构建 AI Agent 时，许多团队常因盲目追求多 Agent 编排与复杂推理而陷入“过度设计”的泥潭，导致基础任务都无法稳定交付；针对这一行业通病，Ashpreet Bedi 提出的五层渐进式架构提供了一条务实路径：从赋予 LLM 基础工具的无状态起点出发股票配资首选门户网站，按需依次叠加记忆知识、自主学习、多角色协作及生产级基础设施，强调仅在上一层级明确失效时才引入新复杂度，这种“从简单开始、逐步验证”的工程思维，不仅能有效降低调试成本，更是打造真正可靠、可演进 AI 系统的关键所在。
你有没有发现，很多团队在构建 AI agent 时都在犯同一个错误？他们一上来就搞多 agent 编排、自主推理循环、复杂的基础设施，然后花几周时间调试为什么最简单的任务都无法完成。这种过度设计的问题在整个行业里普遍存在，导致大量项目半途而废。最近我读到 Ashpreet Bedi 分享的一篇文章，他提出了一个让我深有感触的观点：构建 AI agent 应该遵循一个简单得有些”丢人”的原则——从最简单的开始，逐步增加能力，在每一步都验证行为。这个理念看似平淡无奇，却道出了软件工程的本质。
我在实际工作中也经常看到这种现象。团队急于展示技术实力，想要一步到位构建出复杂的 AI 系统，结果却陷入了无休止的调试和重构。反而是那些从最小可行产品开始，一步步迭代的团队，最终交付了真正可用的产品。Ashpreet Bedi 在文章中系统地总结了构建 agentic software（agent 化软件）的五个架构层级：带工具的 agent、带存储和知识的 agent、带记忆和学习的 agent、多 agent 团队，以及生产系统。他通过构建一个名为 Gcode 的轻量级编程 agent 来演示每个层级，这种循序渐进的方法论对我启发很大。
为什么大多数团队一开始就错了在深入探讨这五个层级之前，我想先谈谈为什么这个渐进式的方法如此重要。我观察到一个有趣的现象：在 AI agent 领域，技术门槛的降低反而导致了更多的过度设计。因为大语言模型让构建 agent 看起来很容易，很多团队误以为只要堆砌足够多的功能，就能得到一个强大的系统。这种想法从根本上就是错误的。
软件工程有一个经典原则：提前优化是万恶之源。在 AI agent 开发中，这个原则同样适用。过早地引入复杂架构，不仅增加了开发和维护成本，更重要的是，它会掩盖真正的问题所在。当你的 agent 无法完成任务时，你很难判断是架构设计的问题，还是提示词的问题，还是工具选择的问题。而如果你从最简单的版本开始，每次只添加一个能力，那么问题定位就会容易得多。
Ashpreet Bedi 的五层架构正是基于这种递进式的思维。每一层都解决了上一层明确存在的问题，而不是预先设想可能出现的问题。这种务实的态度在快速变化的 AI 领域尤其重要。技术在快速演进，今天看起来必要的复杂架构，可能明天就被更简单的方案取代了。保持架构的灵活性和可演进性，远比一开始就追求完美重要。
Level 1：给 Agent 装上手脚第一层的核心理念非常直接：没有工具的 agent 只是一个大语言模型。它能推理，但做不了任何实际的事情。Tools（工具）是将 LLM 转变为 agent 的关键。Ashpreet Bedi 在构建编程 agent Gcode 时，定义了最小可行工具集：读取文件、写入文件、运行 shell 命令。这三个工具构成了一个编程 agent 的基础能力。
我特别认同这个最小化的起点。很多人在设计 agent 时，会一口气给它配备十几种甚至几十种工具，认为工具越多能力越强。但实际情况往往相反。工具太多会导致 agent 在选择时犯错，它可能会用错误的工具，或者在多个相似工具之间摇摆不定。从认知负荷的角度看，这就像让一个人同时学习二十种乐器，结果可能是一种都学不好。
在第一层，agent 接收任务，使用 CodingTools（编程工具集）来编写、编辑和运行代码。这个过程是完全无状态的，每次运行都从零开始。Agent 无法回忆之前的会话，无法遵循项目约定，除非你把这些信息粘贴到提示词中。这听起来很受限，但这恰恰是它的优势所在。限制迫使你专注于核心功能：agent 能否完成最基本的任务？工具的抽象是否合理？提示词是否清晰？
我在实际项目中发现，很多看似需要复杂架构的问题，其实用第一层的简单 agent 就能解决。关键在于明确定义任务边界。如果你的任务确实简单且自包含，那么一个无状态的 agent 配合几个精心选择的工具，完全可以胜任。不要因为技术上”可以”做得更复杂，就真的去做。
Level 2：赋予 Agent 记忆和知识第一层的最大问题是什么？每次运行都要重新开始，所有东西都必须放在上下文中。这在处理简单任务时还能接受，但当你需要多轮对话、需要遵循特定规范、需要访问大量背景信息时，这种无状态的方式就不够用了。第二层通过两个关键添加解决了这个问题：session storage（会话存储）和 domain knowledge（领域知识）。
Storage 的价值在于它保存了每个 agent 会话及其中的每次运行到数据库中。这带来两个重要好处。一是可以将聊天历史作为上下文，agent 能够包含最近的 N 条消息在其上下文窗口中，知道正在发生什么。对于更长的会话，你可以运行压缩算法来总结早期上下文，保持窗口专注于当前重要的内容。二是创建了完整的行为记录。不是所有东西都需要发送给第三方追踪服务，把会话存在自己的数据库里是理解 agent 做了什么、何时做的、为什么做的最简单方式。你拥有数据，可以查询它、审计它、在上面构建仪表板。
Knowledge 的引入则解决了另一个关键问题。今天的编程 agent 只能看到代码库中的文件，别的什么都看不到。它们无法访问你的架构规范、团队的设计决策、内部会议记录，或者某个 Slack 讨论串里解释为什么选择 Postgres 而不是 DynamoDB 的内容。这就是 knowledge 要解决的问题。它给 agent 提供了一个可搜索的存储库，里面是所有对项目重要但不需要一直待在上下文窗口中的内容：规范、RFP、运维手册、架构决策记录、会议笔记、团队对话。
这里有个关键洞察：大量有价值的上下文存在于代码库之外。如果你的团队上个月在会议中讨论了迁移策略，那么当编程 agent 处理迁移工作时，这个上下文应该是可用的。如果半年前有人决定使用库 X 而不是库 Y，agent 应该能够在它准备删掉 X 重新开始之前找到这个决策的理由。我在实际工作中深刻体会到这一点。很多技术决策的背景信息散落在邮件、文档、聊天记录中，新加入的团队成员很难获取，结果常常重复犯同样的错误或者推翻之前深思熟虑的决策。
Ashpreet Bedi 在实现中使用了 ChromaDb 作为向量数据库，支持混合搜索（hybrid search），既能进行语义匹配也能进行关键词匹配。这种设计很聪明，因为不同类型的查询需要不同的搜索策略。有时你需要精确匹配某个术语，有时你需要理解语义相似性。Agent 在编码前会先搜索 knowledge，如果你的风格指南说”使用 snake_case”，agent 会找到并遵循它。这就是基础的 Agentic RAG（检索增强生成）。
什么时候应该使用第二层？当 agent 需要遵循它训练时没见过的标准，或者当用户期望多轮对话时。这是大多数内部工具的最佳选择。我认为很多企业级应用其实停留在这一层就足够了，不需要更复杂的功能。关键是要清楚地识别你的实际需求，而不是被新技术的光环所迷惑。
Level 3：Agent 开始学习和进化从第二层到第三层的跳跃是最重要的一次飞跃。在第二层，agent 遵循你给它的规则。在第三层，它从经验中学习规则。这个区别看似微妙，实则根本。Ashpreet Bedi 提出了一个简洁有力的标准：第 1000 次交互应该比第 1 次交互更好。这就是学习的本质。
第三层引入了 Learning Machine（学习机器）。Agent 获得了 save_learning 和 search_learnings 两个工具，它自己决定什么值得记住：有效的编程模式、要避免的错误、用户偏好。这些学习成果被存储在一个独立的 knowledge base（知识库）中，并在未来的会话中被调用。同时，agentic memory（agent 记忆）让 agent 能够随时间构建用户画像：你偏好的编程风格、你使用的框架、你喜欢的解释方式。
我觉得这一层的设计哲学特别有意思。它不是简单地记录所有交互历史，而是让 agent 自主判断什么值得学习。这种选择性记忆更接近人类的学习方式。我们不会记住每一个细节，而是提取出模式、原则和偏好。这种抽象能力让 agent 能够将经验泛化到新的情境中，而不只是死记硬背。
Ashpreet Bedi 给出了一个”两次会话测试”的例子。在第一次会话中，用户表达了对函数式编程风格的偏好——不用类，使用纯函数和不可变数据。在第二次会话中，当用户要求编写日志解析器时，agent 应该搜索它的学习记录，找到函数式编程偏好，并写出函数式代码。这个测试很好地展示了学习的价值：agent 不需要每次都重新告知偏好，它能够记住并应用。
什么时候应该使用第三层？当 agent 反复服务同一批用户，并且应该随时间改进时。个人编程助手、具有共享学习的团队工具、任何”按我们喜欢的方式做”很重要的场景。我认为这是 AI agent 真正开始展现价值的层级。前两层更多是效率工具，而第三层开始具备了个性化和适应能力，这让它从工具变成了助手。
我在思考这一层时想到一个问题：agent 的学习应该有边界吗？它应该学习所有用户偏好，还是只学习某些类型的偏好？如果用户的偏好本身是错误的或低效的，agent 应该盲目遵循还是提出质疑？这些问题没有简单答案，但它们指向了一个更深层的设计哲学：我们希望 agent 扮演什么角色——服从的执行者，还是能够提供建议的顾问？
Level 4：多 Agent 协作的承诺与陷阱有时候一个 agent 确实不够。第四层将职责分散到由团队领导协调的专业化 agent 之间。Ashpreet Bedi 的示例很直观：Coder 负责编写代码，Reviewer 负责审查质量、bug 和最佳实践，Tester 负责编写和运行测试。每个 agent 都有明确的角色和工具权限。注意 Reviewer 的工具配置：禁用了写文件、编辑文件和运行 shell 的能力，只能读取。这种权限控制确保了 agent 只做它应该做的事。
多 agent 团队在概念上很吸引人。它模仿了人类团队的工作方式，每个成员有专长，通过协作完成复杂任务。在代码审查场景中，这种分工特别自然：一个人写，另一个人审，第三个人测试。但 Ashpreet Bedi 在这里给出了一个非常诚实的警告：多 agent 团队强大但不可预测。团队领导是一个 LLM，在做委派决策。有时它委派得很好，有时不行。对于需要可靠性的生产系统，显式工作流优于动态团队。团队在有人类监督的场景中表现最好，人类可以审查输出。
这个警告很重要，因为它道出了多 agent 系统的核心问题：控制的丧失。当你把决策权交给一个 LLM 协调者时，你就失去了对执行路径的精确控制。在演示中，这种动态性看起来很酷，像是 AI 的”智能涌现”。但在生产环境中，不可预测性是可靠性的大敌。我认为这是当前多 agent 系统最大的局限所在。
什么时候应该使用第四层？当你需要多个视角时（代码审查是完美例子），当任务自然分解为专家角色时，或者当你构建交互式工具、人类可以监督团队时。我的观点更加保守：除非你有非常明确的理由，否则优先考虑单个设计良好的 agent。多 agent 系统的复杂性成本很高，只有在收益明显大于成本时才值得付出。
我想补充一点我的观察。在很多宣传多 agent 架构的案例中，真正带来价值的往往不是”多个 agent”，而是”明确的职责分工”和”结构化的工作流程”。这些好处在单 agent 架构中同样可以实现，只是方式不同。与其让多个 agent 动态协作，不如让一个 agent 按照明确定义的步骤工作，每个步骤使用不同的工具或提示词配置。这种方法在可控性和可调试性上都更胜一筹。
Level 5：走向生产环境的最后一公里第五层是将前四层转变为生产服务的运行时环境。你需要从开发数据库升级到生产数据库，添加追踪，并将所有内容作为 API 暴露出来。Ashpreet Bedi 在这里的做法很务实：用 PostgreSQL 和 PgVector 替换 SQLite 和 ChromaDb，获得真正的连接池、真正的备份、真正的并发访问能力。
AgentOS 的概念很有意思。它将你的 agent 包装在一个 FastAPI 应用中，提供内置的 Web UI、会话管理和追踪功能。这种”开箱即用”的方法大大降低了将 agent 投入生产的门槛。你不需要自己搭建整套基础设施，只需配置好 agent，AgentOS 就能帮你处理其余部分。启用追踪（tracing=True）让你能够观察每个工具调用、每次知识搜索、每个委派决策，这对于调试生产问题至关重要。
什么时候应该使用第五层？当 agent 离开你的笔记本电脑时。多用户、正常运行时间要求、需要调试生产问题的场景。我认为这一层的重要性常被低估。很多团队在开发环境中做出了很棒的 agent，但在生产化时遇到了各种问题：性能、可扩展性、可观测性、安全性。提前规划这些非功能性需求，比后期打补丁要容易得多。
我想强调一个常被忽视的点：生产环境的 agent 需要运维。它不是部署后就能一劳永逸的。你需要监控它的表现、收集用户反馈、定期更新知识库、调整提示词、处理边缘情况。这需要投入持续的人力和时间。所以在决定构建生产级 agent 之前，确保你有资源来维护它。
最重要的建议：从简单开始读完 Ashpreet Bedi 的文章，我最大的收获是这条建议：从第一层开始。构建能够解决问题的最简单 agent。运行它，看它在哪里失败，然后只添加它缺失的那个能力。这听起来很简单，但在实践中很难做到。我们总是被新技术、新架构的诱惑所吸引，想要一次性构建出最先进的系统。
大多数团队直接跳到第四层，因为多 agent 架构在演示中看起来很酷。然后他们花几个月时间调试协调失败的问题，而这些问题一个设计良好的单 agent 加上好的指令就能避免。这种过度设计的诱惑在技术行业很普遍，但在 AI agent 领域尤其危险，因为调试成本特别高。
把这五个层级想象成能力和复杂性的层次结构。记住，每一层都增加了复杂性，而复杂性是有成本的。只在更简单的方法明确失败后才付出这个成本。这种纪律性的方法不仅能让你更快地交付可用的产品，还能让你更深入地理解每个能力的价值和代价。
我的个人观点是，这种渐进式方法的价值不仅在于技术层面，更在于认知层面。当你从简单开始时，你被迫真正理解问题的本质。你不能用复杂架构来掩盖对问题的模糊认识。你必须清楚地定义：这个 agent 要解决什么问题？它需要什么能力？如何验证它是否成功？这些基础问题的答案，比任何花哨的架构都重要。
在快速变化的 AI 领域，保持架构的简单和灵活比追求完美更有价值。今天看起来必要的复杂功能，明天可能就被更简单的方案取代了。与其构建一个复杂但脆弱的系统，不如构建一个简单但可演进的系统。这种思维方式不仅适用于 AI agent，也适用于所有软件开发。
最后我想说，Ashpreet Bedi 提供的这个框架不是教条，而是指南。你可能会发现你的场景需要不同的层级划分，或者需要跳过某些层级。关键是理解每个能力的作用和代价，然后根据你的具体需求做出明智的选择。盲目遵循任何框架都是危险的，但完全忽视前人的经验也同样危险。在两者之间找到平衡，才是优秀工程师的特质。
本文由人人都是产品经理作者【深思圈】，微信公众号：【深思圈】，原创/授权 发布于人人都是产品经理，未经许可，禁止转载。
题图来自Unsplash股票配资首选门户网站，基于 CC0 协议。
力创配资提示：文章来自网络，不代表本站观点。
