Agent 演示很丰满，生产很骨感：拆解工具调用、记忆与规划的取舍边界

关注

原创 2026-07-23 21:24:42 149 阅读 AI 写同款· GEO 优化 ›

MoE与Multi-Agent如何破解化工大模型专业瓶颈？大模型在垂直领域的应用常面临专业知识不足与逻辑推理薄弱的挑战，这源于其通用训练数据与高度结构化领域知识之间的鸿沟。为解决这一问题，混合专家（MoE）架构通过在模型内部动态路由至特定专家网络，实现了计算效率与知识隔离的平衡。而多智能体（Multi-Agent）系统则在外部构建了模块化协作生态，通过集成专业工具与数据库，增强了任务执行的精确性与可解释性。这两种技术的核心价值在于将大模型的通用语言能力与领域专业深度相结合，尤其适用于化工这类强专业、重安全、多环节的复杂场景。本文聚焦于如何利用MoE与Multi-A 阅读详情

聊《同样是Agent，为什么有的能上线、有的只能演示？》之前，先说一句实在的：别急着背概念，先看它在真实项目里到底解决什么问题。

摘要

上周的需求评审会上，产品经理甩出一个需求：“我们要做一个能自动排查线上故障的 Agent。”

会议室里气氛很微妙。后端开发皱眉，因为这意味着 Agent 需要读日志、查监控甚至重启服务；前端开发沉默，因为如果 Agent 能修 Bug，他们的代码谁写？作为负责架构落地的我，心里清楚这不是技术能不能实现的问题，而是“权限与边界”的问题。

市面上那些炫酷的 AI 编程工具，从 Codex 到 Claude Code，确实让个人开发者体验到了“描述即交付”的快感。但一旦进入团队协作，尤其是生产环境，你会发现：一个只会“写代码”的 Agent 是灾难，一个懂得“调工具、记状态、懂规划”的 Agent 才是资产。

很多团队在做 Agent 项目时，容易陷入一种误区：以为把 LLM 接上 LangChain 就能解决所有问题。结果往往是 Demo 阶段跑得欢，一上生产就崩盘——要么乱改数据库，要么在死循环里消耗 Token，要么因为上下文太长而遗忘关键指令。

今天我不谈虚的概念，只复盘我们在构建内部运维助手时，关于工具调用（Function Calling）、记忆系统（Memory）和任务规划（Planning）这三个核心组件的真实踩坑经验与取舍逻辑。

Agent 的本质：不是聊天，是执行

文章插图 1

首先得纠正一个观念：Agent 不是一个高级版的 Chatbot。Chatbot 的核心是“理解与生成”，而 Agent 的核心是“感知、决策与行动”。

在真实项目中，我们将 Agent 定义为：给定目标，通过调用外部工具，利用记忆辅助，自主完成一系列动作闭环的系统。

这里的关键在于“自主”。如果每一步都需要人工确认，那它只是自动化脚本；如果它能根据上一步的结果动态调整下一步动作，这才是 Agent。

但在落地时，我们面临的最大冲突是：灵活性与可控性的平衡。给 Agent 太多自由，它会幻觉出根本不存在的 API；给太少，它又变回了僵硬的流程引擎。我们的解决方案是：将能力显式化，将约束结构化。

规划能力：从线性链到动态图

文章插图 2

早期的 Agent 实现多采用 Chain（链式调用），比如：读取日志 -> 分析错误 -> 查询文档 -> 输出报告。这种结构简单直观，但在面对复杂场景时极其脆弱。一旦中间某一步失败（比如没查到相关文档），整个链条就会断裂。

在重构我们的故障排查 Agent 时，我们引入了基于 ReAct（Reasoning + Acting）模式的规划器。

关键在于，规划不再是预设的代码路径，而是由 LLM 实时生成的 JSON 指令序列。我们设计了一个简单的状态机，允许 Agent 在遇到未知错误时“回退”或“询问用户”，而不是直接抛出异常。

import json

class AgentPlanner:
    def __init__(self, llm_client):
        self.llm = llm_client
        # 定义当前状态，用于追踪规划进度
        self.state = {
            "step": 0,
            "history": [],
            "conclusion": None
        }

    def plan_step(self, goal, current_context):
        """
        生成下一步行动计划
        这里不直接返回最终答案，而是返回一个待执行的工具列表
        """
        prompt = f"""
        Goal: {goal}
        Context: {current_context}
        Previous Steps: {json.dumps(self.state['history'])}

        Analyze the current state. If the goal is met, return {{"action": "FINISH", "result": "..."}}.
        Otherwise, return a list of tools to call next. Format:
        {{
            "action": "TOOL_CALL",
            "tools": ["tool_name_1", "tool_name_2"]
        }}
        """

        response = self.llm.generate(prompt)
        try:
            return json.loads(response)
        except json.JSONDecodeError:
            return {"action": "ERROR", "error": "Invalid plan"}

    def execute_and_update(self, action_result):
        """
        执行结果反馈，更新记忆和历史
        """
        self.state['history'].append(action_result)
        if action_result.get("is_success"):
            self.state['step'] += 1

取舍点：不要试图让 LLM 一次性规划完所有步骤。让它“走一步看一步”不仅更符合人类逻辑，也能减少因长上下文导致的注意力分散。同时，必须设置最大迭代次数（Max Iterations），防止死循环。

优快云资料领取方式

工具调用：权限的边界在哪里？

工具调用（Function Calling）是 Agent 的手脚。但在团队协作中，手脚乱动是最危险的。

我们曾遇到过这样一个案例：一个测试 Agent 被赋予“查询数据库”和“重置测试数据”两个工具。在 Demo 中，它完美地完成了“清理脏数据”的任务。但在实际联调中，由于 Prompt 中的歧义，它误将生产环境的测试表当成了测试环境的数据，执行了 DELETE 操作。

这就是为什么我说，权限控制是 Agent 的生产线生命线。

在实现工具调用时，我们做了三层过滤：

1. 静态类型检查：LLM 输出的参数必须符合预定义的 Schema，否则直接拒绝执行，不让模型“猜”。
2. 动态权限隔离：不同的 Agent 角色拥有不同的 Tool Set。开发者的 Agent 可以“读代码”，但不能“写生产配置”；运维 Agent 可以“重启服务”，但必须经过二次确认（Human-in-the-loop）。
3. 沙箱执行：涉及文件修改或数据库操作的工具，必须在隔离环境中执行，并记录详细的审计日志。

{
  "name": "execute_sql",
  "description": "Execute a read-only SQL query on the staging database.",
  "parameters": {
    "type": "object",
    "properties": {
      "query": {
        "type": "string",
        "description": "The SQL query string. MUST start with SELECT."
      }
    },
    "required": ["query"]
  },
  "strict": true
}

注意上面的 strict: true 和描述中的限制。这不仅是技术实现，更是管理规范。在简历或项目复盘中，强调你如何设计这些“护栏”，比强调你调用了什么模型更有价值。

记忆系统：短期是上下文，长期是知识库

很多开发者抱怨 Agent “记不住事”。这是因为他们混淆了短期记忆和长期记忆。

短期记忆（Working Memory）：就是当前的 Conversation History。随着对话变长，Token 成本激增，且容易出现“中间丢失”现象。
长期记忆（Long-Term Memory）：存储在向量数据库或关系型数据库中，供 Agent 按需检索。

在我们的故障排查场景中，如果每次排查都重新加载所有历史日志，响应延迟会高得无法接受。因此，我们采用了分层记忆策略：

1. 滑动窗口：仅保留最近 N 轮对话作为短期输入。
2. 摘要压缩：当对话超过一定长度，调用 LLM 对之前的内容进行摘要，存入短期记忆的头部。
3. 持久化检索：将关键的技术参数、已知的 Bug 模式存入向量库。当 Agent 遇到类似问题时，先检索相关信息，再注入 Prompt。

这种做法的代价是增加了系统的复杂度，但换来的是准确性和成本的平衡。对于初创团队或小型项目，我建议先从“摘要压缩”做起，这是性价比最高的优化手段。

失败恢复：给 Agent 留条后路

这是最容易被忽视的一点。Demo 里一切顺利，是因为测试用例都是精心挑选的。生产中，网络会超时，API 会返回 404，LLM 会 hallucinate。

一个健壮的 Agent 必须具备自我修复能力。

我们在规划器中加入了一个 retry 机制。如果工具调用失败，Agent 不会立即报错终止，而是会将错误信息（Error Message）作为新的上下文，重新尝试规划。

例如，第一次调用 get_server_status 失败，Agent 可能会尝试换一种方式查询，或者询问用户是否手动检查服务器。

def handle_failure(self, error):
    # 记录失败原因
    self.state['history'].append({"type": "ERROR", "msg": str(error)})

    # 触发重试或降级策略
    if error.type == "TIMEOUT":
        return {"action": "RETRY", "delay": 5}
    elif error.type == "PERMISSION_DENIED":
        return {"action": "ASK_USER", "question": "您没有权限访问该资源，是否联系管理员？"}
    else:
        return {"action": "HALT", "message": "不可恢复错误，已通知运维团队。"}