核心概念

AI Agent 是指能夠自主決策、執行多步驟任務、並根據結果調整行為的 AI 系統。與傳統 LLM 問答不同，Agent 擁有目標導向的規劃能力、持久記憶，以及對外部工具的調用權。Anthropic 將 Agentic 系統定義為具備以下四個特徵：獨立決策、目標導向規劃、從互動中持續學習、以及跨整合系統的複雜推理。

四層基礎架構

現代 AI Agent 系統通常由四個核心層組成：

層級 職責
Model 層 底層語言模型，提供推理與語言理解能力
Memory 層 儲存短期（對話上下文）與長期（語義記憶）資訊
Tools 層 可調用的外部能力（搜尋、API、程式執行）
Orchestrator 層 協調多個 Agent、執行策略、強制執行政策

這四層的完整組合，將孤立的 LLM 呼叫轉變為可擴展、可問責的作業系統。其中 Memory 層尤為關鍵：短期記憶（對話窗口）負責任務內的連貫性，長期記憶（向量資料庫）讓 Agent 在跨任務間保持學習積累。

三種架構類型

1. 單體 Agent（Monolithic Single Agent） 一個 LLM 配備多種工具，簡單直接。然而存在「工具爆炸」問題——每個 Agent 超過 10-20 個工具後，性能與可靠性明顯下降，工具選擇容易出錯。適合快速原型驗證，不適合生產環境長期運行。

2. 多 Agent 工作流（Agentic Workflows） 多個專門化 Agent 組成有向圖，每個節點負責特定子任務（研究、程式執行、品質評估等）。支援並行處理與成本優化，是目前企業生產環境的主流模式。代表性框架：LangGraph、AutoGen、CrewAI。

3. LLM Skills（技能注入） 將可重用的模組化能力動態注入核心 LLM。Anthropic 的 Agent Skills 是代表案例——打包知識與可選腳本，減少工具重疊、降低認知負擔，同時保持組合性。適合需要持續注入領域專業的場景。

當前趨勢

2025 年後，業界已轉向混合架構：以有序工作流負責協調（確保可靠性），以技能注入處理領域知識（確保靈活性）。純單體設計逐漸被淘汰，模組化多 Agent 的組合成為標準，對應到協調框架如 AGNTCY 與語義記憶層如 Mem0 的興起。

關鍵要點

固定工作流模式（六種）

基於 Anthropic 實戰建議，固定工作流模式適合結構可預測的任務：

模式 核心機制 典型場景
Augmented LLM 為 LLM 加上記憶、檢索、工具 大多數 AI 應用的基礎層
Prompt Chaining 有序步驟串連，前步輸出為後步輸入 需高精度、可接受延遲的任務
Routing 分類輸入後導向對應專門模型 輸入類型明確且差異顯著
Parallelization 多 LLM 同時執行後彙總 獨立子任務、多角度評估
Orchestrator-Workers 中心 LLM 動態分解後委派子 LLM 子任務難以事先預知的複雜工作
Evaluator-Optimizer 生成 LLM + 評估 LLM 迭代優化 有明確品質標準（數學、程式碼）

動態 Agent 模式

Agent 採取行動 → 評估結果 → 調整下一步，形成反饋迴圈。適用於開放式任務（電腦操作、長期研究），但需要容錯設計——錯誤會在迴圈中累積放大，需設定最大迭代次數或人工介入觸發點。

設計核心原則

「找到最簡單可行的方案，只在確實需要時才增加複雜度。」——Anthropic

複雜多 Agent 框架帶來的協調成本與除錯難度往往被低估。Google Deep Research 等強大 Agent 使用的仍是簡單底層架構——靠的是高能力的模型與可靠的工具，而非複雜的 orchestration 邏輯。

實務應用

選擇模式的決策框架：

  • 任務結構可預測 → Prompt Chaining 或 Parallelization
  • 輸入類型差異大 → Routing（避免單一通用 Agent 承擔所有輸入）
  • 需要反覆品質優化 → Evaluator-Optimizer（自動迭代直到達標）
  • 子任務無法事先預知 → Orchestrator-Workers
  • 完全開放式目標 → 動態 Agent Pattern（需設計容錯機制）

工具數量警戒線：單個 Agent 工具超過 15 個時，應重構為多 Agent 架構，將工具按職責分組到不同專門 Agent。

記憶設計警示：只有短期記憶的 Agent 在長任務中會「失憶」，導致重複工作或前後矛盾。重要 Agent 系統應搭配向量資料庫作長期記憶儲存。

延伸觀點

來自學術研究的三個補充視角：

多 Agent 系統的量化優勢：AWS 企業實驗（2024）顯示，相較於單一 Agent，多 Agent 協作在目標達成率上可提升高達 70%。關鍵機制是 Supervisor Agent 架構——中央 Agent 負責任務路由，子 Agent 保持專注領域——並搭配動態路由（繞過不必要的協調步驟），達到 ≥90% 的路由準確率、同時降低延遲。

幻覺級聯（Hallucination Cascade）是多 Agent 的隱性風險：多篇研究一致指出，單 Agent 的幻覺在多 Agent 系統中會沿有向圖向下傳播放大。預防策略包括：在每個 Agent 的輸出邊界加入驗證步驟（assertion checks）、限制 Agent 間的上下文傳遞深度，以及為關鍵節點加入人工確認機制。

MCP 作為跨 Agent 上下文共享的標準化解法：Model Context Protocol（MCP）的設計目標是解決「斷裂模型問題」——LLM 本身無法跨任務維持持久狀態。MCP 以五大原則（互通性、簡潔性、可擴展性、安全優先、人類中心控制）定義跨 Agent 的標準資源存取與記憶共享介面，目前已成為多 Agent 生態的新興標準。

Harness Engineering LLM主流地位與替代路徑

反向連結

以下頁面引用了本頁：