1750萬美元融資，20億美元估值，產(chǎn)品還沒公開上線。Cognition的Devin把AI Agent這個(gè)概念炒到了頂點(diǎn)。但GitHub Copilot的agent模式已經(jīng)在處理多文件重構(gòu)，Cursor的Composer能重寫整個(gè)項(xiàng)目代碼——這些不是聊天機(jī)器人，是能推理、能規(guī)劃、能調(diào)用工具、能記住上下文的系統(tǒng)。

它們的架構(gòu)模式，現(xiàn)在是AI工程領(lǐng)域最熱的議題。本文拆解這套架構(gòu)的四個(gè)核心組件，以及為什么傳統(tǒng)的大語(yǔ)言模型（Large Language Model，LLM）應(yīng)用模式已經(jīng)不夠用了。

從"一問一答"到"觀察-思考-行動(dòng)"循環(huán)

傳統(tǒng)LLM應(yīng)用很簡(jiǎn)單：輸入提示詞，輸出回答。但很多真實(shí)任務(wù)需要多步驟、做決策、調(diào)用工具、反復(fù)迭代。你不可能用一次對(duì)話就訂好機(jī)票、調(diào)試完代碼庫(kù)、或者做完競(jìng)品調(diào)研。

AI Agent的解決方式是跑循環(huán)——觀察環(huán)境、思考策略、執(zhí)行動(dòng)作、從結(jié)果學(xué)習(xí)，然后重來。

這個(gè)循環(huán)不是裝飾。Cognition的Devin在演示中處理GitHub issue時(shí)，會(huì)自己打開代碼編輯器、閱讀文件、寫代碼、運(yùn)行測(cè)試、看報(bào)錯(cuò)、再改——全程無人干預(yù)。GitHub Copilot的agent模式同理，遇到復(fù)雜重構(gòu)會(huì)先分析依賴關(guān)系，再分步驟執(zhí)行。

關(guān)鍵區(qū)別在于：?jiǎn)未翁崾驹~響應(yīng)是"無狀態(tài)"的，每次調(diào)用都從零開始；Agent循環(huán)是"有狀態(tài)"的，每次行動(dòng)都基于之前的觀察和記憶。

規(guī)劃模塊：把"大目標(biāo)"切成"能執(zhí)行的小塊"

規(guī)劃模塊是Agent把復(fù)雜目標(biāo)拆解成可行動(dòng)子任務(wù)的能力。當(dāng)你讓Agent"調(diào)研競(jìng)品定價(jià)并做對(duì)比報(bào)告"，它需要自動(dòng)分解為：識(shí)別競(jìng)品→找到定價(jià)頁(yè)面→提取數(shù)據(jù)→整理成表→撰寫分析。

常見的規(guī)劃策略有三種。思維鏈推理（Chain-of-Thought）：讓模型一步步想，顯式寫出中間推理過程。任務(wù)分解：把目標(biāo)拆成子目標(biāo)，可能用遞歸方式繼續(xù)拆分。計(jì)劃-執(zhí)行模式：先完整生成計(jì)劃，再按步驟執(zhí)行，適合需要預(yù)審批的場(chǎng)景。

Cursor的Composer用的是計(jì)劃-執(zhí)行模式的變體。用戶描述需求后，它會(huì)先展示要修改的文件列表和每處的改動(dòng)概要，用戶確認(rèn)后才執(zhí)行。這給了一個(gè)"人類在環(huán)"（Human-in-the-Loop）的檢查點(diǎn)——不是完全自動(dòng)，而是人機(jī)協(xié)作。

沒有規(guī)劃模塊的Agent會(huì)陷入"下一步該干嘛"的迷茫。有規(guī)劃的Agent能把"幫我優(yōu)化網(wǎng)站"這種模糊指令，轉(zhuǎn)化成具體的性能測(cè)試、瓶頸定位、代碼修改、回歸驗(yàn)證等步驟。

記憶系統(tǒng)：從"金魚"到"有經(jīng)驗(yàn)的老手"

沒有記憶的Agent會(huì)重復(fù)犯錯(cuò)、丟失上下文。一個(gè)設(shè)計(jì)良好的記憶系統(tǒng)有兩層：

短期記憶：當(dāng)前任務(wù)的上下文窗口。比如正在處理的代碼文件內(nèi)容、剛執(zhí)行的命令輸出、用戶的最新指令。這部分通常直接放在提示詞里，受限于模型的上下文長(zhǎng)度。

長(zhǎng)期記憶：持久化的知識(shí)存儲(chǔ)。比如用戶偏好的代碼風(fēng)格、項(xiàng)目的架構(gòu)約定、之前解決過的類似bug。這部分需要外部數(shù)據(jù)庫(kù)，通過檢索增強(qiáng)生成（Retrieval-Augmented Generation，RAG）或向量搜索在需要時(shí)調(diào)取。

代碼示例展示了典型的AgentMemory結(jié)構(gòu)：short_term列表存當(dāng)前上下文，long_term字典存鍵值對(duì)，帶時(shí)間戳。recall方法按需檢索，remember方法持久化存儲(chǔ)。

記憶讓Agent從"無狀態(tài)的函數(shù)調(diào)用"變成"越用越順手的系統(tǒng)"。Devin據(jù)說能記住用戶之前教過的工作流程，遇到類似任務(wù)自動(dòng)復(fù)用。Cursor的@符號(hào)可以引用整個(gè)代碼庫(kù)，本質(zhì)上也是長(zhǎng)期記憶的一種形式——把整個(gè)項(xiàng)目當(dāng)作可檢索的記憶庫(kù)。

工具層：從"只能說話"到"能動(dòng)手干活"

沒有工具的Agent只能生成文本。有了工具，它能查天氣、調(diào)API、執(zhí)行代碼、操作瀏覽器、讀寫文件。

工具層設(shè)計(jì)成插件系統(tǒng)：每個(gè)工具有名稱、描述、輸入輸出模式。Agent通過函數(shù)調(diào)用（Function Calling）機(jī)制選擇工具，傳遞參數(shù)，解析返回結(jié)果。

Devin的工具集包括：代碼編輯器（讀寫文件）、終端（執(zhí)行命令）、瀏覽器（搜索信息、查看文檔）。GitHub Copilot agent模式的工具包括：文件搜索、代碼替換、終端命令、測(cè)試運(yùn)行。Cursor的工具更偏向IDE集成：代碼理解、重構(gòu)建議、錯(cuò)誤診斷。

工具調(diào)用本身也需要規(guī)劃。一個(gè)復(fù)雜任務(wù)可能涉及"搜索API文檔→寫代碼→運(yùn)行測(cè)試→看報(bào)錯(cuò)→搜索錯(cuò)誤信息→修改代碼"的多輪工具鏈。每次調(diào)用后，Agent需要解析結(jié)果、判斷任務(wù)進(jìn)度、決定下一步動(dòng)作。

這里有個(gè)設(shè)計(jì)取舍：工具粒度。太粗（比如"重構(gòu)整個(gè)項(xiàng)目"）靈活性差，太細(xì)（比如"移動(dòng)光標(biāo)到第5行"）效率低。主流Agent傾向于中等粒度："修改這個(gè)函數(shù)的參數(shù)列表"或"在文件末尾添加導(dǎo)入語(yǔ)句"。

推理引擎：ReAct模式，讓"想"和"做"交替進(jìn)行

推理引擎是Agent的"大腦"，決定什么時(shí)候思考、什么時(shí)候行動(dòng)。目前最主流的模式是ReAct（Reason + Act，推理+行動(dòng)）：交替進(jìn)行推理步驟和行動(dòng)步驟，每步都基于之前的觀察。

ReAct的循環(huán)結(jié)構(gòu)：Thought（思考當(dāng)前狀態(tài)和目標(biāo)）→ Action（選擇工具并執(zhí)行）→ Observation（接收工具返回）→ 重復(fù)。

這種模式的優(yōu)勢(shì)是"可解釋性"。Agent的每一步都有顯式的推理痕跡，出了問題可以追溯。相比端到端的黑盒模型，ReAct像"白盒"，每個(gè)決策點(diǎn)都可見。

但ReAct也有代價(jià)：延遲。每個(gè)行動(dòng)都要等模型生成推理、選擇工具、執(zhí)行、返回結(jié)果，一輪循環(huán)可能幾秒到幾十秒。復(fù)雜任務(wù)可能需要幾十輪，總時(shí)間不可忽視。

優(yōu)化方向包括：批處理（一次生成多步計(jì)劃）、工具并行（同時(shí)調(diào)用多個(gè)獨(dú)立工具）、推理緩存（相似狀態(tài)直接復(fù)用之前的推理）。

guardrails：預(yù)算、權(quán)限、人類檢查點(diǎn)

Agent能執(zhí)行代碼、調(diào)用API、訪問網(wǎng)絡(luò)——這既是能力也是風(fēng)險(xiǎn)。架構(gòu)設(shè)計(jì)必須包含guardrails（防護(hù)欄）。

預(yù)算上限：?jiǎn)未稳蝿?wù)的最大token消耗、最大工具調(diào)用次數(shù)、最大執(zhí)行時(shí)間。超出即終止，防止無限循環(huán)或資源耗盡。

權(quán)限控制：工具的分級(jí)授權(quán)。讀操作（查看代碼、搜索信息）可以自動(dòng)執(zhí)行；寫操作（修改文件、提交代碼）需要確認(rèn)；危險(xiǎn)操作（刪除數(shù)據(jù)、部署生產(chǎn)）必須人工審批。

人類檢查點(diǎn)：關(guān)鍵步驟暫停，等待人類輸入。Cursor的Composer在批量修改前展示計(jì)劃，Devin演示中也會(huì)在關(guān)鍵決策點(diǎn)"請(qǐng)示"用戶——雖然演示視頻有剪輯，但產(chǎn)品設(shè)計(jì)中明顯留了這個(gè)口子。

這些限制不是"降級(jí)"，是產(chǎn)品化必需。完全自動(dòng)的Agent在demo里很酷，但在真實(shí)工作流中，用戶需要控制感和糾錯(cuò)機(jī)會(huì)。

架構(gòu)選型：什么時(shí)候需要Agent，什么時(shí)候不需要

不是所有場(chǎng)景都需要Agent架構(gòu)。判斷標(biāo)準(zhǔn)：任務(wù)是否需要多步驟決策？是否需要調(diào)用外部工具？是否需要跨會(huì)話保持上下文？迭代空間是否大（即不太可能一次做對(duì)）？

如果四個(gè)都是"否"，傳統(tǒng)LLM應(yīng)用更簡(jiǎn)單可靠。如果是"是"，Agent架構(gòu)的復(fù)雜性才有回報(bào)。

當(dāng)前Agent產(chǎn)品的分化也反映了這點(diǎn)。Cursor和GitHub Copilot聚焦代碼場(chǎng)景——代碼天然結(jié)構(gòu)化、工具明確（編輯器、終端、測(cè)試）、反饋即時(shí)（編譯錯(cuò)誤、測(cè)試失敗），是Agent的理想試驗(yàn)田。

Devin試圖泛化到"AI軟件工程師"，但公開信息有限，實(shí)際能力邊界不清。2億美元估值更多是對(duì)"第一個(gè)AI工程師"概念的押注，而非已驗(yàn)證的產(chǎn)品價(jià)值。

更務(wù)實(shí)的落地可能是"Agent作為工作流組件"：在特定環(huán)節(jié)調(diào)用Agent能力，而非端到端替代人類。比如自動(dòng)處理標(biāo)準(zhǔn)化的代碼審查意見、生成初版文檔、執(zhí)行預(yù)定義的測(cè)試套件——這些有明確邊界、可驗(yàn)證輸出、失敗可回滾。

架構(gòu)上，這意味著Agent需要設(shè)計(jì)"優(yōu)雅降級(jí)"：當(dāng)規(guī)劃失敗、工具報(bào)錯(cuò)、預(yù)算超支時(shí)，能保存狀態(tài)、通知人類、提供上下文以便接手。不是"全或無"的自動(dòng)化，而是"人機(jī)協(xié)作"的漸進(jìn)替代。

Cursor的用戶反饋里有個(gè)細(xì)節(jié)：有人讓Composer重構(gòu)一個(gè)遺留模塊，AI生成了看似合理的改動(dòng)，但運(yùn)行后性能反而下降。用戶回滾，手動(dòng)分析，發(fā)現(xiàn)AI沒理解某個(gè)隱式的業(yè)務(wù)約束——這個(gè)約束沒寫在代碼里，只在老員工的記憶里。

這個(gè)案例說明：Agent能處理"顯式知識(shí)"（代碼、文檔、API），但"隱性知識(shí)"（組織慣例、歷史決策、未文檔化的約束）仍是短板。記憶系統(tǒng)可以存儲(chǔ)顯式事實(shí)，但難以捕獲這種默會(huì)知識(shí)。