从 Prompt Engineering 到 Agent Engineering：AI Agent 架构设计与实践指南

引言

2024 年被称为 "Agent 元年"。从 OpenAI 的 GPTs 到 Anthropic 的 Computer Use，从 AutoGPT 的爆火到各类 Agent 框架的百花齐放，AI Agent 正在从概念走向落地。然而，很多开发者在实践中发现：写好 Prompt 只是第一步，构建一个可靠、可扩展的 Agent 系统需要全新的工程思维。

本文将带你从 Prompt Engineering 进化到 Agent Engineering，深入探讨 AI Agent 的核心架构设计模式与工程实践。

---

一、为什么需要 Agent Engineering？

1.1 从简单对话到复杂任务

早期的 LLM 应用主要是单轮问答或多轮对话，核心技巧在于 Prompt Engineering：

• 角色设定（System Prompt）
• 少样本示例（Few-shot）
• 思维链（Chain-of-Thought）
• 输出格式约束（JSON Mode）

但当任务复杂度提升——需要调用工具、访问外部数据、执行多步骤推理、处理错误恢复时，单纯的 Prompt 技巧就显得力不从心。

1.2 Agent 的核心特征

一个真正的 AI Agent 具备以下特征：

特征	说明	示例
自主性	能独立决策下一步行动	根据任务目标自主规划步骤
工具使用	能调用外部 API/工具	查天气、写文件、调用数据库
记忆能力	能维护短期和长期记忆	记住用户偏好、对话历史
反思能力	能自我纠错和优化	发现错误后重新尝试

---

二、Agent 架构的核心组件

2.1 ReAct 模式：思考-行动-观察循环

ReAct（Reasoning + Acting）是目前最主流的 Agent 架构：

思考(Thought) → 行动(Action) → 观察(Observation) → 思考(Thought) → ...

核心代码示例：

class ReActAgent:
    def run(self, query: str) -> str:
        context = []
        for step in range(max_steps):
            # 1. 思考
            thought = self.llm.think(query, context)
            
            # 2. 决定行动
            action = self.llm.decide_action(thought)
            
            if action.type == "finish":
                return action.result
            
            # 3. 执行工具
            observation = self.tools.execute(action)
            
            # 4. 更新上下文
            context.append({
                "thought": thought,
                "action": action,
                "observation": observation
            })

2.2 规划层：从简单循环到复杂规划

根据任务复杂度，Agent 的规划能力可分为三个层级：

Level 1: 单步 ReAct

• 适合：简单查询、单工具调用
• 代表：基础 ChatGPT、简单 RAG

Level 2: 多步规划

• 适合：需要多步骤的任务
• 代表：LangChain Agent、AutoGPT
• 关键：任务分解（Task Decomposition）

Level 3: 分层规划

• 适合：复杂项目、长期任务
• 代表：MetaGPT、OpenAI 的 Swarm
• 关键：高层规划 + 低层执行

2.3 记忆系统：让 Agent 有"记忆"

Agent 的记忆通常分为两类：

短期记忆（Working Memory）

• 当前对话上下文
• 最近的思考过程
• 实现：滑动窗口、Token 限制

长期记忆（Long-term Memory）

• 用户画像和偏好
• 历史任务经验
• 领域知识库
• 实现：向量数据库（RAG）

class MemorySystem:
    def __init__(self):
        self.short_term = []  # 短期记忆
        self.vector_store = VectorStore()  # 长期记忆
    
    def retrieve(self, query: str, k: int = 5) -> List[str]:
        # 检索相关记忆
        return self.vector_store.similarity_search(query, k)
    
    def store(self, experience: str):
        # 存储经验到长期记忆
        self.vector_store.add_texts([experience])

---

三、工程实践：构建生产级 Agent

3.1 工具设计原则

好的工具设计是 Agent 成功的关键：

1. 原子性：每个工具只做一件事
2. 自描述：工具名称和描述要清晰
3. 容错性：工具调用失败要有降级方案
4. 可观测：记录所有工具调用日志

@tool
def search_database(query: str, limit: int = 10) -> str:
    """
    搜索产品数据库，返回匹配的产品列表。
    
    Args:
        query: 搜索关键词
        limit: 返回结果数量，默认10条
    
    Returns:
        JSON 格式的产品列表
    """
    try:
        results = db.search(query, limit)
        return json.dumps(results)
    except Exception as e:
        return f"搜索失败: {str(e)}"

3.2 错误处理与重试机制

生产环境的 Agent 必须具备鲁棒性：

class RobustAgent:
    def execute_with_retry(self, action, max_retries=3):
        for attempt in range(max_retries):
            try:
                result = self.tools.execute(action)
                return result
            except ToolError as e:
                if attempt == max_retries - 1:
                    return self.fallback_handler(e)
                
                # 让 LLM 分析错误并调整策略
                reflection = self.llm.reflect(error=e)
                action = self.adjust_action(action, reflection)

3.3 人机协作：Human-in-the-Loop

不是所有决策都应该交给 Agent：

class HumanAssistedAgent:
    def run(self, task):
        while not task.completed:
            action = self.plan_next_action(task)
            
            # 高风险操作需要人工确认
            if action.risk_level > 0.7:
                approval = self.request_human_approval(action)
                if not approval:
                    continue
            
            result = self.execute(action)
            task.update(result)

---

四、主流 Agent 框架对比

框架	特点	适用场景
LangChain	生态丰富、文档完善	快速原型、通用 Agent
LlamaIndex	专注 RAG、数据连接	知识库问答、文档分析
AutoGen	多 Agent 协作	复杂任务分解、团队模拟
CrewAI	角色扮演、流程编排	业务流程自动化
OpenAI Swarm	轻量、官方支持	简单多 Agent 系统

---

五、未来展望

5.1 从 Agent 到 Multi-Agent

单个 Agent 的能力有限，未来的趋势是多 Agent 协作：

• 规划 Agent：负责任务分解
• 执行 Agent：负责具体工具调用
• 验证 Agent：负责结果检查
• 学习 Agent：负责经验总结

5.2 从工程到科学

Agent Engineering 正在从经验驱动走向科学驱动：

• 可解释性：理解 Agent 的决策过程
• 可评估性：建立 Agent 能力基准测试
• 可优化性：自动优化 Prompt 和工具链

---

结语

从 Prompt Engineering 到 Agent Engineering，我们见证了大模型应用从"玩具"走向"工具"再到"伙伴"的进化。构建一个好的 Agent 不仅需要掌握 LLM 的调用技巧，更需要系统性的工程思维：模块化设计、错误处理、可观测性、人机协作。

Agent 时代才刚刚开始，希望本文能为你的 Agent 开发之旅提供一些启发。

---

参考资源：

• ReAct: Synergizing Reasoning and Acting in Language Models
• LangChain Documentation
• OpenAI Function Calling Guide

---

本文首发于稀土掘金，转载请注明出处。