管理及信息传递机制。作者以 Deep Research 为例,拆解了其工作原理与架构设计,强调了在 AI 变现中做定制化项目的价值。
文章非常系统、通俗地拆解了企业级多Agent与Deep Research系统的核心原理、协作模式及上下文管理,结构清晰且具备实战指导意义,结合发布日期具有很高的当下时效参考价值。
文章分析了 AI Agent 领域从依赖 MCP 回归 CLI 的趋势。MCP 曾被视为 Agent 连接外部工具的标准方案,但在本地开发和工程自动化场景中,CLI 兞现成太、节省上下文、易于调试复现、具备 Unix 管道组合能力且更接近真实执行环境。作者认为 MCP 并不会消失,二者正在重新分工:CLI 成为 Agent 的本地执行层,MCP 回到标准化集成层,用于远程能力、结构化发现和跨平台复用。
Thorsten Ball 分享了 2026 年 10 月他与 AI Agent 协作的工作方法:使用最新最强的模型,不必担心代码库积累 slop;提示时描述 What 而非 How;让 agent 贯通整个软件开发生命周期(运行、部署、看日志、处理 bug 报告),并为其提供定制工具;通过盲测实验评估 agent 对代码库知识的利用;不要手动管理上下文,让 compaction 工作;请求不可反驳的证明(端到端演示、前后对比数据);拥抱异步工作流,给 agent 更大任务;利用定时唤醒等自动化功能;只审查高影响范围的代码。这些实践展示了 agent 驱动开发的新范式。
文章指出大多数人在错误的层面修复 AI Agent 问题:模型失败时反复改提示词、换模型、加工具,却忽略了真正的问题是模型周围的环境——Harness。Harness Engineering 是构建围绕模型的系统,决定模型能看到什么、能做什么、记住什么、如何判定成功与失败。作者提出六大实践:将请求转化为带完成条件的任务契约;用渐进式披露提供项目地图而非塞满上下文;在模型与工具之间设置网关校验与策略授权;将记忆(事实、决策、状态、经验)移出对话外部存储;以可观测证据作为任务完成的门槛,优先用确定性检查。好的 Harness 能提升每一次运行的质量。
文章指出,现代生产力的最大瓶颈不是思考慢,而是工作碎片化地在多个应用间切换,决策只需三十秒,而协调却要二十分钟。Grok Bot 类持久化 Agent 的价值在于以任务结果为界面,让应用成为实现细节,消除工具间的转换成本。作者阐述了以职位描述定义工作流、持久化环境保存上下文、将流程固化为可复用例程、从人类行为中学习自动化等理念,并强调 Agent 架构应分层:生成模型负责创造内容,快速决策层负责调度,确定性代码负责规则约束,从而构建真正自主的工作系统。
Uber 推出 MCP Gateway,作为统一管理 AI Agent 与后端服务 MCP 交互的核心微服务平台。文章介绍了其架构:控制平面(MCP Registry)作为工具目录的唯一事实来源,数据平面(Proxy Gateway)负责将 MCP 协议请求翻译为 HTTP、gRPC 或 TChannel 并路由到后端服务。通过基于 Cadence 的 AutoCrawler 自动扫描 IDL 注册表和原生 MCP 服务器心跳,自动发现、生成并注册 MCP 工具,同时支持 Jira、Google 等第三方集成。该平台已托管 800 多个 MCP 服务器和 5000 多个工具,实现了安全、可扩展、统一的 Agent 生态治理。
文章提出构建可靠 AI Agent 的关键不在于更好的提示词,而在于模型周围的 Harness(工程脚手架)。作者借鉴 OpenAI 用 Codex 零手写代码构建产品的经验,提出六层最小可行 Harness:1) 将请求转化为明确的任务契约,定义目标、约束与完成条件;2) 用上下文编译器按需提供高信号信息而非堆料;3) 在模型与工具之间设置网关,做权限校验与结构化观察结果;4) 将记忆外化为持久状态,区分事实、决策、状态与教训;5) 以证据门控完成判定,用测试与验证结果决定接受、重试或上报;6) 建立追踪与恢复循环。
文章探讨了AI应用架构从Chain到Agent的演进过程。早期AI应用多采用固定流程的Chain模式,具有稳定、易控的优点,但难以应对现实中复杂的用户问题。为此,架构转向了Agent模式,将决策权由人工预设流程交还给AI动态决定。这种方式提升了灵活性,但也带来了失控风险,从而引出了后续如何为Agent划定边界的探索。
文章回顾了 LangGraph 三年来的发展,探讨了将智能体系统建模为图(Graph)的实践与价值。作者分析了何时使用图结构以平衡确定性与自主性,并指出生产级智能体通常需要循环和动态转换。最后,文章强调图工程并非全新概念,但随着节点的进化,现在的图更多是在编排智能体而非单一的 LLM 调用。