← 返回课程目录 · 加餐 · Agent 深入 · 承接第 9 课

Agent 深水区一页通

第 9 课讲了 Agent 的骨架(LLM+工具+循环)。这一页把四块深水区压成速览:12-Factor 工程原则、记忆系统、多智能体编排、上下文工程——每块带上游深读入口。

一、12-Factor Agents:把 Agent 当分布式系统建

开源圈的共识:Agent 工程的问题,八成是分布式系统的老问题换了皮肤。12 条原则里,对 SRE 最亲切的五条:

owns 控制流:别把循环完全交给框架黑盒,自己 owns while 循环🧠 类比:用框架可以,控制平面要在自己手里
状态外置:会话状态存外部(可恢复),别塞在进程内存🧠 类比:无状态服务 + 外置存储
工具就是接口:工具定义=API 契约,写清楚输入输出与副作用🧠 类比:OpenAPI 规范
可恢复性:任意一步崩溃后能从断点重放🧠 类比:checkpoint / 幂等重试
接触原始上下文:别让框架过度包装历史,可观测可调试🧠 类比:要看得见原始日志,不要只看仪表盘

完整 12 条见上游 12-Factor Agents 介绍。

二、记忆系统:内存 vs 外存的老问题

层级载体特点代表
短期记忆上下文窗口快、贵、会话结束即失对话历史本身
长期记忆向量库 / 图数据库持久、可检索、要管理生命周期Mem0、MemoryOS 分层设计
经验记忆轨迹库存"过去怎么解决的",RAG 回来复用Agent 经验复用类系统

🧠 一句话:就是计算机存储层级(寄存器/内存/磁盘)的 Agent 版。上游有 记忆系统架构总览 与 MemoryOS/Mem0 逐个拆解。

三、多智能体:什么时候值得"多开"

自测:你的任务需要多智能体吗?(勾选符合项)
任务能自然拆成视角不同的子角色(如:实现者 vs 评审者)
子任务间上下文需要隔离(一方的大量中间产物会污染另一方)
需要并行处理(多路检索/多方案同时试)
有明确的裁决者设计(谁汇总、谁拍板)

经验法则:只是为了"显得智能"而多开,通常不如一个长上下文单 Agent + 好工具。上游有 多智能体理论 与 LangGraph 企业级实战。

四、上下文工程:窗口是贵资源

四大策略

写(重要结论落盘到外部)、选(只检索相关片段进窗口)、压(历史摘要压缩)、隔离(子任务各开独立上下文)。

🧠 类比:缓存的写策略 + 淘汰策略 + 分区。

与推理系统的合流

上下文工程的每一个决策,最终都反映为 KV Cache 的命中率和显存账(第 3 课)——Agent 负载正在重塑推理系统设计。

🧠 应用层的一个"要不要压缩历史",就是 Infra 层的一笔 token 账。

五、小测验

Q1 · 12-Factor Agents 的核心立场是?

Q2 · Agent 的"长期记忆"通常存放在?

Q3 · 下列哪种情况最不适合上多智能体?

延伸阅读(上游硬核版)