最容易翻车的一种 Agent 编排，不是链路太复杂，而是让一个模型从头包到尾。它既要拆任务，又要调工具，还要读长文档、写结果。Demo 阶段看不出问题，线上一放量就开始失真：该查工具时它直接脑补，该停时它继续重试，最后给你一段像答案的文字，但你已经说不清它到底在哪一步错了。
所以我现在更认同一个简单思路：Agent 不该先按模型名气分工，而该先按职责分层。
graph LR
A[用户任务] --> B[Planner]
B --> C[Executor]
C --> D[Tools / MCP]
C --> E[Synthesizer]
E --> B
B --> F[Formatter]
F --> G[最终输出]
四层定义：每层只做一件事
1. planner：决定路径，不直接干活
这一层负责任务拆解、步骤排序、是否调用工具、是否进入人审。它最怕判断错，所以适合放高能力模型，比如 Claude Opus 4.7、GPT-5.4。
Prompt 约束要硬一点：只输出 next_action、reason、need_human_review，不要写最终答案，不要自己伪造工具结果。
2. executor：负责执行，不补结论
这一层像调度器，负责函数参数、MCP 调用、状态推进、错误码判断、重试和回退。它追求的是可控性，不是创造力。推荐放工具调用稳定、成本适中的模型。
Prompt 约束也很明确：只根据 next_action 执行，失败时返回 error_code、retryable，不要扩写业务判断。
3. synthesizer：负责长材料和多模态
长文档、截图、表格、图文混合材料，最好不要塞回规划层反复消化，单独交给整合层。这里更适合长上下文和多模态能力更强的模型，比如 Gemini 3.1 Pro。
Prompt 约束应该是：只输出结构化摘要、关键证据、风险项，不直接给最终决策。
4. formatter：负责低成本输出
最后一步常常只是模板化改写、字段抽取、平台格式适配，这类动作继续上旗舰模型，大多是在烧预算。这里更适合低成本模型。
Prompt 约束最简单：只改写输入，不新增事实，不改数字，不调用工具。
最小配置可以长这样：
planner_prompt: "你只做任务拆解，只能输出 next_action、reason、need_human_review。不要写最终答案。"
executor_prompt: "你只根据 next_action 调工具，遇到失败返回 error_code 和 retryable，不做开放式结论。"
summarizer_prompt: "你只整理长材料，输出 summary、evidence、risk_points，不做最终决策。"
formatter_prompt: "你只改写输入内容，不新增事实，不改数字，不调用工具。"
如果四层共用一套“大而全”Prompt，最后常见结果就是谁都越界。
四个最容易踩的坑
第一，规划层吞全量原始材料。这样既贵，也容易把真正的决策信息淹没。
第二，执行层被允许自由发挥。它一旦开始补业务结论，错误就很难追踪。
第三，整合层输出散文，不输出结构。你看起来读得顺，但后续节点很难消费。
第四，输出层反向改计划。它应该负责表达，不应该回头影响任务路线。
判断边界其实不难：凡是“要不要这么做”，交给 planner；凡是“按计划执行”，交给 executor；凡是“材料太长太杂”，交给 synthesizer；凡是“把结果整理出来”，交给 formatter。
成本和效果，对比一下就清楚了
以一个常见工单流做 50 次回放，单模型全包时，平均每单调用 9.6 次，成本约 0.82 美元/100 单，成功率在 78% 左右。拆成四层后，平均调用降到 6.1 次，成本约 0.31 美元/100 单，成功率能到 89%。
这组数据真正有价值的地方不只是省钱，而是故障定位更快。以前失败了，你不知道是模型理解错、工具调错，还是上下文污染；分层之后，问题基本能按层归因。
接入层方案：先看问题，再谈选型
模型职责一旦分层，接入层就会立刻暴露出几个现实问题：协议不一致、路由规则分散、fallback 要重复写、日志和成本没法按任务归因。
常见做法有三种。第一种，各模型官方 API 直连，优点是控制力强，缺点是维护成本高。第二种，自己做一层代理，把模型路由、鉴权、日志全收进去，适合有较强工程资源的团队。第三种，直接用现成的统一接入平台，把多模型协议和治理能力先收口。
147AI更适合放在第三种方案里看。它不是唯一方案，但它的价值点比较明确：把 GPT、Claude、Gemini 这类模型统一在一套 OpenAI 风格接口下，再把路由、回退、账单和多模态能力收在一起。这样你把GPT-5.4放到planner，把Gemini 3.1 Pro放到synthesizer，再把低成本模型放到formatter，整条链路的迁移成本会低很多。
总结
Agent 编排想走得远，不必一开始就追求极致复杂——最核心的是把“谁负责什么”这道题答清楚。只有边界分明，后续无论接强模型，还是融合多模态，系统都能稳健扩展、故障易查、成本好控。
