智能体框架的演进:从链到图再到代码

清风徐来行业资讯📡 BestBlogs·全站精选⭐ 902026-10-26687 阅读💛 256 收藏
智能体框架的演进:从链到图再到代码

📌 One-Sentence Summary

本文追溯了智能体 AI 框架历经链、图、代码三种范式的演进,展示了每种范式如何应对将概率性 LLM 输出转化为可靠、生产级系统的核心挑战,并为在给定可靠性、延迟和成本权衡下选择合适的抽象提供了指导。

📝 Summary

文章描述了 LinkedIn 及更广泛行业中智能体 AI 框架的三阶段演进。链代表了基于提示词的线性工作流的初始时代,构建快速但脆弱——单个上游故障会级联影响整个流程。图通过节点和边引入显式结构,支持条件分支、并行、重试和状态管理,从而催生了多智能体架构,并出现了 A2A 等用于智能体间通信的协议。代码框架将执行视为一等原语,在沙箱环境中生成和优化代码,以实现确定性、可验证的输出,并形成紧密的反馈循环。文章强调了所有范式下的基本原则:将 LLM 输出视为不可信输入、将规划与执行解耦、投资于可观测性,以及为持续改进而构建。文章最后指出,开发者的角色正从「提示词设计师」转变为「系统架构师」,而纪律严明的抽象选择——使用满足可靠性、速度和成本要求的最简系统——是成功的关键。

💡 Main Points

智能体框架已历经链、图、代码三种范式的演进,每种范式都致力于解决一个根本挑战:让概率性的 LLM 输出足够可靠,以用于生产环境。

链是线性的、构建快速的工作流,将 LLM 视为黑盒函数,但单个上游故障会级联影响整个流程。图引入了显式的节点和边,用于条件分支、重试和状态管理,从而支持多智能体编排。代码框架在沙箱环境中生成、执行和优化代码,通过紧密的通过/失败反馈循环提供确定性、可验证的输出。每种范式都代表了对如何将非确定性智能约束为可靠软件这一问题的更深理解。

基于图的框架催生了带有顶层编排器的多智能体系统,这需要一等公民的智能体间通信协议。

随着工作流复杂度的增长,单一单体智能体变得难以为继。图系统引入了 A2A 和 ACP 等协议,用于异步的智能体间通信,使智能体能够处理被分解为消息序列的长期任务,并保证 FIFO 交付。这促成了 LinkedIn 的招聘助手,其中顶层编排器将候选人寻找和申请人审核等任务委托给专业智能体,并在关键决策点提供人工介入支持。

基于代码的框架通过将执行视为具有确定性、可验证输出的一等原语,消除了工作流定义系统的脆弱性。

代码框架不是要求开发者定义复杂的工作流,而是允许智能体通过生成具有可验证输出的代码来「找到」解决方案。该架构依赖于四个核心组件:执行沙箱、插桩与日志记录、带有单元测试和断言的验证框架,以及迭代优化循环。在 LinkedIn,这种方法将自然语言查询转换为 SQL 和 Python,针对样本数据执行,根据隐私和治理约束验证输出,并迭代直到满足正确性标准——从而产生一个比定制提示词工程工作流更可审计、更可复现的系统。

在所有范式中,基本原则——将 LLM 输出视为不可信输入、将规划与执行解耦、投资于可观测性——对于工程可靠性至关重要。

LLM 输出是概率性的,在影响下游逻辑之前必须经过严格验证。将模型的规划与受控的软件执行分离,可以提高透明度和控制力。稳健的可观测性必须捕获每一步的状态、执行轨迹和验证结果。无论系统使用链、图还是代码框架,这些原则都适用,它们构成了从「尽力而为」心态到工程化可靠性的桥梁。

选择合适的抽象——使用满足可靠性、速度和成本要求的最简系统——是稳健智能体架构的基本原则。

对于摘要或内容审核等狭窄的线性任务,链已足够,并提供最低的延迟和计算成本。当工作流需要条件分支、重试或显式状态转换时,图变得合适。代码框架最适合精度、验证和可恢复性至关重要的领域,例如软件工程智能体或金融分析。用复杂抽象进行过度工程化,会增加计算支出、延迟和运营复杂性,其速度超过了对业务成果的改善。强大的工程组织通过优化每美元的能力来取胜,而不是通过最大化架构复杂性。

💬 Key Quotes

「我们正在见证从提示词设计师到系统架构师的职业转变。」

「强大的工程组织不是通过最大化架构复杂性来取胜;他们通过优化每美元的能力来取胜。」

「这里的挑战和机遇在于,将这些系统视为不是神奇的黑盒,而是需要与任何其他关键基础设施同样严谨、设计和工程卓越性的软件系统。」

「使用能可靠解决问题的最简系统。」

「现代智能体框架要求更高;它们被设计为尽可能追求确定性,仅在必要时使用受控的非确定性,并具有清晰的故障模式和定义的恢复路径。」

📊 Article Meta

AI Screening: 90

Featured: Yes

Source: InfoQ

Author: Karthik Ramgopal

Category: 人工智能

Language: 英文

Read Time: 10 min

Word Count: 2488

Tags:

AI 与智能应用 , 系统设计 , 可观测性 , AI Agent , 大语言模型 (LLM)

#AI 与智能应用# 系统设计# 可观测性# AI Agent# 大语言模型 (LLM)

文章评论(12)

蓝问津20 天前

这篇文章分析得很透彻,收藏了!

回复
星寻梦20 天前

作者写得真不错,学到了不少。

回复
逐光而行20 天前

收藏了,以后慢慢研究。

回复
龙文博20 天前

这个比较实用,已转发给同事。

回复
蓝归舟20 天前

支持作者,持续关注中。

回复
林拾贝20 天前

写得挺用心的,支持一下。

回复
星寻梦20 天前

思路清晰,干货满满。

回复
林拾贝20 天前

楼主辛苦了,内容很有参考价值。

回复
云逐月20 天前

不错不错,已加入书签。

回复
松听风20 天前

内容翔实,正好需要,先收藏再看。

回复
雪知秋20 天前

整理得太全面了,省了我不少时间。

回复
武磊20 天前

作者写得真不错,学到了不少。

回复