01 背景：为什么 Agent 比你想象的更容易踩坑

ChatGPT 之后，生成式 AI 的第二波浪潮指向了一个共同方向：AI Agent。从AutoGPT、BabyAGI 到如今各企业自研的 Copilot 助手，Agent 架构正在快速落地。但现实很骨感：大量团队在构建 Agent 系统时，经历了相似的痛苦循环——建好了，跑不通；跑通了，容易死循环；不死循环了，发现结果全是幻觉。

这不是个别团队的问题。IBM、Microsoft、Neudesic 的工程师联合发布的论文[「The Landscape of Emerging AI Agent Architectures」]系统梳理了当前 Agent 架构的现状和陷阱。下面结合论文核心结论和工程实践，整理一份完整的 Agent 设计避坑手册。

02 基础认知：Agent = Brain + Perception + Action

开始设计之前，先把 Agent 的本质搞清楚。一个最小可用的 AI Agent 由三个部分构成：

Brain：大语言模型，负责推理和决策（类比人类大脑）
Perception：感知环境反馈、用户输入（类比感官系统）
Action：调用工具、操作外部系统（类比手脚）

很多设计失败的 Agent，本质上就是把大模型套了个壳就叫 Agent。没有规划（Planning）、没有工具调用（Tool Calling）、没有反思（Reflection）能力的，还是高级聊天机器人，不是真正意义上的 Agent。

03 架构选型：单 Agent 还是多 Agent？

这是第一个需要做对的选择。

单 Agent 适用场景
任务目标清晰，步骤可枚举；反馈来源是环境或用户，不需要其他 Agent 提供信息；工具集合有限，执行路径相对固定。典型案例：代码审查 Agent、产品文档写作 Agent。

多 Agent 适用场景
任务需要多个专业能力（搜索+写作+代码执行）；存在多个可并行的独立子任务；需要协作、讨论和多方校验。

论文原文指出：当问题定义明确、不需要其他 Agent 或用户反馈时，单 Agent 表现出色；而多 Agent 则在需要协作和多个独立执行路径时更占优势。

多 Agent 有两种拓扑：

垂直架构：一个 Leader Agent 负责分配任务，其他 Agent 向 Leader 汇报。专业化分工，汇报线清晰。
水平架构：所有 Agent 平等协作，共享同一个讨论线程，各自认领任务。适合需要大量讨论的场景。

论文中一个关键发现值得单独提出来：有明确 Leader 的团队，比无 Leader 团队快近 10%。在没有 Leader 的情况下，Agent 们会把 50% 的时间花在互相“发指令”上，而不是真正执行任务。

04 任务拆分：如何把大任务变成可执行的子任务

这是 Agent 系统中最核心、也最容易做错的一步。

任务拆分的 5 种方法

① Task Decomposition（任务分解）：把大任务递归拆解为子任务树。这是最基础的方法。关键原则：每个子任务必须原子化——有明确输入输出，可独立执行验证。拆分深度一般控制在 2-3 层，过深的规划链会显著增加执行出错的概率。

② Multi-plan Selection（多计划选择）：不急着拆解，而是让 LLM 一次性生成 N 个候选计划，通过 Evaluator 评估后选择最优路径。适合需求模糊、方向不确定的场景。

③ External Module-aided（外部模块辅助）：LLM 不自己负责规划，而是翻译成专用模块可理解的格式，交给外部规划器执行。论文特别指出：在机器人规划任务上，纯 LLM 目前缺乏直接将自然语言指令转换为可执行计划的能力。结合 PDDL 等经典规划工具后，效果显著优于纯 LLM 方案。这个结论对企业 AI 应用有重要启示：SQL 查询、路径优化、数值计算这类精确推理任务，不应该强依赖 LLM 规划，而应该由专用模块负责，LLM 只做指令翻译层。

④ Reflection & Refinement（反思迭代）：不追求一次拆解完美，而是在执行中根据反馈动态修正计划。LATS 和 Reflexion 都采用了这个思路。

⑤ Memory-augmented（记忆增强）：规划时主动查询外部记忆库，参考历史经验。避免每次规划都从零开始。

多 Agent 场景下的动态组队
多 Agent 架构里，任务拆分不只是“谁做什么”，而是动态构建专业团队：规划阶段（Leader 分析任务，拆成子任务，按需召唤 Agent，用完即弃）→ 执行阶段（Agent 并行工作）→ 评估阶段（Leader 汇总结果，评估质量，如需新能力则重新组队，进入下一轮）。

05 系统提示词设计：7 层结构法

一个生产级 Agent 的系统提示词，推荐用以下 7 层结构：

① Role / Persona（角色定义）
② Core Capabilities（能力边界）
③ Tools（可用工具）
④ Workflow（执行流程）
⑤ Output Format（输出格式）
⑥ Constraints（硬性约束）
⑦ Memory Rules（记忆规则）

原则一：Persona 越具体越好
❌ 不要这样写：“你是我的助手，帮助用户完成任务”
✅ 应该这样写：“你是一名 10 年经验的后端工程师，擅长 Python/Golang 架构设计。你用简洁、直接的技术语言交流。禁止在非技术任务中发挥创意想象力。”
研究发现：明确的职业身份会实质性地影响模型行为。

原则二：工具定义要覆盖“禁止使用场景”
很多 Agent 乱调工具的根本原因在于工具描述只写了“能做什么”，没写“不能做什么”。每个工具描述必须包含：用途（解决什么问题）、输入格式（期望什么数据）、输出格式（返回什么结果）、禁止使用场景（关键！）。

原则三：执行流程要有标准步骤
不要让 Agent 自己摸索执行路径。规定标准操作顺序：理解（需求如有歧义先提问确认）→ 拆解（用 [Task-N] 标注每个子任务）→ 执行（按依赖顺序执行，每完成一个报告进度）→ 验证（检查输出是否满足需求）→ 交付（按统一格式呈现结果，说明决策理由）。

06 负面清单：Agent 设计中最常见的 16 种错误

架构设计层
❌ 单 Agent 处理超长任务链：超过 8-10 步后，幻觉率和重复循环概率急剧上升。长任务必须上多 Agent 并行。
❌ 无 Leader 的水平多 Agent 团队：团队 50% 时间在互相发指令而不是执行任务。必须有明确的调度者（Agent Leader 或人类）。
❌ 任务依赖关系模糊就并行执行：A 依赖 B 的输出，但 B 先跑了。拆任务时必须标注依赖图，串行在前，并行在后。

Tool Calling 层
❌ 工具描述不具体，Agent 乱调：必须明确用途、输入格式、输出格式、禁止使用场景。
❌ 没有循环检测机制：Agent 可能反复调用同一工具陷入死循环。必须设计 max_iterations 限制和执行计数监控。
❌ 信任工具输出，不做验证：工具返回错误数据，Agent 直接用导致级联失败。关键工具输出必须加自我验证步骤。

Memory 层
❌ 只用 Context Window 做记忆：sliding window 记忆容量受限于 token 上限，长期任务必然遗忘。短期记忆用 scratchpad，长期记忆用向量数据库或文件存储。
❌ 记忆无过期和更新机制：Agent 记住的判断是错的，但永远不更新。记忆必须带时间戳和版本，定期验证有效性。
❌ RAISE 的角色幻觉问题：论文记录了一个 Sales Agent 因为没有明确定义角色能力边界，突然能写 Python 代码，开始做开发任务而不是销售任务。每个 Agent 的能力边界必须在 Persona 里显式禁止。

Planning 层
❌ 一次性生成完整长计划，不留调整空间：环境变化后整条计划报废。必须设计 Replan 触发条件（收到意外反馈时自动重新规划）。
❌ 依赖纯 LLM 做精确规划：机器人路径、SQL 生成、数值优化等——这类任务必须交给专用规划器，LLM 只做自然语言翻译层。

安全可靠性层
❌ 执行破坏性操作前没有确认：删库、删文件、强制终止进程——直接执行没有兜底。危险操作必须加 CONFIRM_REQUIRED 标志，等待人工批准。
❌ 全程无 Human-in-the-loop：关键决策节点（规划审批、预算审批、方向变更）必须有手工确认机制。

07 论文中最常见的 5 种失败模式

序号 失败模式 表现 根源

1 重复循环 ReAct 反复生成相同动作 没有退出条件或反馈信号
2 局部最优 Reflexion 停在次优解不动了 评估器也有认知偏差
3 幻觉传播 Agent 错误输出被下个 Agent 当真 没有交叉验证
4 能力漂移 做着做着偏离原始目标 缺乏阶段性 Checkpoint
5 上下文遗忘 长任务后期丢失关键约束 记忆机制不完善

08 快速设计检查清单

每次设计新 Agent 之前，对着这份清单过一遍：
□ 角色定义：具体职业身份，不是“助手”
□ 能力边界：明确列出“不能做”的事
□ 工具规范：每个工具都有禁止使用场景
□ 循环保护：有 max_iterations，有自我验证
□ 记忆设计：短期+长期分离，有过期机制
□ 规划校验：有不符预期时的 Replan 触发条件
□ 多 Agent：有信息过滤，不是所有 Agent 都能读所有消息
□ 危险操作：有 CONFIRM_REQUIRED 或人工确认
□ 日志审计：每个 Action 都有记录
□ 人类兜底：关键节点有人工退出机制

09 结语

Agent 架构的设计，本质上是在解决一个核心矛盾：LLM 的能力很强，但它的不可预测性也很强。论文中有一句话值得所有 AI 应用开发者记住：“当前社区仍在争论单 Agent 还是多 Agent 系统更适合解决复杂任务。”答案从来不是哪个架构更好，而是你的任务适合哪种架构。把这个问题回答清楚，比选任何框架都重要。

参考资料
- The Landscape of Emerging AI Agent Architectures for Reasoning, Planning, and Tool Calling: A Survey，Tula Masterman et al.，arXiv:2404.11584
- Open-Source LLM-Driven Federated Transformer for Predictive IoV Management，Yazan Otoum et al.，arXiv:2505.00651