章节索引7 个标题 · 点击展开＋
大家好，我是孟健。前几天刚结束深圳的线下闭门交流，回到杭州的工作台前，连夜把 Anthropic 在 AI Engineer 峰会上分享的多 Agent 架构资料从头到尾扒了一遍。
很多做出海 AI 工具的朋友跑来问我：为什么自己搭的多 Agent 团队，刚开始测两个 case 看起来挺聪明，一旦放到真实业务里跑，上下文就瞬间被撑爆、死循环、幻觉链式传递，最后 Token 账单翻了几倍，交付结果却直接崩掉？
能跑通 Demo 不等于具备工程交付能力。
今天这篇文章，不讲空泛的模型概念，专为正在用 AI 编程做海外产品、试图落地多 Agent 架构的工程师与独立开发者准备。看完这篇，你今天就能动手重构现有的协同逻辑，把不可控的黑盒调用收束成可维护的流水线。
01、单体全能 Agent 的工程崩塌#
我们往往容易掉进一个执念：期待用一段长达数千字的 System Prompt，造出一个全知全能的超级智能体。既要负责理解复杂需求、拆解子任务，又要调度数十个工具，还要负责最终的代码合并与质检。
但大模型本质上是一个基于概率的预测引擎。单体 Agent 承担的职责越多，系统的不确定性就会呈指数级扩散。 就像蔡磊在《相信》中面对残酷现实时依然坚持的理性自省——直面底层规律，而不是沉溺于侥幸。
很多人以为多接几个工具就是 Agent，但正如业内开发者在实战总结中所言，把用户输入丢给大模型并把输出显示出来，那只是聊天框；真正的 Agent 必须具备任务分解与工具调用的核心能力。当我们将过多职责堆砌在一个上下文窗口内，往往会遭遇三个致命卡点：
- 上下文污染：无关中间数据挤占有限窗口，注意力机制开始漂移；
- 容错率归零：调用链路中任何一步微小的输出漂移，都会被下一阶段无限放大；
- 调试成本极高：系统偶发报错时，排查一次可能要烧掉几十万 Token，却抓不住确定性根因。
跑通 Demo 可以只看速度，上线做商业交付，必须先算清系统报错的兜底成本。
02、回退五十年：Unix 哲学的现代投射#
Anthropic 在 AI Engineer 峰会上公开展示的演进思路，并没有祭出什么黑魔法，而是老老实实回到了计算机工程的古典原点：Unix 哲学。
半个世纪前，肯·汤普逊与丹尼斯·里奇确立了 Unix 的底层信条：
- 每一个程序只做好一件具体的事；
- 程序的输出必须能直接成为另一个未知程序的标准输入；
- 尽量避免强耦合，通过管道（Pipe）组合小工具以处理复杂现实。
把这段话代入到大模型时代，简直是多 Agent 编排的救命指南。
Unix 哲学才是 Agent 协作的终局。
我们做 Agent 架构，不要总想着在单个 Prompt 里装载整个宇宙。放任 Prompt 膨胀会快速烧干 API 预算，守住调用边界才能保住现金流。每一个 Agent 必须被严格限制在单一功能边界内：一个只负责严苛的语义分析，一个只负责抓取确定性数据，一个只负责格式化代码生成。它们彼此不需要知道对方的名字，也不需要共享冗长的思考过程。
03、动态管道编排的落地 SOP#
借鉴 Anthropic 的解耦思路，我们在自己的出海站群研发中，把原本庞杂的协同逻辑重组成了一套标准化的管道流。下面是一套你可以直接复用的三步改造法：
第一步：输入与输出严格契约化#
严禁 Agent 之间直接进行自然语言闲聊。上一级 Agent 输出必须通过严格的结构化 schema（例如 JSON Schema 或 Pydantic 模型）进行校验。校验不通过直接在当前节点打回，坚决不把脏数据推入下一个管道。
# 节点间流转的标准数据契约示例
from pydantic import BaseModel, Field
from typing import List
class TaskBreakdown(BaseModel):
task_id: str
subtasks: List[str] = Field(description="明确拆解的原子操作清单")
required_tools: List[str] = Field(description="执行该任务所需的白名单工具")
is_terminal: bool = Field(description="是否达到流水线交付终态")第二步：上下文隔离与精准投喂#
不要把上游的推理思考过程（Chain-of-Thought）全量丢给下游。下游 Agent 只需要两样东西：当前任务的必要上下文，以及上游交付的结构化数据。做好真正的上下文隔离，窗口不再被无关推理塞满，单次调用的 Token 消耗直接下降 60% 以上。
第三步：状态机驱动的动态路由#
放弃让大模型自由决定下一步跳去哪里的幻觉，改用确定性的有限状态机（FSM）或工作流编排引擎来控制流转方向。大模型只在节点内部做语义决策，状态的转移与兜底全由代码严格掌控。
04、控制边界，才是最大的安全感#
古人讲“博观而约取，厚积而薄发”。在技术潮水漫天的时候，大家都在比拼模型多大、工具链多繁杂，但真正能在海外市场站稳脚跟、稳定变现的工具产品，内核往往克制得让人惊讶。
做多 Agent 协同，拼的不是让它多自由，而是拼你有没有能力给它画定清晰的跑道。把每个 Agent 锁在沙盒里，通过标准化管道串联，出现偶发性失败时，系统能精准定位到是哪个节点的输入输出失衡，而不是像盲人摸象一样推翻重来。
我的核心精力依然放在出海 AI 原生应用的架构精简与自动化履约体系交付上，继续做扎实的技术减法。
如果你手头正好有卡在死循环或者 Token 暴涨的多 Agent 项目，今天就挑出其中一个最臃肿的 Agent，把它的输入输出改成强校验的结构化数据。下个月我会在杭州办一场小规模的技术架构交流，我们现场对着真实代码，一条管道一条管道地拆解。
知行合一，先从改掉第一个自然语言透传节点开始。
我是孟健。连载在公众号「孟健AI编程」，掘金和知乎的专栏都叫「AI编程实战」。
这篇是免费笔记。要按你的项目往下做，看领航计划。
Related