一年之间，Agent 从 Workflow 到 While Loop
模型迭代速度超越了框架设计速度【AI大模型教程】
- 2024 年初：GPT-4、Claude 3 需要 Workflow 这样的"手把手"指导才能完成复杂任务
- 2025 年中：Claude 3.7、GPT-4.5、o4-mini 直接理解任务意图，一个
while True配合详细 prompt 就能跑完全流程 - 核心转变：从"框架编排模型"到"模型即 agent"，Prompt+模型成为唯一核心
- 行业共识：模型能力每 3-6 个月翻倍，精心设计的工作流框架很快就会过时
一年前：为什么我们需要 Workflow？
2024 年初，当我们想让 GPT-4 完成一个复杂的调研任务时，必须这样做：
- 手动拆解任务：定义"搜索"节点、"分析"节点、"总结"节点
- 设计状态机：规划节点之间的跳转逻辑、循环条件、退出条件
- 编写路由规则：用代码告诉模型"什么时候该做什么"
- 维护状态传递：在节点之间显式传递中间结果
# 2024年典型的代码from langgraph.graph import StateGraphworkflow = StateGraph(AgentState)workflow.add_node("search", search_node)workflow.add_node("analyze", analyze_node)workflow.add_node("summarize", summarize_node)workflow.add_edge("search", "analyze")workflow.add_edge("analyze", "summarize")workflow.add_conditional_edges( "summarize", should_continue, {"continue": "search", "end": END})
为什么这么复杂？ 因为 2024 年的模型还不够聪明：
- 上下文窗口有限（GPT-4 才 128K，实际可用更少）
- 工具调用不稳定（经常遗漏参数或调错工具）
- 推理深度不足（多步任务容易"走偏"）
- 没有长期记忆能力
现在：Claude Code 只用了一个 while loop
2025 年，Claude Code 让我们看到了另一种可能。它的核心代码简化到极致：
# Claude Code 的核心逻辑（简化版）system_prompt = """你是一个软件工程助手...[长达 5000+ 字的详细操作手册]"""while not task_completed: response = claude_3_7.invoke( system=system_prompt, messages=conversation_history, tools=available_tools ) if response.tool_calls: results = execute_tools(response.tool_calls) conversation_history.append(results) if response.says_completed: task_completed = True
就这么简单。 没有节点、没有状态机、没有路由规则。模型自己决定：
- 下一步该做什么（规划能力）
- 需要调用哪些工具（工具理解）
- 任务是否完成（自我评估）
- 如何处理错误（容错能力）
为什么现在可以？ 因为模型迭代太快了：
| 能力维度 | 2024 年初 | 2025 年中 | 提升倍数 |
|---|---|---|---|
| 上下文窗口 | 128K | 1M+ | 8x |
| 工具调用准确率 | ~60% | ~95% | 1.6x |
| 多步推理深度 | 3-5 步 | 20+步 | 4-6x |
| Prompt 理解 | 需要精简 | 可以写"操作手册" | 10x+ |
深度代理的四个关键构成要素
核心转变：Prompt + 模型 = 一切
以前：框架是核心，模型是工具
开发者设计 → Workflow 编排 → 模型执行 ↑ ↓ └──────── 结果反馈 ←────────────┘
- 开发者要想清楚所有逻辑
- 框架负责流程控制
- 模型只是"一个更好的函数"
现在：模型是大脑，框架是手
详细 Prompt → 模型自主决策 → 持续执行 ↓ 工具 + 记忆
- Prompt 就是"操作系统"（5000+ 字的系统提示）
- 模型自己规划、执行、评估
- 框架退化为"提供工具"和"防止出轨"
"真正的 Agent，就是一个在循环中运行、不断调用工具的 LLM。差异只在于工程细节。"
这句话的深层含义是：当模型足够强时，复杂的框架设计变得不再必要。
理解 Claude Code 发现只需要四个东西：
1. 详细的系统 Prompt（5000+ 字）
Claude Code 的系统提示词[1]包含：
- 工具使用说明（每个工具都有详细例子）
- 工作流程指南（什么时候该做什么）
- 错误处理策略（遇到问题怎么办）
- 输出格式要求（如何与用户沟通）
关键发现：Prompt 越详细，模型表现越好。2024 年我们还在优化"如何用最少的 token"，现在直接把操作手册塞进去就行。
2. 规划工具（Todo List）
Claude Code 的 Todo List 工具[2]本质上是个 No-Op（不执行任何操作），但它强制模型：
- 显式列出计划步骤
- 追踪任务进度
- 保持专注不跑偏
class TodoTool: def add_task(self, task: str): """强制模型思考下一步""" pass # 实际不执行任何操作
这个"假工具"的作用是让模型的 CoT（思维链）外化，类似于"把想法写下来"。
3. 子代理机制
复杂任务需要拆解。Claude Code 的子代理[3]做法：
# 主代理创建子代理sub_agent = Agent( task="深度调研量子计算的最新进展", parent_context=current_context, # 共享上下文 max_iterations=50)result = sub_agent.run()main_agent.integrate(result)
- 主代理负责整体规划
- 子代理处理子任务（可以是搜索、代码、分析等）
- 上下文在主子之间共享
4. 文件系统（长期记忆）
无论是 Claude Code、Manus 还是 Deep Research，都把文件系统当作：
- 工作区：执行任务的场所（读写代码、文档等）
- 外部记忆：保存中间结果、避免上下文溢出
- 状态持久化：长时间运行任务的状态管理
# 模型可以随时读写文件agent.write_file("research_notes.md", "...")agent.read_file("previous_findings.txt")
这比传统的"把所有东西塞进 messages"要高效得多。
这一年的教训：模型迭代速度 >> 框架设计速度
回顾 2024 到 2025 这一年：
Q1 2024：Workflow 成为 Agent 开发的事实标准
Q2 2024：Claude 3.5 发布，工具调用准确率大幅提升
Q3 2024：GPT-4.5 支持 200K 上下文，开始减少节点数量
Q4 2024：o4-mini 展示深度推理能力，简单任务不再需要状态机
Q1 2025：Claude Code 公开，证明"while 循环 + 详细 Prompt"就够了
Q2 2025：行业开始反思"是否过度工程化了 Agent 框架"
核心教训：
- 不要为当前模型设计框架——3 个月后模型就会升级
- Prompt 比代码更重要——5000 字的 Prompt 胜过 5000 行的编排代码
- 模型即 Agent——当模型足够强，循环就是最好的架构
- 保持简单——复杂的状态机在快速迭代中很难维护
实践建议
如果你现在要开发一个 Agent 系统：
从 while 循环开始
while not done: response = model.invoke(messages, tools) handle_response(response)
不要一上来就设计复杂的工作流图。先让最简单的循环跑起来，看模型能做到什么程度。
把精力花在 Prompt 上
- 写详细的工具使用说明（每个工具都要有例子）
- 定义清晰的工作流程（什么情况下该做什么）
- 提供错误处理策略（遇到问题如何恢复）
- 给出输出格式要求（如何与用户交互）
Claude Code 的系统 Prompt 有 5000+ 字，这不是偶然。
选最新最强的模型
模型能力的提升远超你的想象：
- Claude 4.5 vs Claude 3: 工具调用准确率从 60% → 95%
- GPT-5 vs GPT-4: 推理深度从 5 步 → 20+ 步
- o4-mini: 内置 CoT，自动进行多步推理
不要用 6 个月前的模型。 那会让你误以为需要复杂的框架。
提供必要的工具和记忆
- Todo List（强制规划）
- 子代理（任务拆解）
- 文件系统（长期记忆）
这些是工程细节，但很重要。
结语：模型就是 Agent
2024 年我们说"Agent = 模型 + 框架 + 工具"。
2025 年我们发现"Agent = 模型"，框架和工具只是辅助。
这不是说 Workflow 没有价值——在需要严格流程控制、人工审核节点、合规检查的场景，显式的工作流依然必要。但对于大多数"让 AI 自主完成任务"的场景，一个写得足够好的 Prompt + 一个足够强的模型 + 一个简单的 while 循环，就够了。
模型迭代太快了。 与其花时间设计完美的框架，不如把精力放在 Prompt 工程和模型选择上。半年后，你精心设计的状态机可能会被新模型的能力提升彻底取代。
不是我们设计得更好了，是模型变得更强了。
