【珍藏干货】一年之间，Agent开发范式从Workflow到While Loop的蜕变

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

• 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：

1. 手动拆解任务：定义"搜索"节点、"分析"节点、"总结"节点
2. 设计状态机：规划节点之间的跳转逻辑、循环条件、退出条件
3. 编写路由规则：用代码告诉模型"什么时候该做什么"
4. 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：

1. 不要为当前模型设计框架——3 个月后模型就会升级
2. Prompt 比代码更重要——5000 字的 Prompt 胜过 5000 行的编排代码
3. 模型即 Agent——当模型足够强，循环就是最好的架构
4. 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。

普通人如何抓住AI大模型的风口？

领取方式在文末

为什么要学习大模型？

目前AI大模型的技术岗位与能力培养随着人工智能技术的迅速发展和应用 ， 大模型作为其中的重要组成部分 ， 正逐渐成为推动人工智能发展的重要引擎 。大模型以其强大的数据处理和模式识别能力， 广泛应用于自然语言处理 、计算机视觉 、 智能推荐等领域 ，为各行各业带来了革命性的改变和机遇 。

目前，开源人工智能大模型已应用于医疗、政务、法律、汽车、娱乐、金融、互联网、教育、制造业、企业服务等多个场景，其中，应用于金融、企业服务、制造业和法律领域的大模型在本次调研中占比超过 30%。

随着AI大模型技术的迅速发展，相关岗位的需求也日益增加。大模型产业链催生了一批高薪新职业：

人工智能大潮已来，不加入就可能被淘汰。如果你是技术人，尤其是互联网从业者，现在就开始学习AI大模型技术，真的是给你的人生一个重要建议！

最后

只要你真心想学习AI大模型技术，这份精心整理的学习资料我愿意无偿分享给你，但是想学技术去乱搞的人别来找我！

在当前这个人工智能高速发展的时代，AI大模型正在深刻改变各行各业。我国对高水平AI人才的需求也日益增长，真正懂技术、能落地的人才依旧紧缺。我也希望通过这份资料，能够帮助更多有志于AI领域的朋友入门并深入学习。

真诚无偿分享！！！
vx扫描下方二维码即可
加上后会一个个给大家发

大模型全套学习资料展示

自我们与MoPaaS魔泊云合作以来，我们不断打磨课程体系与技术内容，在细节上精益求精，同时在技术层面也新增了许多前沿且实用的内容，力求为大家带来更系统、更实战、更落地的大模型学习体验。

希望这份系统、实用的大模型学习路径，能够帮助你从零入门，进阶到实战，真正掌握AI时代的核心技能！

01 教学内容

• 从零到精通完整闭环：【基础理论 →RAG开发 → Agent设计 → 模型微调与私有化部署调→热门技术】5大模块，内容比传统教材更贴近企业实战！

• 大量真实项目案例： 带你亲自上手搞数据清洗、模型调优这些硬核操作，把课本知识变成真本事‌！

02适学人群

应届毕业生‌： 无工作经验但想要系统学习AI大模型技术，期待通过实战项目掌握核心技术。

零基础转型‌： 非技术背景但关注AI应用场景，计划通过低代码工具实现“AI+行业”跨界‌。

业务赋能突破瓶颈： 传统开发者（Java/前端等）学习Transformer架构与LangChain框架，向AI全栈工程师转型‌。

vx扫描下方二维码即可

本教程比较珍贵，仅限大家自行学习，不要传播！更严禁商用！

03 入门到进阶学习路线图

大模型学习路线图，整体分为5个大的阶段：

04 视频和书籍PDF合集

从0到掌握主流大模型技术视频教程（涵盖模型训练、微调、RAG、LangChain、Agent开发等实战方向）

新手必备的大模型学习PDF书单来了！全是硬核知识，帮你少走弯路（不吹牛，真有用）

05 行业报告+白皮书合集

收集70+报告与白皮书，了解行业最新动态！

06 90+份面试题/经验

AI大模型岗位面试经验总结（谁学技术不是为了赚$呢，找个好的岗位很重要）

07 deepseek部署包+技巧大全

由于篇幅有限

只展示部分资料

并且还在持续更新中…

真诚无偿分享！！！
vx扫描下方二维码即可
加上后会一个个给大家发