AI 应用开发:从架构范式到数字团队
27 notes in this collection.
AI 应用开发的四种架构范式:从提示词到多智能体
一份关于 AI 应用架构范式的课程文稿整理。作者先拆掉概念上的巴别塔——提示词、RAG、Agent、工作流这些词在不同人嘴里含义并不一致——然后用四种范式把九成场景收进去:提示词工程、工作流、单智能体、多智能体。每种都给了具体做法和它真正的瓶颈,其中提示词那条卡在上下文超过几万 token 之后效果骤降,工作流那条卡在异常分支。最后给出选型判据:业务不确定性的三个维度——输入、过程、结果。
2026-11-10撕开 Agent 的外袍:40 行代码和一个 stop 参数
一份关于 Agent 解剖学与 ReAct 范式的课程文稿整理。作者先用框架搭一个网络调研专家,跑起来看着像魔法;然后撕开外袍,把每次模型调用的输入输出都打印出来,发现整套东西只是一个死循环:模型按 Thought、Action、Action Input、Observation 四段输出,工程在 observation 处截断、解析出工具名和参数、真实调用、把结果拼回 message list、再调一次模型。最关键的一处细节是一个很少被提到的 stop 参数——没有它,模型会自己编造工具返回结果。文末给出 40 行无框架实现和混合架构建议。
2026-11-10Multi-Agent 的协作美学:Agent、Task、Process 三件套
一份关于 Multi-Agent 系统的课程文稿整理,接上一篇单 Agent 解剖留下的课后题。开篇先答那个问题:ReAct 的死穴是上下文,不只是长度爆表,还有内容污染和多指令负担。中段用四个角色(深度研究、报告撰写、网络搜索、审核编辑)和两个任务跑一个真实案例,其中有一处精巧设计——报告用文件传递而不是作为入参,因为入参要模型重新输出一遍,全是钱。最后正面回应「多一个 Agent 就多一份出错概率」这个流行说法,给出成本、耗时、设计难度三个真实代价,以及一次开错参数导致的失败复盘。
2026-11-10选型不是选最强:复杂度、不确定性、性能约束
一份关于 AI 应用选型工具的课程文稿整理,也是这个系列第一章的收口。作者把第一课那个单一的「不确定性」扩展成三维评估:复杂度(交互、依赖、过程)、不确定性(输入、过程、目标)、性能约束(响应时间、成本、上下文)。前两个画成四象限决定理想范式,第三个负责一票否决——把理想答案往下压。最实用的一节是「收缩能力边界」:当现实不允许上更强的范式时,怎么通过限制输入范围、只解固定路径、与业务方约定衡量标准,把不确定性压下来。末段用线上问题定位做完整推演。
2026-11-10工程鸿沟:从能跑起来到能上线,中间差什么
一份关于企业级多智能体系统施工蓝图的课程文稿整理,也是工程篇的先导。作者先指出一个很普遍的状态:Demo 搭得很精美,但一直不敢上生产。差的不是能力,是工程鸿沟。填这个沟的东西仍然是最佳实践,但最佳实践分两层——宏观的架构选型和微观的参数配置,后者恰恰是线上挂掉的真凶。中段给出学习方法「五步深挖法」:是什么、为什么有价值、先用起来、看底层实现、最后才是最佳实践。文末是一张课程地图,从 MVP 到工具、上下文、组织进化、稳定性五关。
2026-11-10把模型参数分成四组,就不会乱调了
一份关于开发环境准备与模型参数配置的课程文稿整理。前半段是实操:申请国内可访问的模型 API、用 OpenAI 兼容的 base URL 接进框架、以及为企业内部 API 写一个自定义模型类(结论是这件事交给 AI 写更快)。后半段才是重点——把一大把模型参数按作用分成四组:模型效果(temperature、top_p、思考深度)、稳定性(超时、重试、max tokens)、功能性(stop、流式、调试开关),并逐组说明默认值、反模式和一个硬结论:top_p 配成 1 时,temperature 调什么都没用。
2026-11-10从提示词工程到人设工程:Agent 的 RGB 三件套
一份关于如何定义 Agent 的课程文稿整理。作者把写 Agent 比作招聘:先看 JD,再看候选人。Agent 的定义由三个字段决定——Role、Goal、Backstory,恰好缩写是 RGB。文中逐条拆开:Role 的两重价值(激活领域知识、支撑任务委托)、Goal 必须是决策偏好而不是任务目标(否则和 Task 冲突)、Backstory 的四层补充(人设、知识、方法、行为边界)。末尾给出三条反模式,以及一个很实用的技巧——加一个只想保存中间产物的工具,逼模型把一步分析拆成多轮思考。
2026-11-10从铺铁轨到定向越野:Task 要怎么拆才是 Agent 的思路
一份关于如何定义 Task 的课程文稿整理,接上一篇的 RGB 三件套。作者先指出一个常见误区:用「第一步干嘛、第二步干嘛」去拆任务,那是工作流的思路,在不确定场景里会失效。Agent 的拆法是定里程碑——本质上就是「交付物 + 交付标准」,很像 OKR 里的关键结果。中段给出最实用的一条纪律:里程碑的产出必须是结构化的,否则下游接不住。文中用小红书文案案例做了前后对比,同一份提示词、同一个 Agent,只是把输出从自由文本换成数据结构,可读性与可校验性立刻不同。末尾是三条反模式,其中一条是「提示词写在数据结构的描述里效果更好」。
2026-11-10Process 的本质是任务调度:为什么八九成情况顺序执行就够
一份关于如何定义 Process 的课程文稿整理,收束「定人、定事、定流程」三件套。作者先给一个反直觉的定义:Process 本质不是流程图,是任务的调度方式。框架原生支持两种——顺序调度(预先分配)和层级调度(中间有个经理动态分配、校验、重派)。而生产环境里绝大多数场景用顺序执行就够了,因为它确定、零额外开销,代价是它把成败押在单个 Agent 身上。后半段讲信息传递:隐式传递省事但不可控,显式指定 context 才能让你清楚每个任务依赖什么,而这也是控制上下文膨胀的主要手段。
2026-11-10给 Agent 装上眼睛:图片其实是串 base64,而多模态模型不太聪明
一份关于多模态模型接入的课程文稿整理,补齐小红书案例里看图这一环。作者先讲清原理:图片、声音、视频最后都变成向量喂给模型,所以图片本质上是一串 base64。然后用一个真实场景说明为什么必须给图——只靠文字描述一个杯子,模型会幻觉出它自己理解的杯子。中段是工程实现:框架原生只支持公网图片 URL,企业内网图必须自己写工具转 base64;而消息结构要重构成多模态格式才能被模型识别。最有价值的是那个反直觉的取舍:多模态模型连 ReAct 都做不好,所以要用双模型分工。
2026-11-10第一次实战:把 Agent、Task、Process 装成能上线的服务
一份小红书爆款笔记生成项目的实战文稿整理,也是这个系列第一个模块的收口。前七讲各自拆过一个零件,这一讲把它们装成整机。作者先给出完整架构:两个并发批处理(逐图视觉分析、逐图编辑方案)加一条串行主线(策略、初稿、SEO)。然后进入工程层:为什么不再是脚本而是 Web 服务、为什么单测要和代码同源、为什么 Agent 实例不能用单例。文中还有一处坦白的框架缺陷——批处理节点后面必须跟一个同步节点,否则跑不起来。
2026-11-10AI 工具不是 API:三个设计差别和一条铁律
一份关于工具设计哲学的课程文稿整理,开启这个系列的第二个模块。前半段比较两种工具调用范式:原生函数调用与 ReAct 循环,从性能、准确性、可解释性、适用场景四个维度对比,并指出框架正在往函数调用迁移。后半段是正题——AI 工具和传统 API 的三处根本差别:原子性该让位于语义完整性、输入输出的每个字段都在烧 token、错误信息要给模型看而不是给代码看。末尾是整讲最重的一条:权限传递绝对不能通过模型,必须系统对系统。
2026-11-10把 API 改造成 AI 工具的五步 SOP
一份关于自定义工具封装的课程文稿整理。上一讲讲了 AI 工具和传统 API 的三处设计差别,这一讲把它落成可执行流程:语义重构(聚合碎片化接口、拆解超级接口)、IO 瘦身(降噪 + 增信)、错误转译(错误码变成原因加建议)、工具描述(动词加名词、触发时机写清楚)、参数描述(边界、赋值场景、示例)。全文用百度搜索这个真实案例走了一遍,它原本的接口要跨三层结构才拿到站点列表,改造后只剩四个参数。
2026-11-10MCP 是协议不是软件:一次写工具,谁都能接
一份关于 MCP 协议的课程文稿整理。作者先纠正一个常见误解:MCP 不是开源项目,是一套接口协议,把 AI 应用和工具分成 Client 与 Server 两端。它解决的是「每换一个框架就重写一遍封装」的插线板问题。中段讲生态现状——找 MCP 的四个去处,以及为什么开发者工具占了绝大多数。后半段是两个工程实作:用框架起一个邮件 MCP Server,再用客户端接上去。其中两条安全实践分量最重:密钥绝不能让模型管,工具白名单防的是「用熟了之后再加塞」。
2026-11-10给 Agent 三个超能力,然后把它关进沙盒
一份关于代码解释器与无头浏览器的课程文稿整理。作者先定义了他认为决定 Agent 上限的三样东西:文件操作、代码解释器、无头浏览器,并给出理由——这三样恰好覆盖了人在电脑上能做的全部事情:看、记、算。但紧接着是警告:这三样裸跑在宿主机上是灾难。于是引出容器隔离,以及一个把浏览器、代码、文件合在一起的沙盒镜像。后半段用一个股票早报助手跑通全链路,其中有一段很长的翻车现场——MCP 工具要求数字参数,模型反复传字符串,最后改用脚本注入才绕过去。
2026-11-10Skill 不是工具,是一本操作手册
一份关于 Skills 生态的课程文稿整理。作者先划清 Skill 与 MCP 的分界:MCP 给你一堆工具让你自己决策,Skill 给的是操作手册——不只有工具,还写着什么时机用、具体怎么用。核心机制是渐进式披露:启动时只加载每个 skill 的头部(名字加描述),一百个也就两千多 token,等真正需要时才用 read 工具把全文读进来。后半段是一次很硬的改造:框架尚不支持 skill,作者自己写了 loader,并把它接到沙盒与子 crew 上,做到任务型 skill 的上下文隔离。
2026-11-10模型没有记忆,只有你拼给它的那份上下文
一份关于记忆与上下文设计范式的课程文稿整理。作者先摆出一个现场:上一课做出的个人助手功能齐全,但一用就露馅——不记得你是谁、说过的话要反复提、教过的流程第二遍就忘。根因是模型本身是静态的,它所谓「记住」全靠你塞进 message list 的那份东西。文章随后梳理三代范式:提示词工程(怎么说)、上下文工程(怎么管爆炸的工具结果)、以及现在的 harness 工程(怎么设计整个可探索环境)。最后落到核心技法:做减法,因为上下文一旦超过某个比例,性能会显著下降。
2026-11-10Agent 的上下文不是构造出来的,是长出来的
一份关于上下文生命周期管理的课程文稿整理。核心差别在于:工作流里每一步的 message list 由程序显式拼装,而 Agent 的上下文随 ReAct 一圈圈往上长,你无法在中途插一条指令——只能在六个特定节点挂钩子。文章先讲清这六个节点,再落到两种启动路径(新会话注入记忆文件、老会话整体恢复)、两种减法(剪掉十轮以前的工具结果、按阈值做无损压缩),最后用一个带记忆的助手把整套接起来。反模式里那个「用户只回了一个 yes」的例子,是全文最锋利的一处。
2026-11-10让 Agent 自己写记忆,再自己打扫
一份关于文件系统记忆的课程文稿整理。上一篇解决的是「怎么把记忆加载进来」,这一篇解决「怎么让 Agent 自己写进去」。写入被设计成一个 skill:先过四道准入(三个月后还有用吗、有直接证据吗、跟现有记忆重复吗、是稳定属性吗),再按目录分类路由,写前检查行数,能更新就不追加。技能沉淀则交给另一个 skill,走「提炼实例 → 规范写入 → 注册验证」三步。后半段是减法:记忆会熵增、会腐化、会被污染,所以还要第三个 skill 做垃圾回收,它带一份八项检查清单。
2026-11-10RAG 不等于向量库,Claude Code 只用 grep 就够了
一份关于搜索驱动记忆系统的课程文稿整理。作者先纠正一个流行误解:RAG 的本义是「检索增强生成」,检索不等于向量。他拆出四种检索方式——全库扫描、字段加关键字、向量、知识图谱——并解释为什么编码助手敢只用最笨的那种:因为代码里的类名接口名都能精确匹配,量又小,不建库反而少了一个失败源。中段用通俗语言讲清 embedding 是什么,以及向量检索难用好的真实原因:一段话说了八件事,你拿一件去比,相似度自然不高。方案是混合检索(向量加全文分数加权),以及一个判断:多数团队其实还用不上知识图谱。
2026-11-10多智能体收敛成了一个答案:任务驱动 Agent
一份关于编排者范式的课程文稿整理。作者先把单 Agent 的三重瓶颈摆清楚:效果上注意力有上限、性能上串行随规模线性增长、成本上上下文长期满载。然后梳理多智能体的演化史——从「多个提示词就是多智能体」到僵化的顺序工作流,再到去中心化投票那一批「难以收敛」的尝试。最终收敛到编排者范式,而它的关键转向是:不再用 Agent 驱动任务,而是先写子任务,再按任务去定制一个子 Agent。文章后半段用一次全栈开发跑通:主 Agent 只给三个工具(串行起子 agent、并行起子 agent、读文件),自己不写一行代码。
2026-11-10养了七八只 Agent 之后,人成了瓶颈
一份关于数字团队的认知升级。上一篇的编排者范式解决的是「怎么把一件事做完」,而数字团队要解决的是「怎么让一群 Agent 长期共存」。区别在于 Sub Agent 用完即灭、只是工具;数字员工有自己的身份、记忆、技能,能跨任务持续成长。作者给了两个不那么技术的理由:一是通用助手越养越模糊、技能散、记忆混乱,所以必须按职位拆开养;二是他自己养了七八只之后反而睡不着——每只都在等确认,人成了串行瓶颈。解法是从「人在环内」变成「人当甲方」。
2026-11-10要不要拆成一个新角色:三个维度一问就知道
一份关于数字团队角色体系的课程文稿整理。上一篇说数字团队要分工,这一篇给的是怎么分。先讲通才为什么会崩——上下文要爆、记忆互相污染、决策偏好精神分裂。然后给出两个可复用的判断工具:三维隔离法(记忆数据、技能体系、决策偏好,三项里只要有一项差异足够大就该拆开),以及四层框架(职责、偏好、记忆、技能)。职责层的写法里有个关键要求:除了写该做什么,还必须写一份 Never 清单。文章后半段还有一条容易被忽略的经验——从这节课开始,改代码的工作量在减少,主要工作变成了维护 workspace。
2026-11-10人只需要出现三次:需求、检查点、救场
一份关于人类介入点设计的课程文稿整理。上一篇说人要从流程中间退到甲方位置,这一篇回答退到哪里。作者把人类必须出场的时刻收成三个:需求澄清(目标、边界、约束、风险,四件事要问清楚并签字确认)、SOP 上的检查点(只设在高风险节点)、异常兜底(重试失败、超限、质量不收敛)。工程上有一条很干净的约束:人只跟经理对话,人类邮箱只有经理能读写。反模式里有一条值得单独记住——Agent 会为了让你通过验收而写你想看的东西,所以审批必须去看原始产物而不是它的汇报。
2026-11-10让 Agent 自己复盘:三份日志和一条以终为始的漏斗
一份关于数字员工自我进化的课程文稿整理。作者把进化闭环拆成五步:日志、复盘、提案、落地、验证。前提是三层日志——人类交互层价值最高且永久保留,任务层带质量打分存九十天,最底层的 ReAct 记录只留三十天用于定位。复盘的漏斗是「先捞最差的任务,再下钻到具体步骤,用人类反馈交叉验证,最后归因」。而归因有个关键约束:必须落到 workspace 里那几份配置文件的某一段,否则「模型当时抽了一下」这类结论没有实际用处。后半段讲三档审批——记忆改动可自动落地,技能和分工要人批,涉及框架代码和自我认知的一律从严。
2026-11-10先看得见,才管得住:给 Agent 装一套追踪
一份关于可观测性的课程文稿整理。作者先摆出两个真实事故:一次循环跑了两百多个小时、烧掉七万多美元;另一次 Agent 声称功能写好了、测试也全过,其实压根没实现。共同点是没人看得见它在干什么。于是有了这一篇的两个重点:一是 Hook 骨架——七个节点(回合前后、调模型前后、调工具前后、任务结束、会话结束),两层配置(全局与单 agent 专属);二是把 trace 传到开源平台,用树状调用链看清每一步。反模式里「别用传统阈值告警」这条尤其值得记:成功率正常,幻觉也可能在上升。
2026-11-10护栏要能拔插头,不能只报警
一份关于 Agent 可靠性的课程文稿整理。上一篇解决了「看得见」,这一篇要解决「管得住」——因为看到账单已经来不及了。三个通用痛点对应三个策略:长任务单步失败要重试,但重试只能给瞬态错误(限流、5xx),400 和权限问题重试再多次也没用;循环要有两道检测,一道是总迭代上限,一道是把「工具名 + 输出」做哈希,连续相同就说明它换着参数撞同一堵墙;成本要在每一轮模型返回后就实时算,超预算直接终止。反模式里有两条硬判断:成本控制绝不能写在提示词里,限流也绝不能按请求数算。
2026-11-10