先明确几个基础概念，这将帮助我们深入理解整套设计方法的内在逻辑。
核心概念：点、面与Agent
什么是“点”？
用户需求中那些具有明确指向性的内容——用户明确提出的要求、记忆中沉淀的诉求、持续追求的目标。每个点都自带向外延展的潜力，绝非孤立存在。
什么是“面”？
一个点向相邻知识域扩展所形成的知识网络。面具备两个关键属性：内部一致性（面内知识相互支撑）和边界（面在何处终止）。并非所有扩展都能构成面，必须遵循内在逻辑。
学术体系
多个学科面的组织结构化描述——每个学科域都包含该领域的规则库、推演模式及边界条件。这相当于为知识绘制了一张完整的认知地图。
Agent
多个面在同一点集上的收敛。核心认知是：Agent并非被“造”出来的，而是从用户需求的点出发、逐步延展构建而成。先有需求，后有结构。
流程总览
自然语言输入 → 规范化输出 → 点提取 → MOE学科路由 → 学术体系构建 → 点延展成面 → 多面收敛构成Agent
设计原则
第一原则：垂直，而非通用。
通用Agent的问题在哪里？知识密度被稀释了。一个覆盖100个点的通用Agent，在1000个维度上平均分布，每个维度仅有0.1的密度；而一个覆盖10个点的垂直Agent，在10个维度上集中分布，每个维度能达到1.0的密度。
垂直Agent的“窄”并非缺陷，而是深度的代价。垂直意味着：在该领域内，Agent能实现可验证的精准。这才是真正的核心竞争力。
第二原则：生长决定内部结构，工程定义外部接口。
Agent的内部结构是从点出发有机生长出来的——这符合认知科学的逻辑。但Agent的外部边界——数据接入方式、输出格式、协同协议——必须是精确的工程定义。
两者正交：内部可以自然生长，接口必须精确无误。这一点绝不能混淆。
第三原则：规范化是信噪比控制的第一道闸门。
将自然语言输入直接送入路由系统，误差会沿链条逐级放大。规范化的本质是信号重编码，有且仅有一个目的：提高后续流程中信噪比的确定性。很多人在这一步偷懒，结果全盘皆输。
设计步骤（七步压缩）
① 任务定义与点提取
规范化用户输入 → 提取“点”（明确要求的、记忆体现的、持续追求的）→ 为每个点标注来源和指向性
② 学术体系与MOE路由
将点输入MOE → 路由到相关学科域 → 构建学术体系拓扑图（域间关系、边界定义）
③ 信息管道设计
为每个学科域设计数据接入方式（API、数据库、文件、传感器）→ 标注更新频率和可信度 → 建立元数据标记规范
④ 规则库构建与优先级编排
将学科知识编码为规则（条件→结论）→ 在规则库内进行优先级排序 → 设计跨库冲突时的裁决机制
⑤ 推理链路与输出规范
定义推理路径节点（分类→规则匹配→冲突检测→裁决→结论）→ 为每条路径标注推理类型（演绎/归纳）→ 设计结构化输出格式（含置信度评分）
⑥ 协同接口设计
定义本Agent的输入/输出边界 → 明确何种情况下调用其他Agent → 制定调用协议和错误处理规则
⑦ 验证与校准
建立独立验证回路（不同数据源、不同推理模型）→ 部署观测点 → 持续校准规则库和优先级
案例：业务数据分析Agent
下面通过一个具体案例来演示“点→面→Agent”的完整过程。
场景
某电商公司的运营负责人在周会上提出：
“我需要一个能自动分析每日销售数据的Agent，帮我发现哪些品类的销量出现异常波动，并定位可能的原因——价格变动、竞品动作，还是供应链问题。”
第一步：规范化 → 点提取
自然语言输入经过规范化后，提取出以下“点”：
| 点 | 来源 | 指向性 |
|---|---|---|
| 每日销售数据 | 明确要求 | 数据源指向：订单数据库、商品主数据 |
| 品类维度 | 明确要求 | 维度指向：按品类聚合 |
| 销量异常波动 | 明确要求 | 判断指向：如何定义“异常”？需设定阈值 |
| 原因定位 | 明确要求 | 输出指向：归因分析 |
| 价格变动 | 记忆体现（行业常识） | 因素域：定价策略 |
| 竞品动作 | 记忆体现（行业常识） | 因素域：竞争情报 |
| 供应链问题 | 记忆体现（行业常识） | 因素域：供应链管理 |
| 隐含点：效率 | 追求体现（自动化需求） | 设计约束：Agent需要按日频率自动运行 |
| 隐含点：可解释 | 追求体现（“帮我发现”=信任需求） | 设计约束：输出需附带推演过程 |
第二步：学术体系与MOE路由
基于点清单，MOE路由至以下学科域：
- 统计学（异常检测→定义“销量异常”的统计基准与阈值）
- 经济学（供需弹性→价格变动对销量的影响函数）
- 市场营销（品类管理→不同品类的销售规律及季节性）
- 供应链管理（库存与供给→缺货、物流延迟对销量的影响）
- 竞争情报（竞品监测→竞品价格变动、促销活动的信息源）
学科拓扑：统计学为核心（异常检测是中枢），其他四个学科从不同方向贡献因素分析。
第三步：信息管道设计
| 学科域 | 数据源 | 接入方式 | 频率 | 可信度 |
|---|---|---|---|---|
| 统计学 | 订单数据库 | SQL直连 | 每日自动拉取 | 高（内部数据） |
| 经济学 | 商品价格表 | API | 实时 | 高（内部数据） |
| 市场营销 | 品类历史销售数据 | 数仓查询 | 每日 | 高（内部数据） |
| 供应链管理 | WMS库存数据 | 文件接口 | 每日 | 中（延迟1-2h） |
| 竞争情报 | 外部价格监测平台 | API | 每日 | 中（公开数据） |
第四步：规则库构建与优先级编排
每个学科域提取关键规则。当规则冲突时，内部数据优先于外部数据。
示例规则：
- 统计学规则：{连续3日销量偏离移动平均线>2σ} → {标记为异常}
- 经济学规则：{价格变动>5%且销量波动>10%} → {价格是主要影响因子}
- 供应链规则：{WMS出货量<订单量80%且持续时间>2天} → {供应链是主要影响因子}
优先级规则：当多个因素同时标记时，供应链数据（内部、可验证）优先级高于竞品数据（外部、可能有噪音）。
第五步：推理链路与输出规范
推理链路设计为三层：
- 异常检测层（统计学域）：每日数据 → 计算各品类移动平均线 → 判定哪些品类“异常”
- 因素匹配层（多域并行）：对每个异常品类 → 并行检索价格/竞品/供应链数据 → 各域独立给出归因判断
- 综合裁决层（优先级+冲突解决）：接收各域归因结果 → 按优先级裁决 → 输出最终归因
推理类型声明：
- 异常检测层：演绎型（统计阈值已确定，输入→输出是必然的）
- 因素匹配层：归纳型（外部数据可能有噪声，输出附带置信度）
- 综合裁决层：演绎型（优先级表已确定，裁决结果可重现）
第六步：协同接口设计
这个Agent并非孤立运行。当它识别出由竞品动作导致的异常时，需要将情报转交给另一个Agent——竞品监测Agent。
协同协议：
- 触发条件：归因结果中“竞品”置信度 > 70%
- 输出给下游Agent的格式：{品类ID, 异常幅度, 疑似竞品动作, 时间窗口, 置信度}
- 接收下游反馈：{情报确认/证伪, 附加信息来源}
第七步：验证与校准
验证回路设计：
- 每周人工抽样：从历史异常检测中随机抽取10%的案例，人工判断Agent的归因是否正确
- 验证Agent与主Agent共用订单数据，但竞品数据源使用不同API提供商
观测指标：
- 异常检测的精确率（标记为异常的品类中真正异常的比例）
- 归因准确率（归因判断正确的比例）
- 置信度校准偏差（Agent自评分 vs 实际准确率）
校准计划：
- 每月：根据观测结果调整异常检测的σ阈值
- 每季：更新竞争情报数据源的优先级
