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。
本文整理自课程文稿《05|工程全景图:构建企业级多智能体系统的「施工蓝图」》。文稿末尾自注「内容由 AI 生成」,属整理稿而非逐字记录。
文中提到的框架名称与版本沿用文稿原述,未做外部核验。
第一章讲完了认知:四种范式、Agent 内部结构、多智能体协作、选型工具。
第二章换了个目标:从零搭一套能上生产的多智能体系统。
而这一篇是第二章的先导——在动手之前,先说清楚两件事:差的是什么,以及怎么学。
Demo 和拉力赛
他先描述了一个很多人都处过的状态。
Agent 已经在测试环境里跑通了,甚至跑了很久,但一直不敢用到线上业务。
那个阶段搭出来的东西,他给了一个很准的说法:**一个非常精美的玩具。**什么都有,但它毕竟是摆在桌子上的。
而真正上生产,你要干的是另一件事——不是让车跑起来,是跑一趟拉力赛。
会遇到极端路况、极端天气,智能体可能已经跑得冒烟。而你要面对的是混沌里的各种问题:幻觉、死循环、token 超支、API 失败,还有各种诡异到没法调试追踪的问题。
这中间差的,就是工程鸿沟。
图表加载后显示;未启用 JavaScript 时可阅读下方流程源码。
flowchart LR
A["Demo / POC<br/>精美玩具,摆在桌上"] -->|"工程鸿沟"| B["生产系统<br/>拉力赛,跑在混沌里"]
B --> C["幻觉 · 死循环<br/>token 超支 · API 失败<br/>问题无法追踪"]上图是这条沟的位置。注意右侧:这些不是能力问题,是工程问题。
填沟的还是最佳实践,但它有两层
他的答案回到第一章那个核心词:设计模式,也就是最佳实践。
但这次他把它拆成了两层,我觉得这是全篇最实用的一处区分。
| 层 | 管什么 | 例子 |
|---|---|---|
| 宏观 | 架构选型与组织方式 | 多智能体还是单智能体;混合怎么混;以谁为主导框架;中心调度还是路由;评估优化循环 |
| 微观 | 具体方法甚至参数 | 错误处理怎么写;迭代次数怎么控;每次调用的 token 怎么控;提示词结构 |
他强调了一个很扎人的观察:
线上挂了,有时候就是某一个参数没调,或者设错了。
而微观这一层的坑有个特点:它只在你真正动手时才浮出来。
他举了一个很具体的例子。你写一个 skill,它本身也是代码。那它的错误处理怎么做?
还能像传统接口那样,出错就抛一个内部错误就完事吗?
「那可能就不大合适了,它的最佳实践会不一样。」
这句话背后是一个不小的转变:工具不再是「被调用后返回结果」的黑盒,它返回的内容会变成模型的输入。 所以错误信息写给谁看,性质变了。
五步深挖法
讲完差什么,他讲怎么学。
他先否掉了两种他不想要的方式。
第一种:扒着代码讲 API。「这个东西有哪些参数,分别是什么」——他说这非常无聊。
而且他给了一个判断:写代码这件事迟早要被工具替代,真正怎么写已经没那么重要,重要的是如何设计好它。 但你仍然需要知道它是什么,这样你才能 review AI 写的代码。
**第二种:只讲概念。**他提到一个具体的量级:这类框架的官方文档里提出的实体概念,数量在几十个。而第一章讲了很多概念,他认为有用,但「在实际实践过程中,好像暂时还没那么能用得上」——需要结合实践经验去消化。
所以他给了五步。
图表加载后显示;未启用 JavaScript 时可阅读下方流程源码。
flowchart TB
S1["一 · 它是什么"] --> S2["二 · 为什么需要它<br/>价值到底在哪"]
S2 --> S3["三 · 先用起来<br/>最快跑通看效果"]
S3 --> S4["四 · 底层怎么实现<br/>看日志 · 不用框架手搓"]
S4 --> S5["五 · 最佳实践<br/>参数怎么配"]上图是这五步。他特别解释了为什么第三步之后还要有第四步。
为什么必须看第四步
他给的理由很实在:
开源框架在实践中的真正落地,还是有鸿沟的。
他甚至直接说某个主流框架「bug 并不少」。拿它搭出来的东西,有时候的确只是个 Demo。
所以他的做法是:借鉴框架的概念设计和方法,而不是把它直接搬进生产。 而要做到这一点,前提是你知道它底层怎么实现的。
具体到课上,他的做法是三重:
- 教你在框架里怎么写。
- 教它底层原理、日志长什么样。
- 教你怎么不用框架写出来——就像第一章带着手搓一个 Agent 那样。
只有清楚底层,你才可能搭出稳定的线上系统。
第二层的最优解不是唯一的
讲到这里他补了一句很克制的说明,我觉得值得留着。
他说自己不敢保证讲的就是「最佳实践」——那只是在他的认知范围内、结合业内实践和自己的实践得出的结论。这个东西需要不断完善,也需要和大家一起讨论。
这不是客套。因为后面所有的方法论都建立在这个前提上:最佳实践是会变的。
施工蓝图:五个关卡
讲完方法,他给了整篇的路线图。
| 关 | 名称 | 目标 |
|---|---|---|
| 准备 | 先导 | 思想上准备好;把开发环境跑起来 |
| 一 | MVP | 没有复杂工具,但是一个真能上线的系统 |
| 二 | 手眼通天 | 工具:自定义、缓存、最佳实践 |
| 三 | 大脑升级 | 上下文工程:记忆、向量库、知识工程 |
| 四 | 组织进化 | 从面向过程到面向组织;多智能体协作模式 |
| 五 | 稳定性 | 护栏、钩子、可观测性 |
有意思的是第一关的定义。他说 MVP 不是一个敷衍的 demo,而是「一个实际可落地的东西」——只是没用复杂工具而已。
图表加载后显示;未启用 JavaScript 时可阅读下方流程源码。
flowchart LR
L0["准备<br/>环境 + 心态"] --> L1["一 · MVP<br/>能上线的最小系统"]
L1 --> L2["二 · 工具<br/>自定义 + 缓存"]
L2 --> L3["三 · 上下文<br/>记忆 + 知识"]
L3 --> L4["四 · 组织<br/>协作模式"]
L4 --> L5["五 · 稳定性<br/>护栏 + 可观测"]上图是这条路线。它和四关实战演练一一对应:MVP 关、工具关、context 关、协作关、稳定关。
一个值得注意的取舍
在讲第三关时,他说了一句很能代表他立场的话。
关于「让 Agent 更聪明」,他说:
我的理念一向是不太依赖模型的。生产中可能碰到各种各样的模型。
所以第三关的重点不是换更强的模型,而是用工程方法让模型去做更简单、更确定的工作。
这和他前面「不用太依赖模型能力,也许是我们工程没做好」是同一个立场。在模型给定时,工程还有很大一块空间。
我的三点补充
以下是评注,不是原片内容;取舍由我负责。
第一,把最佳实践分成宏观和微观两层,解释了一个很常见的错配。 大部分课程和文章讲宏观——选什么架构、用什么模式。但线上真正挂掉的时候,往往是微观的问题:一个迭代次数没设、一个错误处理写错了、一个 token 上限没控。宏观决定你能不能跑到那条路上,微观决定你会不会在路上熄火。 而后者只能靠动手撞出来。
第二,那个「错误处理不能只抛内部错误」的例子,点出了一个容易被忽视的转变。 传统工程里,错误信息是写给开发者看的,进日志就行。而在 agent 系统里,工具的返回值会进模型上下文——所以错误信息的读者变成了模型。写得含糊,模型就得瞎猜;写得清楚,它可能自己就能绕过。这是一次读者对象的转移,很多人在写工具时还没意识到。
第三,「五步深挖法」里第一步是「它是什么」,最后一步才是「最佳实践」。 顺序看起来理所当然,但实际学习时大多数人是从第一步直接跳到第五步的——知道概念,就去找参数怎么配。而中间那两步(先跑起来看效果、再看底层实现)恰恰是唯一能把概念变成手感的地方。跳过第四步的代价,就是只会用框架,不会判断框架什么时候该被绕过。
一句话总结:**能跑起来和能上线之间,隔着的不是能力,是那几十个没设对的参数。**而填这条沟的办法,只有动手和看底层两件事。