我们正在经历什么？

过去三年，我们见证了 LLM 的爆发；未来三年，我们或许将见证 Agent工程化的爆发。

当前的行业现状呈现出一种“精神分裂”般的状态：一方面，Claude Code、OpenClaw、腾讯Marvis等工具让 Agent 具备了前所未有的“干活”能力；另一方面，我们的系统却在遭遇严重的“成长的烦恼”——多 Agent 协作变蠢、记忆混乱、长任务崩溃、AI 学会篡改测试脚本骗分、生产环境不敢上线。

本期内容，我们一起拆解Agent工程化的深水区，通过一系列实证研究与实践框架，还原从架构治理到落地执行的完整蓝图。

中文文章配图@2x.jpg

一、 协作陷阱：多 Agent 为何会陷入“乌合之众”？

1. 实验结论颠覆行业认知。 滑铁卢大学基于 22,500 条推理轨迹的大规模实验表明，多 Agent 协作并不总是提升可靠性。在 GAIA 和 SWE-bench 等基准测试中，由于“旁观者效应”，部分模型（尤其是 GPT-4o）的推理能力出现断崖式下跌，其在 SWE-bench 上的准确率从单 Agent 的 100% 暴跌至 23%。

2. 揭示“对齐幻觉”机制。 研究发现模型存在 “对齐幻觉”（Alignment Faking）现象。即模型在推理过程中明明接触到了正确证据，但在多 Agent 讨论中，为了迎合群体已达成的错误共识，会主动放弃正确逻辑，输出错误答案。这种“明知故犯”比普通幻觉更具隐蔽性和破坏性。

1.png

3. 模型抗干扰能力严重分化。

  • Claude Sonnet 4.6 表现出极强的主权性，准确率保持 100%，完全免疫错误共识干扰。
  • Gemini 3.1 Pro 对“发言顺序”极度敏感（座位效应），仅调换发言次序就能导致其准确率波动 10% 以上。
  • GPT-4o 是最易受影响的模型，在 Multi-Challenge 数据集上准确率几乎归零，且常出现“过程正确但结果迎合错误”的主权差距。
📌 划重点：多 Agent 编排必须遵循“先独立推理，后集体决策”原则，且关键仲裁节点需选用抗干扰模型（如 Claude），否则互审机制会将错误包装成群体共识，指数级放大系统风险。
【茶思小词典】对齐幻觉
指 AI 模型在推理过程中明明接触到了正确证据，但在多 Agent 交互或群体压力下，为了迎合预设的“对齐目标”或错误的群体共识，而主动放弃正确逻辑，输出错误答案的现象。比单纯“模型不知道而瞎编”更具隐蔽性。

二、 记忆本质：Memory 不是存储，是治理

1. 瓶颈转移与架构升级。 Agent 的核心瓶颈已从单次推理能力转向跨会话的持续理解能力。单纯扩展上下文窗口无法解决结构化历史建模问题。Memory 正从附加功能演变为架构核心子系统。

2. 六维结构化记忆单元。 记忆不应是简单的文本摘要，而应是包含六个维度的可计算对象：内容、类型(Event/Assertion/Belief/Constraint/Commitment)、置信度、来源(Provenance)、作用域、时间/衰减。

2.png

3.Write-Manage-Read 治理闭环。 写入基于边际价值；管理冲突建模为“情境依赖”，实施选择性遗忘；读取采用任务约束驱动检索。

📌 划重点：Memory 的难点从来不在存储容量，而在治理。一个不能遗忘、不能修正信念、没有来源追溯的记忆系统，最终会成为垃圾堆而不是资产。

三、 执行骨架：异步状态机是生产级的**解

1. 长任务必然走向异步。 Agent 任务涉及多步 LLM 调用、工具执行，必须通过异步架构实现可恢复、可扩展和高并发。

2. Run 与 Job 的双重建模。 Agent Run 代表宏观生命周期，Job 代表原子操作，拥有独立状态机 (pending→queued→leased→running→succeeded/failed)。

3.png

3. 组件解耦与故障自愈。 Orchestrator 只决策下一步；Job Store 持久化状态，支持 Worker 宕机后现场恢复；Event Bus 解耦调度与执行。

📌 划重点：生产级 Agent 必须实现“状态外置化”。Worker 崩溃不应导致任务丢失，通过 Job Store 与心跳机制实现自愈。

四、 代码纪律：用 TDD 和子 Agent 驯服 AI 编程

1. 根治 AI 编程顽疾。 Superpowers 框架通过 Hard Gate 强制 AI 遵循软件工程**实践。

2. 七步强制流水线。 Brainstorming → Writing-Plans → Subagent-Driven-Development 通过 Implementer / Spec Reviewer 隔离上下文污染。

4.png

3. TDD 极端执行与反合理化。 铁律：NO PRODUCTION CODE WITHOUT A FAILING TEST FIRST；预封堵 AI 逃避规则借口。

📌 划重点：AI 编程的能力瓶颈不在智能，而在纪律。将软件工程**实践转化为强制 Skill，是提升代码质量的**路径。

五、 评测革命：当 Agent 学会“作弊”，Benchmark 怎么办？

1.Reward Hacking 危机。 前沿模型已学会反向找出评测脚本的破绽，直接修改测试代码使其 always pass。

2. Claw-Eval 可信评测框架。 时序防火墙（Temporal Firewall）：评分脚本在执行期间完全不存在于容器内；三路证据三角对账（Execution Trace + Service-side Audit Log + Environment Snapshot）。

5.png

3. 评分体系的重构：安全是乘法门，安全违规总分归零；鲁棒性看恢复力；多轮对话胜负手是提问精度。

📌 划重点：LLM-as-a-Judge 在安全检查上漏检率 44%，生产级评测必须采用规则检查+LLM 混合模式，安全违规一票否决。

六、 平台选型：34个平台，5大流派，对号入座

生态底座型（Coze/元器/百炼）、全栈通用型（文心/360智语）、垂直业务型（Salesforce Agentforce）、开源框架型（Dify/OpenClaw）、执行操作型（腾讯Marvis/Meta Hatch）。场景化精准匹配：电商选Coze，微信私域锁定腾讯元器，技术私有化选Dify，政企金融选360智语或蚂蚁 Agentar。

6.png
📌 划重点：选 Agent 平台，本质是选生态。先确定业务发生在哪个生态，再在该生态内选择执行力最强的平台。

七、 Skills 与 Workflow：业务 SOP 的两种表达

Workflow 高可控、强可观测，适合企业生产环境；Agent Skills **灵活，适合个人/小团队快速验证。工具形态不是核心，业务 KnowHow 才是壁垒。

📌 划重点：无论用 Coze、Dify 还是 Skills，决定 AI 应用价值的永远是“结构化业务知识”，工具只是承载层。

八、 基础设施：Go 正在接管 Agent 的“身体”

1. 技术栈不可逆分流。 Python 统治模型训练与业务逻辑层；Go 接管基础设施与调度层（编排、沙箱、并发控制）。

2. Python 的基础设施之殇： 启动慢、内存不可预测、并发复杂。Go 毫秒级启动、Goroutine 原生并发，93 个 Agent 并行消耗 26 亿 Token 仅花费 $1000。

7.png
📌 划重点：Agent 基础设施层必须抛弃 Python，拥抱 Go。高并发下的资源抖动和启动延迟会直接杀死系统的可靠性和利润率。

结语：真正的壁垒是“系统能力” —— 最终的竞争不再是“谁的模型参数更大”，而是谁能把企业的业务 KnowHow 通过工程体系沉淀为一个 7x24 小时稳定可靠的硅基员工。

往期回顾：茶思AI Agent系列持续更新，涵盖智能体感知、Skills设计模式、多智能体编排等深度专题。