无需技术背景！一文读懂智能体系统从提示到生产的全要素

提示：基础

所有生产级人工智能系统始于精心编写的提示。用过ChatGPT或Claude就知道，输入内容模型会回应。生产环境的提示精心设计，非手动输入。提示结构框架包含五个组成部分，定义越精确输出越可预测。提示类型有三种策略，各在简洁性和准确性间权衡。零样本学习法简单，给任务无示例期望自行完成；少样本训练法要提供输入输出示例；思维链要求逐步推理得出结论，是处理复杂分析任务理想选择。

从随意使用到生产系统

用ChatGPT或Claude时，手动引导对话有一套方法。但生产系统需每天可靠自动执行操作，不能重试。解决方案是分解任务，分配给专门AI代理，使系统运行快、可预测且易调试。

子代理和模型参数

子代理是分配到特定狭窄任务的AI模型，可使用小而经济的模型。模型运行要调整参数，温度控制输出创造性或随机性，任务需一致性降低温度，需创造性提高温度。

智能体工作流范式

连接子代理有链式和编排两种范式。链式工作流简单，代理输出依次传递，LangChain是构建此类工作流流行框架。编排工作流设编排器代理，可循环调用子代理，LangGraph用于基于图的工作流。任务“先做A，再做B，再做C”用链式流程，“弄清楚做什么再调整”用协调器。

能动模式

单个智能体执行任务有“反馈”（ReAct）和“计划与执行”（Plan and Execute）模式。ReAct循环执行推理、行动、观察步骤，适合未知答案路径任务；计划与执行先构建计划再执行，优势是可预测和高效，但执行僵化。任务探索性强用ReAct，定义明确用Plan and Execute。

情境工程

上下文工程研究注入提示信息的方法。简单做法是塞所有数据，但成本高。明智做法是动态获取相关信息，数据在结构化数据库用SQL查询，非结构化数据用RAG。上下文工程重精准，干扰信息少智能体表现好。

能力工程

能力工程关注智能体能力和行为，常用工具是技能（Skills），是Markdown文件描述行为。如电子邮件回复代理有规则文件，代理按规则行动，技能使行为可预测且易更新。

RAG与微调

RAG改变模型获取信息，成本低可随时更新；微调改变模型内部权重，耗费资源。先尝试RAG，确认瓶颈在模型行为或思维模式时再微调。

工具调用和MCP

AI代理有时需实时外部数据，用工具获取。定义工具给智能体规范，智能体按需调用。MCP是开放标准，外部服务发布工具，代理连接服务器自动发现和使用工具。

生产环境中的可靠性：判断代理

生产环境保证智能体系统可靠运行难，可靠性包括输出结果和系统稳定。评判代理审查输出，部署有顺序和并行两种方式。评判模型与系统模型不同，启用“扩展思考模式”提高评判准确性。LLM网关控制流量，进行速率限制管理和故障转移。

智能体系统中的记忆

对话长或工作流崩溃时，内存管理重要。ChatGPT的蛮力方法不可扩展，添加摘要代理生成精简内存对象。多步骤工作流用检查点机制，失败时从上一成功点继续。

可观察性：了解实际发生了什么

可观测性记录智能体执行步骤，常用工具是Langfuse。其重要性体现在调试和评估，像系统的黑匣子记录仪。

人机交互（HITL）

并非所有决策由AI代理做，HITL在工作流设人工审核环节。简单形式是聊天界面，更好是专门设计界面。HITL对不可逆操作设审核点，好的HITL设计是UX问题。

结构化输出

LLM默认生成自由格式文本，生产环境中智能体输出需结构化。定义精确模式验证输出，多数LLM提供商和框架支持。

综合运用

生产环境中智能体系统各组件协同工作，提示层给指令，子智能体分解工作，上下文工程提供信息等。理解这些概念可评估新事物。