首页 文章 精选 留言 我的

精选列表

搜索[agent],共10000篇文章
优秀的个人博客,低调大师

《Spring AI 2.0实战》第16招 五种Agent模式

最近团队在做技术选型,需要一份关于开源 API 网关的调研报告。我是老李,起初把任务丢给一个模型,让它一次生成。报告很快出来了,但问题也多:官网链接已经 404,GitHub 的 star 数与实际页面不一致,论文部分只摘了摘要没有结论。最要命的是,模型自己并不觉得有问题,也不会主动回去修改。我们需要的不是更长的输出,而是把任务拆成可检查、可回退、可组合的步骤。今天就用“生成技术调研报告”这个真实场景,聊聊五种协作模式到底怎么落地。 ## 01、痛点 单次生成技术调研报告,通常会遇到四类问题。 第一,信息源单一。模型倾向于从训练数据中拼凑答案,而不是实时访问官网、代码仓库和论文数据库,导致版本、许可证、维护状态等关键信息失真。比如有一份报告里写着“最近版本为 3.3”,实际上项目仓库已经发布了 4.0。 第二,任务边界不清。一份调研报告同时包含背景梳理、社区活跃度评估、性能对比、风险判断,混在一个生成过程里,哪个环节出错很难定位。我们曾遇到报告结构完整,但性能对比部分完全缺失,因为模型把注意力放在了功能列表上。 第三,没有校验闭环。输出完就结束,缺乏“检查—发现问题—重新生成”的机制。模型不会自己质疑自己,尤其当错误藏在细节里时,读的人往往最后才发现。 第四,节点越多越容易失控。很多团队一开始就画一个复杂流程图,结果状态传递混乱,调用成本高,效果反而不如直接生成。这不是说不要拆分,而是说拆分必须有明确边界。 ## 02、是什么 这五种协作模式分别解决不同问题。 链式(Chain)把任务切成前后依赖的步骤,前一步输出作为下一步输入,例如先搜索再摘要最后格式化引用。适合流程天然线性、后一步强依赖前一步的场景。 并行(Parallelization)用于相互独立的子任务,例如同时查官网、GitHub 和论文,最后由合并步骤汇总。适合数据源不同、彼此没有依赖的场景。 路由(Routing)根据输入特征把任务交给专用处理器,例如先判断主题是软件选型还是学术综述,再走不同分支。适合入口多样、不同输入需要不同模板的场景。 编排—执行(Orchestrator-Workers)由一个编排者动态拆解任务,分派给多个执行者,再回收结果并整合。适合任务边界不预先固定、需要按情况拆解的场景。 评估—优化(Evaluator-Optimizer)先由生成者产出初稿,再由评估者指出缺陷,生成者根据反馈修改,形成循环。适合质量要求高、需要多轮校正的场景。 它们不是五个孤立工具,而是一组可以组合的过程控制手段。 ## 03、为什么 现在模型能力虽然强,但复杂任务仍然不能靠一次调用解决。技术调研报告对事实准确性要求高,涉及多个异构数据源,单一模型容易产生幻觉和信息滞后。五种模式的可贵之处在于,它们不改变模型本身,而是改变任务的组织方式。把过程拆开后,我们可以在任意节点插入人工确认、日志、缓存和重试,成本可控。对于技术团队,这意味着从“祈祷模型一次答对”转向“用流程保证结果可验证”。特别是在数据会变化的场景里,单次生成得到的是一份静态快照,而协作流水线得到的是可以持续更新的报告。 ## 04、架构 整体流程可以抽象为六个阶段:入口先经过路由识别主题,然后交给编排者拆解,编排者把子任务分派给官网、代码仓库、论文三个执行者,三者并行工作;结果合并后交给评估者检查,通过则输出报告,不通过则发回对应执行者或重新拆解。 路由节点接收“开源网关选型调研”,判断主题为“开源软件评估”,选择评估模板。编排者拆解三个子任务:官网调研、代码仓库调研、论文调研。三个执行者并行执行,各自返回结构化片段。编排者合并片段,处理冲突。评估者检查数据一致性、信息时效、维度完整性,给每个子任务打分。低于阈值就送回对应节点重做,直到通过。 状态上需要维护任务清单、上下文快照、版本号和重试计数。每个节点只负责自己那一段,输入输出保持结构化,避免把上一节点的自然语言直接透传给下一节点。比如官网执行者只接收项目名称和官网地址,返回许可证、最新版本、维护者三个字段;代码仓库执行者只接收仓库地址,返回 star 数、open issues 数、最近提交时间。 ## 05、实战 以“生成技术调研报告”为例,任务输入是:“调研开源 API 网关项目,产出选型建议”。 第一步,路由判断主题。路由节点根据关键词和项目上下文,输出 task_type = software_evaluation,并选择对应模板。如果没有路由,这份任务可能会被套用学术论文模板,漏掉社区活跃度。 第二步,编排者拆解。拆成三个子任务: - 官网调研:许可证、维护者、架构特性、最近发布版本。 - 代码仓库调研:star 趋势、PR 合并周期、issue 活跃度、最近提交。 - 论文调研:性能对比、安全分析、相关学术结论。 每个子任务都有明确的数据来源和返回字段,避免重复和遗漏。 第三步,并行执行。三个执行者各自调用外部检索工具,返回结构化 JSON 片段。例如官网执行者返回 license、latest_version、maintainer;代码仓库执行者返回 stars、open_issues、last_commit;论文执行者返回 performance_comparison、security_notes。 第四步,编排者汇总。把三份片段合并成初稿,若发现矛盾(例如官网称最近版本为 3.2,代码仓库 tag 最新为 3.1),先保留双方来源并标记冲突,而不是擅自丢弃一方。 第五步,评估者检查。检查维度包括:数据源是否更新到最近 30 天?GitHub 数据是否与页面一致?是否遗漏许可证、安全漏洞、替代方案?是否给出了可复现的性能对比?若未通过,生成一条反馈,比如“补充 Apache 2.0 许可证说明,重新抓取 GitHub 最新 release”,然后发回给编排者或对应执行者。 在一次实际运行中,官网调研节点返回了过期链接,评估者发现后没有直接通过,而是发回“官网链接 404,请从项目 README 或文档站重新获取许可证信息”。执行者重做后,报告才被放行。这个回退过程只重做官网一个节点,不会牵连代码仓库和论文部分。 ## 06、洞见 回到那个问题:是不是节点越多效果越好? 答案是否定的。五种模式的真正成本来自模型调用次数、状态复杂度和不可预测性。每增加一个执行节点,就多一次输入输出、多一份状态要维护、多一个可能出错的位置。以调研报告为例,官网、代码仓库、论文三个节点是合理的,因为数据源不同、无法互相替代;但如果再把代码仓库拆成 star 调研和 issue 调研两个节点,往往收益很低,因为两者可以从同一个页面一起获取。 可以用一句话衡量:节点价值 = 减少的返工成本 - 新增的调用与状态成本。如果一个节点不能替下游省下返工,或者不能补上不可替代的事实来源,就应该合并。好的编排不是图越复杂越牛,而是每个节点都像流水线上的质检工位,有明确的拦截清单。 ## 07、行动 建议先小后大,不要一上来就画大一统流程图。 第一步,把链式、并行、路由、编排—执行、评估—优化各写一个最小 Demo。链式最小 Demo 可以串三个步骤:搜索、摘要、引用格式化。并行最小 Demo 可以同时调用三个独立接口,最后合并。路由最小 Demo 用规则或分类模型把输入分到两个模板。编排最小 Demo 用一个编排者拆出两个执行者。评估最小 Demo 对初稿打分并修改一轮。 第二步,分别跑通五个最小闭环,确认各自能独立运行。 第三步,再组合到技术调研报告场景。组合时先固定数据格式和状态结构,避免节点间字段混乱。 第四步,给每个节点记录调用次数、耗时、失败率,数据不达标就合并或删除节点。验收标准可以简单:报告中的每个关键事实都能追溯到具体来源;任何节点失败都能单独重试;每次重做不需要重跑整个流程。 ## 08、小结 技术调研报告不是一个简单问答,而是一条需要多源采集、交叉校验、回退修正的流水线。链式解决顺序依赖,并行解决独立子任务,路由解决入口分流,编排—执行解决动态拆解,评估—优化解决质量闭环。五种模式组合起来,不是为了把图画得复杂,而是为了让每一步都可控、可回放、可修正。节点不是越多越好,每个节点都必须有明确价值。 ## 09、链接与概念说明 本文涉及的五个概念: - 链式:串行处理,前一步输出作为后一步输入。 - 并行:独立任务同时执行,最后合并。 - 路由:根据输入特征选择专用处理分支。 - 编排—执行:编排者动态拆解任务并分派执行者,回收结果。 - 评估—优化:生成与评估循环,直到满足质量条件。 进一步阅读可参考 Anthropic 官网关于多步骤协作模式的公开技术文档,以及模型 API 文档中的函数调用和结构化输出部分。也可以搜索“多阶段推理”和“结构化生成”等资料,但本文的核心价值在于:先拆成最小闭环,再按价值决定是否增加节点。

优秀的个人博客,低调大师

openclaw源码解读(2) —— 消息进来后怎么变成 Agent 调用

文件解析: gateway/server.ts 通讯设备 文件职责:懒加载 + 启动打点 + 纯代理 L10-17 如果process.env也就是环境变量中有OPENCLAW_GATEWAY_STARTUP_TRACE 这个环境变量的设置,才会开启启动线程执行的log日志跟踪 L19-28 异步执行懒加载server.impl.js类 ,真正加载server.impl.js之后开启日志跟踪;值得强调的是「懒加载」这个设计意图——server.impl.ts 330KB,如果直接import会在模块解析阶段全量加载。通过async function里await import(),只有真正要启动 Gateway 时才加载,减少冷启动时的 I/O 压力。另外finally里打 trace 确保了无论 import 成功还是失败都记录耗时,调试时可以区分究竟是卡在哪个阶段。 L31-36 真正加载server.impl.js,并启动gateway; L34 (await loadServerImpl()).startGatewayServer(...args)这里有个小细节:loadServerImpl()本身不做server.impl里的事情,它只负责 import + 打 trace。 L35 真正启动 Gateway 的是返回对象里的.startGatewayServer()。 L39-42,服务启动完了之后,暴露接口给测试框架,接口名是:resetModelCatalogCacheForTest。 L40 注意这里也是先await loadServerImpl()——意味着哪怕只是测试里重置模型 目录,也会触发一次 server.impl 的懒加载。但这在测试场景下不是问题,因为测试本来就要启动 Gateway。 L41 纯测试工具 接口。 ———————————————— 正在规划《OpenClaw源码解读》书籍,欢迎出版社编辑交流

资源下载

更多资源
Mario

Mario

马里奥是站在游戏界顶峰的超人气多面角色。马里奥靠吃蘑菇成长,特征是大鼻子、头戴帽子、身穿背带裤,还留着胡子。与他的双胞胎兄弟路易基一起,长年担任任天堂的招牌角色。

Nacos

Nacos

Nacos /nɑ:kəʊs/ 是 Dynamic Naming and Configuration Service 的首字母简称,一个易于构建 AI Agent 应用的动态服务发现、配置管理和AI智能体管理平台。Nacos 致力于帮助您发现、配置和管理微服务及AI智能体应用。Nacos 提供了一组简单易用的特性集,帮助您快速实现动态服务发现、服务配置、服务元数据、流量管理。Nacos 帮助您更敏捷和容易地构建、交付和管理微服务平台。

Rocky Linux

Rocky Linux

Rocky Linux(中文名:洛基)是由Gregory Kurtzer于2020年12月发起的企业级Linux发行版,作为CentOS稳定版停止维护后与RHEL(Red Hat Enterprise Linux)完全兼容的开源替代方案,由社区拥有并管理,支持x86_64、aarch64等架构。其通过重新编译RHEL源代码提供长期稳定性,采用模块化包装和SELinux安全架构,默认包含GNOME桌面环境及XFS文件系统,支持十年生命周期更新。

Sublime Text

Sublime Text

Sublime Text具有漂亮的用户界面和强大的功能,例如代码缩略图,Python的插件,代码段等。还可自定义键绑定,菜单和工具栏。Sublime Text 的主要功能包括:拼写检查,书签,完整的 Python API , Goto 功能,即时项目切换,多选择,多窗口等等。Sublime Text 是一个跨平台的编辑器,同时支持Windows、Linux、Mac OS X等操作系统。

用户登录
用户注册