本章小结

从这章开始，讨论的焦点不再是“如何向 Chatbot 提问”，而是“如何构建一个能自主干活的数字员工”。这就是 Agent Engineering (智能体工程)。

核心知识点回顾

Agent 的解剖学

• Brain (LLM): 核心决策中枢。Claude 4.5 Sonnet 是目前的版本答案。

• Planning (ReAct/Plan-Solve): 决定是“走一步看一步”还是“谋定而后动”。

• Memory (RAG/VectorDB): 突破 200k Token 限制，让 Agent 拥有长期记忆。

• Action (MCP): 连接现实世界的四肢。

思考的进化

• System 1 (LLM): 快速直觉反应。

• System 2 (Running Code/Extended Thinking): 慢速逻辑验证。

• 未来的 Agent 一定是混合这两种系统：用 System 1 快速提案，用 System 2 严格审查。

集体智慧

• Multi-Agent Systems: 术业有专攻。与其用一个超级 Prompt 做所有事，不如用三个简单的 Prompt 分别做一个 Researcher, Coder, Reviewer。

• Orchestration: 无论是层级式（Leader-Follower）还是接力棒式（Handoff），关键在于清晰的状态共享和边界定义。

开发者自检清单

• 模式选择：我面对的任务是探索性的（用 ReAct）还是路径清晰的（用 Plan-and-Solve）？

• 记忆设计：我的 Agent 真的需要记住三天前的事情吗？如果需要，我是否配置了向量数据库？

• 防死循环：我是否设置了最大迭代次数 (e.g. max_loops=15)？

• 成本监控：在开启 Extended Thinking 或 Multi-Agent 时，我是否计算过单次任务的 Token 成本？

下一站：落地

Agent 架构听起来很酷，但它在真实世界中能用来干什么？是帮我订外卖，还是帮也是写财报？ 下一章，我们将剖析几个真实的企业级应用案例，看看先驱者们是如何把这些概念变成生产力的。

➡️ 企业级应用案例