企业官网建设流程全解析

本文探讨了Agent技术的演进路径，从最初的简单问答模型，到接入外部工具、自主决策、多Agent协作，再到最终由生产级Harness托管的完整流程。文章详细介绍了每个阶段的技术特点和应用场景，并强调了根据任务需求选择合适架构的重要性。通过学习本文，小白程序员可以清晰了解Agent技术的发展趋势，为实际应用提供参考。

从“回答一个问题”，到“替用户完成一件事”，Agent 的技术重点在变化。

早期应用主要看模型能不能理解和生成；接入工具后，模型开始查询外部信息、调用系统；任务变长、走进业务流程后，系统还得解决规划、协作、权限、状态管理和失败恢复。

因此，Agent 的演进可以概括为：

从生成答案，到调用工具；从自主决策，到流程编排；再到由 Harness 托管生产级运行。

这是一条能力演进脉络，不是严格的技术替代顺序。Workflow 没有被 Harness 取代，Agent 也不一定要经过每个阶段。选型的关键，是任务需要多少智能判断，以及业务要求多少确定性。

01 从单轮问答到工具调用

阶段一：单轮问答

最简单的应用是：

用户提问 → LLM → 答案

用户问“什么是 RAG”，模型直接解释；用户贴一段材料，模型帮忙总结。任务的输入和输出都在对话里，模型不需要访问外部系统，也不需要持续执行。

这类应用适合问答、总结、改写等任务。它简单、成本低，但模型不知道外部世界的新状态，也不能替用户完成实际操作。

阶段二：工具调用型 Agent

当模型需要查询资料、读取业务数据或执行动作时，系统给它接上工具：

用户 → Agent → LLM ↔ 工具 → 结果

工具可以是搜索、数据库查询、CRM 接口，也可以是执行代码的环境。LLM 判断要不要调用工具、调用哪个工具；工程系统负责执行，并把结果交还给模型。

OpenAI 在 2025 年发布的 Responses API 和 Agents SDK，将内置工具、多 Agent 编排和运行追踪作为 Agent 开发的基础能力之一。

工具调用让模型开始“做事”，但一个问题随之出现：模型该如何决定下一步？

02 从调用工具到自主决策

阶段三：ReAct——边观察边行动

ReAct 把推理与行动交替起来：模型先决定一个动作，观察工具返回的结果，再选择下一步。

思考 → 调用工具 → 观察结果 → 再决定

例如，用户问“订单为什么还没发货”，Agent 可以先查订单状态。如果订单已付款、尚未发货，再查库存；发现库存不足后，再查询补货计划，最终解释原因和预计发货时间。

ReAct 适合下一步取决于中间结果的任务。它的代价是调用路径不固定，可能多次调用工具、陷入重复循环，成本和延迟也比较难预估。ReAct 作为一种推理与行动交替的范式，在 2022 年的论文中被系统提出。

阶段四：Plan & Execute——先规划，再执行

面对步骤较明确的任务，可以先拆解计划，再逐项执行：

Planner 制定计划 → Executor 执行步骤 → 汇总结果

比如“分析客户采购量下降的原因并创建跟进任务”，可以拆成：查客户信息、查历史订单、分析趋势、查询客服记录、判断可能原因、制定跟进方案、创建 CRM 任务。

这种方式更容易跟踪进度，也方便定位失败步骤。但如果任务需要探索，事先制定的计划可能很快失效。ReAct 与 Plan & Execute 因此是两种不同的决策方式：一个边做边判断，一个先计划再执行。

03 从单 Agent 到多种能力协作

阶段五：Multi-Agent——按专业分工

当任务需要不同角色的专业能力，或者需要并行处理多个子任务，可以由多个 Agent 协作：

Orchestrator → Research Agent → Analysis Agent → Writer Agent

在代码开发中，需求分析、编码、测试和审查可能需要不同的上下文、工具和判断标准。拆分 Agent 可以隔离职责，也可以并行工作。

但 Agent 数量越多，协调、上下文传递和错误追踪就越复杂。多 Agent 适合真实存在专业分工的任务，不是任务复杂就必须多加 Agent。

阶段六：Router + Skill——按任务分流，复用做法

当系统面对很多不同类型的任务，可以先由 Router 识别用户意图，再选择对应的 Skill：

用户请求 → Router → 对应 Skill → Agent / 工具

例如，“接口测试失败”进入 Debug Skill；“为接口补测试”进入 Test Generation Skill。Skill 把某类任务的操作步骤、参考资料和检查规则沉淀下来，减少每次都让模型临场发挥。

Router + Skill 与 Multi-Agent 解决的问题不同：前者回答“这类任务按什么方法做”，后者回答“由谁来做”。它们可以组合使用。

阶段七：Blackboard——共享状态，避免协作变成传话

多个 Agent 协作时，如果每个 Agent 都直接把完整上下文传给下一个，很快就会形成复杂的通信关系。

Blackboard 提供一个共享状态空间，用于存放任务目标、已验证事实、中间结果、审核意见和执行状态。

各个 Agent 围绕共享状态读取和更新，减少重复传递信息。随之而来的工程问题也很具体：谁可以写入？如何处理并发修改？结论如何追溯和回滚？

Blackboard 是一种共享状态协作方式，不是多 Agent 系统必经的新阶段。

04 从 Workflow 到生产级 Harness

阶段八：Graph / Workflow——让业务执行有边界

当 Agent 进入退款、审批、订单变更等业务流程，关键问题就不只是“模型能不能判断”，还包括：权限是否正确、金额是否符合规则、审批是否到位、失败后如何恢复、操作是否留痕。

以重复扣款和未发货的订单为例，系统可能需要：

识别诉求 ↓ 查询订单与支付记录 ↓ 核实是否重复扣款 ↓ 检查物流与退款规则 ↓ 是否超过自动退款额度？ ├─ 是：提交人工审批 └─ 否：执行退款 ↓ 更新订单并记录审计日志

Graph / Workflow 把任务组织成节点、状态和条件分支；业务规则、权限、校验、超时和重试由确定性的工程系统控制。模型则负责理解诉求、分析信息和处理需要判断的部分。

Workflow 不等于 Agent 的终点。它是一种特别适合固定业务流程的编排方式，可以调用 Agent，也可以由确定性代码完成。Anthropic 将 Workflow 描述为由预定义路径编排 LLM 与工具的系统，将 Agent 描述为能动态决定自身流程与工具使用的系统，并建议从简单方案起步、按需要增加复杂度。

阶段九：生产级 Harness——托管 Agent 的运行环境

Workflow 解决了“业务步骤如何组织”，但长时间运行的 Agent 还有更多问题：上下文如何延续？工具如何安全执行？运行中断后能否恢复？Agent 如何在受控环境中读写文件、运行代码？开发者如何观察和评估每一步？

Harness 可以理解为围绕模型的运行与控制系统。它通常负责：

• 运行循环

接收模型决策、执行工具、反馈结果。

• 上下文管理

压缩历史、保留关键状态，让任务跨多个阶段持续推进。

• 执行环境

提供受限的沙箱或工作区，隔离代码和工具操作。

• 状态与恢复

保存进度、检查点和中间产物，支持中断后继续。

• 权限与审批

限制敏感操作，在需要时暂停等待人工判断。

• 追踪与评估

记录调用过程，分析质量、成本和失败原因。

这一重点在 2025 年下半年到 2026 年的公开资料中变得更突出。Anthropic 于 2025 年 11 月介绍了如何用初始化、增量任务和交接产物支持跨上下文窗口的长时任务；OpenAI 在 2026 年发布的 Agents SDK 更新中，则强调 Harness、沙箱执行、状态持久化和运行恢复。

所以，Harness 不是 Workflow 的替代品。一个生产级 Harness 可以托管 Agent 循环，也可以执行 Graph / Workflow；Agent 则可以在其中调用工具、Skill 或其他 Agent。

05 怎么选：让任务决定架构

实际系统往往会组合这些架构，让任务来决定Agent怎么选。

一个企业代码助手可能由 Router 识别任务类型，调用需求分析 Skill；Planner 拆分任务后，Coding Agent 在受控环境里修改代码；测试和审查进入 Workflow，Harness 负责保存状态、记录过程，并在需要时等待人工审批。

结语：演进的方向，是把智能放进可靠的系统里

Agent 的技术演进，不是不断增加 Agent 数量，也不是把每个流程都改造成自主决策。

早期，团队关注模型能否理解和生成；接下来，模型开始调用工具、规划步骤、与其他 Agent 协作；进入业务生产后，Workflow 把业务边界显式化；而生产级 Harness 则让 Agent 能够在更长时间、更复杂的环境里持续、安全、可观察地工作。

贯穿这些变化的原则仍然是：

让 LLM 处理需要推理和判断的部分，让工程系统处理需要确定性的部分。

好的 Agent 系统不追求无所不能，而是清楚地划分：什么时候让模型决定，什么时候按流程执行，什么时候调用工具，什么时候停下来交给人。

大模型的知识又多又杂，到底怎么学？

做这行久了，被问最多的问题就一个：大模型的知识又多又杂，我到底先学啥？翻了一堆资料，看啥都像重点，结果啥都没学进去。今天把我自己一路摸出来的顺序捋一遍，零基础、应届生、转行的都适用。跟着走，至少方向不乱、不瞎忙，学完拿得出手。

第一阶段（10天）：初阶应用

这一阶段就一个目标：把大模型真正"玩明白"，不是只会聊天那种，而是能调教它、能用代码把大模型和业务接起来。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

这阶段正式进实战，目标很实在：做出两个能拿出手的东西——一个私有知识库，一个 agent 对话机器人。

• 为什么要做 RAG

• 搭建一个简单的 ChatPDF

• 检索的基础概念

• 什么是向量表示（Embeddings）

• 向量数据库与向量检索

• 基于向量检索的 RAG

• 搭建 RAG 系统的扩展知识

• 混合检索与 RAG-Fusion 简介

• 向量模型本地部署

• …

走完这 30 天，Python 或 JavaScript 背景的基本能独立做一套 RAG 应用，简历上也敢写"大模型应用开发"了。

第三阶段（约20天）：动手微调

学到这，你已经开始 “造” 模型了 —— 通过微调，搞出垂直领域的专用小模型。

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你从 “只会用” 变成 “能造” 的 AI 小子。那么你还想往下探索吗？

想要入局AI大模型赛道、抢占行业红利的朋友，微信扫描下方CSDN官方认证二维码，即可100%免费领取全套学习资料！

第四阶段（20天）：商业闭环，部署落地

技术学完，落地才算数。这阶段带你搞明白大模型怎么真正跑起来、用起来。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

想要入坑大模型的朋友，给大家准备了一份2026 年最新 AI 大模型全套学习资料：

1、大模型系统化学习路线

2、大模型学习视频教程

3、大模型学习书籍&电子文档

4、AI大模型最新行业报告

5、大模型项目实战&配套源码

6、2026大模型大厂面试真题

7、为什么要学习大模型？

我国在A大模型领域面临人才短缺,数量与质量均落后于发达国家。2023年，人才缺口已超百万，凸显培养不足。随着AI技术飞速发展，预计到2025年,这一缺口将急剧扩大至400万,严重制约我国AI产业的创新步伐。加强人才培养,优化教育体系,国际合作并进是破解困局、推动AI发展的关键。

8、适合谁学？

• 传统后端 / Java / 前端开发，想转型 AI 应用
• 大学生、应届生，想拿更好的 offer
• 产品经理、运营，想武装职业竞争力
• 技术负责人，想给团队落地提效

学习是反人性的，但回报是真金白银。技术会更新，赛道会切换，但只要你先动手，机会就永远站在你这边。

9、这些资料真的有用吗？

这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

想要入局AI大模型赛道、抢占行业红利的朋友，微信扫描下方CSDN官方认证二维码，即可100%免费领取全套学习资料！

好了，就写到这。路线是死的，人是活的，卡住了随时来问我。觉得有用就点个收藏，别让它进收藏夹吃灰——动起来比啥都强。