网页版:整篇 来源:论文摘要 | HTML 全文 | Jia Huang · Joey Tianyi Zhou | v1 2026-03-16 / v2 2026-05-24 | 本地源 kb/md/agent-设计模式双轴框架.md | 【20260524 update - Total — 】
主线 给 agent 架构一个可定位的坐标系:纵轴是「认知功能」(它承担什么思考职责),横轴是「执行拓扑」(它怎么组织执行),7×6 = 42 格,每一格对应一类设计模式。
按角色分(planner/executor)或按流程分(流水线/反思),都会把「同一张接线图、不同语义」的情况混在一起。
七个认知功能 × 六种执行拓扑,得到 42 格矩阵与八个代表模式,坐标一报就能对齐讨论。
四领域验证给出五条选型定律,作者自陈边界,最后落到「把你的体系塞进矩阵」的体检表。
层次 从下往上读:
| 层 | 内容 | 本辑对应 | 读它的用处在哪 |
|---|---|---|---|
| 坐标系 | 两轴定义与 42 格矩阵 | 问题陈述、两轴、矩阵全表 | 十分钟建立共同语言 |
| 模式 | 八个代表模式详解 | 八个代表模式详解 | 照着实现 |
| 定律 | 五条选型定律 | 四领域验证与五条定律 | 选型时用 |
| 落地 | 边界与体检表 | 作者自陈的边界、把你的体系塞进矩阵 | 找自己体系的缺口 |
怎么打开:抖音/B站/视频号链接直接播放;PDF 与论文链接给原文。本主题每条的深蒸馏都在下方正文,整篇网页版见文末。
第一组 · 立论:为什么单轴不够用(2 条 · 已深蒸馏 2)
第二组 · 坐标系:两轴与 42 格(3 条 · 已深蒸馏 3)
第三组 · 模式、定律与它站不住的边(5 条 · 已深蒸馏 5)
| # | 标题 | 精读 | 深蒸馏网页版 | 原文 / 原视频 |
|---|---|---|---|---|
| 6 | 八个代表模式详解 | §2.3.1 | —(正文) | 原文 |
| 7 | 正交性论证 | §2.3.2 | —(正文) | 原文 |
| 8 | 与既有框架的对比 | §2.3.3 | —(正文) | 原文 |
| 9 | 四领域验证与五条定律 | §2.3.4 | —(正文) | 原文 |
| 10 | 作者自陈的边界 | §2.3.5 | —(正文) | 原文 |
第四组 · 我的判读与落地(2 条 · 已深蒸馏 2)
Agent 设计模式双轴框架 · 知识库 | §2.1.1
全文的立论只有一个例子,但那个例子很硬。
对应原文 §1 Introduction
作者先把现有四份主流资料摆出来,指出它们各自只有一个轴:
Anthropic《Building Effective Agents》给了六种执行拓扑(链式、路由、并行、编排-工作者、评估-优化、自主);Google ADK 给了八种工作流(围绕顺序、并行、循环);LangChain 给了四种协调(supervisor、层级、网状、交接);吴恩达给了四种认知能力(反思、工具使用、规划、多智能体协作)。
前三个是拓扑轴,后一个是认知轴,没有一份同时具备两个轴。然后他给出那个关键例子——同一张 Orchestrator-Workers 接线图,至少对应三种系统:
中心协调者→工作者 A工作者 B工作者 C
├ Plan-and-Execute(行动):规划者拆子任务,派给执行者 —— 失败在拆错
├ 层级委派(协作):主管向领域专家要判断 —— 失败在专家口径不一致
└ 可观测性监控(治理):中心做日志、追踪、告警 —— 失败在监控本身漏采三者在架构上不同、失败模式不同、扩展性质不同、测试策略不同,但接线图一样。没有认知轴,你没法把它们区分开——你看一张图,看不出该测什么。
反过来也成立:同一个认知功能可以用多种拓扑实现。推理能力(C3)可以是链式思维(Chain)、可以是按复杂度路由(Route)、可以是并行探索(Parallel)、也可以是迭代假设检验(Loop)。选哪个拓扑,直接决定延迟、成本、失败特性。
这个盲区你身上真实存在过一次:「受控路由-dual」那个「受控执行上下文核验失败」。那张图是标准的 Route 拓扑,但它的认知功能到底是「治理」(权限校验没过)还是「行动」(执行上下文传丢了)——当时定位花的时间,本质就是在补那个缺失的认知轴。有坐标的话,第一句就会问:这是 C7 的格还是 C4 的格?两个格的排查顺序完全不同。
更实用的用法:以后任何一条 c/w 流程,都先报坐标(比如「这是 C4×T4 的 Plan-and-Execute」)。报不出来,说明这条流程你还没想清楚它在干嘛。
Agent 设计模式双轴框架 · 知识库 | §2.1.2
这三条同时是作者给自己留的退路——第三条尤其。
对应原文 §2.1 Design Principles
正交性:两个轴必须能独立变化。改认知功能不该被迫改拓扑,反之亦然。这是整个框架的成立前提——如果两轴相关,矩阵就是假的。
完备性:两个轴要能覆盖生产级 Agent 所需的全部能力,以及拼出任何工作流所需的全部结构原型。
持久性:分类描述的是「结构性的需求」和「结构性的形态」,要能跨框架、跨模型变化存活。原话很好:「Perception 在 4K 窗口和 2M 窗口下都相关;Loop 在循环体是 GPT-4 调用还是 Claude 调用时都相关。」
「持久性」这条是把双刃剑。它让框架长寿,但也让它故意不描述任何会变的东西——不描述成本、不描述延迟、不描述质量。所以这张矩阵能告诉你「该有几个模式」,不能告诉你「这个模式该给多少 token」。论文里所有定量内容(85% 成本下降、20% 绝对提升、$18,850/天)都来自引用的别人,不是他自己测的。
Agent 设计模式双轴框架 · 知识库 | §2.2.1
四个是继承的,三个是新增的——新增的三个正是生产环境逼出来的。
对应原文 §2.2 + Table 1
前四类直接继承语言智能体的认知架构文献(感知、记忆、推理、行动),后三类是作者加的:反思、协作、治理。加的理由写得很直白——「来自生产部署分析」,也就是工程实践中反复出问题的地方。
| 编号 | 类别 | 核心问题(原文) | 它在管什么 |
|---|---|---|---|
| C1 | 感知 Perception | 什么信息进入了智能体的工作记忆? | 入口的取舍 |
| C2 | 记忆 Memory | 智能体如何存取与更新知识? | 沉淀与召回 |
| C3 | 推理 Reasoning | 智能体如何思考与决定? | 想多深 |
| C4 | 行动 Action | 智能体如何通过工具作用于世界? | 动手与边界 |
| C5 | 反思 Reflection | 智能体如何评估并改进自己的输出? | 判自己 |
| C6 | 协作 Collaboration | 多个智能体如何协调解决一个问题? | 分工与合流 |
| C7 | 治理 Governance | 智能体如何被约束、被观测、被控制? | 笼子与刹车 |
七类串成一条认知处理管线:感知 → 检索知识 → 推理 → 执行 → 评估 → (需要时)与其他智能体协调,全程都在治理约束内运行。作者明确说这条管线不是严格顺序,智能体会反复绕「感知-推理-行动」的圈,但七类在功能上是可分的。
你的「四个分工」和这七格基本可以对齐,但有一处错位值得注意:你的 Prompt 管「懂不懂」、Context 管「知不知道」,在这套框架里分别落在 C3 和 C1+C2;Harness 管「安不安全」 落在 C7+一部分 C4;Loop 管「能不能干完」 落在 C5+横轴 T5。
也就是说:你的四分工里,C6 协作没有位置。你实际在用(c/w 双 Agent、多 worker),但你的分类里没给它名分。这不是文字问题——没有名分的格子不会有人去设计它,只会临场拼。这条和最后一章的体检表结论一致。
Agent 设计模式双轴框架 · 知识库 | §2.2.2
这一轴不新,作者自己承认是「收编」。
对应原文 §2.3 + Table 2
| 编号 | 原型 | 结构定义 | 一句话识别法 |
|---|---|---|---|
| T1 | Chain 链式 | 线性顺序管线,第 n 步的输出喂给第 n+1 步 | 一条直线,没有分叉,不需要回头 |
| T2 | Route 路由 | 条件分支,由一个分类器派发到专门的处理者 | 进门先分诊 |
| T3 | Parallel 并行 | 并发扇出再聚合,独立子任务同时跑 | 同时开三台机器干同一件事的三部分 |
| T4 | Orchestrate 编排 | 中心协调者派给工作者,再综合结果 | 有个人在中间记账 |
| T5 | Loop 循环 | 迭代精修,带明确的退出条件 | 有 while,有出口 |
| T6 | Hierarchy 层级 | 多级嵌套委派,每一层可以再用任何其他拓扑 | 层里有层 |
这六种「包含了」现有工业框架里的拓扑。往上追,它其实就是结构化程序设计的五种控制流(顺序、选择、并行、循环、层级)+ 一条「派发」。作者没有明说这层血缘,但你一眼能看出来。
「完备」是怎么论证的?没有论证。作者只写「这些包含了现有工业框架描述的拓扑」——这是引用式论证,不是证明。第 7 节他自己也退了一步,说 42 格里只有 28 格被填(67%),分布不均匀,空格可能是「真的不可能」「还没人探索」「当前技术的局限」三种,而他不加区分。
这在分类学上是个明确的洞:一个宣称完备的坐标系,同时承认三分之一格子是空的,且不知道空的原因。对使用者来说,这意味着矩阵边缘的行为不可预测——你在空格附近设计,等于在没有地图的地方走。
Agent 设计模式双轴框架 · 知识库 | §2.2.3
全文最值钱的一页。我把 42 格全部抄下来了,★ 是他原创的名字。
对应原文 Table 3(公式:7×6=42 格,填 28 格,14 格空)
| 认知 \ 拓扑 | T1 链式 | T2 路由 | T3 并行 | T4 编排 | T5 循环 | T6 层级 |
|---|---|---|---|---|---|---|
| C1 感知 | Semantic Compaction ★ | Context Triage ★ | Multi-Modal Fusion | Progressive Disclosure ★ | — | — |
| C2 记忆 | RAG Pipeline | Hierarchical Retrieval ★ | — | Progress Tracking ★ | Failure Journal ★ | — |
| C3 推理 | Chain-of-Thought | Complexity-Based Routing ★ | Parallel Exploration | — | Iterative Hypothesis Testing ★ | — |
| C4 行动 | Prompt Chaining | Tool Dispatch | — | Plan-and-Execute | — | Guardrail Sandwich ★ |
| C5 反思 | Generator-Critic | Skill Package ★ | — | — | Self-Heal Loop ★ | Experience Replay |
| C6 协作 | Handoff Chain | — | Fan-Out/Gather | — | Adversarial Review | Hierarchical Delegation |
| C7 治理 | — | Approval Gate ★ | Progressive Commitment ★ | Observability Harness ★ | — | Blast Radius Control ★ |
★ = 作者自称原创命名。我数了一遍:3 + 3 + 2 + 1 + 2 + 0 + 4 = 15 个,与摘要里的 15 一致。
一,每一行都是四格。七行,全部四个命名模式,一个不多一个不少。这个整齐度很可疑——真实的工程实践不会这么均匀。它更像是作者按「每行至少凑四个」的原则填的,也就是说格子的边界是削出来的,不是观察出来的。
二,空格集中在 C1 的第二列以后、C3 的 T4/T6、C4 的 T3/T5。值得注意 C4 行动没有 Loop——这是个真空位:「一个反复试错直到外部生效的行动者」其实就是 Self-Heal Loop,只是被归到 C5 反思去了。这说明同一格内容可以因视角不同换行,而这恰恰削弱了「坐标唯一」的卖点。
三,C6 协作一个原创名都没有。七个认知功能里,只有协作这一行的四个名字全是旧词(Handoff Chain、Fan-Out/Gather、Adversarial Review、Hierarchical Delegation)。作者对多智能体这一块没有新东西,直接把工程惯例搬进来了。
四,C7 治理反而最多原创名(4 个)。这和「治理是生产部署逼出来的新增类」是一致的——他自己在这块踩过坑,所以有真话可说。这两条对比起来,正好标出这篇论文哪部分有血、哪部分是搬运。
Agent 设计模式双轴框架 · 知识库 | §2.3.1
作者的模板是四段:坐标 → 问题 → 架构解法 → 工程权衡。我按这个顺序拆,删掉了重复的铺垫。
任务开始时信息源极多:用户消息、会话历史、项目文件、文档、工具输出、检索结果、环境元数据。窗口装不下。朴素做法——先进先出、满了截断——失败,因为相关性跟新旧不相关。
把急诊分诊的逻辑搬到信息选择上:每个信息源按优先级分 P0–P3,再由一个路由函数派到对应处置——P0 永远加载、P1 相关才加、P2 按需、P3 永不加载。路由函数同时看三件事:与当前任务的相关性、token 预算、是否利于缓存(这条容易被忽略,它决定成本)。
他举的生产实例是 Claude Code 的五级 CLAUDE.md 层级(企业 → 用户 → 项目 → 规则 → 本地),说那就是这个模式的一个实现。
分诊越准,噪音越少,但路由延迟越高。过激过滤会饿死智能体(缺关键信息),过滤不足会稀释注意力(引「Lost in the middle」:模型对长上下文中间段利用率显著下降)。
你其实已经在做,但没有 P0–P3 这种显式分级。CONTEXT.md 现在越来越长,每次全量注入——等于所有条目都是 P0。真正的收益在把「必须每次都在」和「提到才查」分开:任务源、身份边界、通知预算算 P0;kb/index、历史日志、踩坑清单算 P2。这一刀砍下去省的是每轮的固定成本。
需要的知识超出窗口或超出训练数据,且可能是私有的、经常更新的、领域特定的。
按「开卷考试」来组织:查询 → 检索 → 重排 → 生成。链式拓扑保证每步输出喂给下一步。检索步把信息需求转成向量查询打到外部知识库;重排步按相关性过滤排序;生成步基于证据合成答案。文中提 MemGPT 用「虚拟上下文管理」扩展这一步——把数据在窗口和外部存储之间换页,用的是操作系统的内存管理思路。
每块召回都吃预算:召 10 块、每块 500 token,就是 5000 token 不能用于思考。架构师要在召回率(多块、多证据)和精度(少块、每块注意力足)之间调。
负载里问题难度差得远。对「你们几点关门」用 64K 思考 token 的深度链式推理是浪费;对多步诊断用快速启发式是出错。
一个轻量分类器先判难度,再派到对应推理深度:系统 1(直接答,约 500 token)、系统 2(链式思维,约 8K token)、深度审议(约 64K token)。这直接借了卡尼曼的双过程理论——架构在「想」之前先决定「想多深」。引 RouteLLM 的数据:在强模型和弱模型之间路由,成本降 85%,质量损失极小。
分类器准确率决定整个系统的表现。把复杂问题误派给系统 1 会出错,把简单问题误派给系统 2 会烧钱。他给的数字很扎眼:日 10 万次查询时,单次 $0.0015 与 $0.19 的差别是 $18,850/天。
这是你体系里最明显的一个空位。你现在所有任务都走同一个模型、同一个深度:写一份精读 HTML 和「把这条加进队列」消耗同样的推理量。而你的任务分布是极端长尾的——大部分是路由和记账(系统 1 就够),少数是蒸馏和排障(需要系统 2 以上)。
可落地的最小版本:在 tasks.md 的每条任务上加一个 depth 字段(s / m / l),派发时按它选模型档位。不需要训练分类器,先用人手标,跑两周看出分布再考虑自动化。这一条不改架构,只改派发参数,是整套框架里性价比最高的。
复杂任务要多次工具调用,且执行顺序依赖中间结果。单步做不了(不会拆),纯链式又太僵(没法应对动态依赖)。
把「战略」和「战术」拆开:规划者把任务拆成一张有向无环图(DAG),执行者(或执行者池)逐个子任务完成。规划者可以用便宜模型,执行者用带领域提示的强模型做工具调用。他给的类比是分布式系统里的 Saga 模式:每个子任务是可补偿动作,规划者管整个事务——意味着失败要能回滚,不是重跑。
规划质量决定执行效率。过度拆解带来协调开销,拆不够则子任务对执行者太复杂。而且先规划再执行比直接干慢——简单任务上这是净损失。
你的 c/w 七阶段(拆解→实施→自检→交付…)本质就是 Plan-and-Execute,但缺了 Saga 那半句:你现在没有补偿动作。中途失败的流程是「停下等人」,不是「回滚已做的步骤」。这在读文件、写文档这类任务上无所谓,在批量改配置、清理目录、发消息这类不可逆动作上就是隐患——「RuoYi / Grok 全删」那种操作,如果删到一半失败,你没有办法回到一致状态。
初稿能用但不完美,需要在交付前通过结构化批评改进,但精修必须快速收敛——要的是一条有界短链,不是一个开放循环。
生成和评估分开,各自串起来:生成 → 批评 → 修订。两个关键设计点是反馈来源和停止条件。这里他引了一条硬证据:Huang 等(ICLR 2024)证明大模型在没有外部反馈的情况下不能可靠地自我纠错。所以给出三种变体:
① 自批评:生成和评估用不同提示(弱);② 跨模型批评:换一个模型来评(中);③ 工具接地批评:用测试套件、linter、计算器给确定性反馈(强)。CRITIC 的实验是工具交互式批评稳定优于纯自批评;Self-Refine 在七个任务上 2–4 轮迭代拿到约 20% 绝对提升。
他还解释了一个放置理由:生产部署通常 1–2 轮就收敛,所以它属于 Chain(有界短管线、按质量阈值退出),不属于 Loop。Loop 留给另一个模式 Self-Heal——那个的退出条件是外部验证器通过,不是「感觉更好了」。
每轮迭代都吃 token,收敛必须有停止标准(质量阈值或轮数预算),否则会过度编辑或来回震荡。两者的结构差别就一句话:Generator-Critic 靠主观质量判断退出,Self-Heal 靠确定性验证退出。
这条正好打在你 c/w 的自检环节上。你的自检是「自己看一遍」,属于第 ① 种变体——论文引的证据说这是最弱的一种。而你其实有现成的确定性裁判可用:HTML 能不能渲染(headless Chrome 截图)、生成器有没有报错(py_compile)、发布后字符数掉了没有(publish_kb.py 的回读校验,这个已经是工具接地了)、路径存不存在(ls)。
你上次那个真实事故——「p03 改过表述但从未重新渲染 HTML,飞书文档一直是旧版」——正是缺确定性裁判的典型。如果 c/w 的最后一步固定是「跑一次能证明产物变了的命令」,这类错误在结构上就不会发生。这比再多写十遍「注意核对」有用。
任务能拆成互相独立的子任务。单智能体顺序处理要花 n 倍时间。
协调者扇出 n 个子任务给 n 个并行工作者,然后收拢聚合。每个工作者在自己的隔离上下文里只看自己的子任务。协调者负责结果综合、冲突消解、质量评估。引 Du 等人的多智能体辩论:多个 LLM 实例辩论能提升事实性与推理,共识聚合在算术和策略推理基准上优于单智能体。
n 个工作者吃 n 倍 token。聚合步是质量瓶颈——朴素拼接工作者输出会得到不连贯的结果。而且独立性必须是真的:子任务之间有依赖,拓扑再并行也只能顺序执行。
这是第二个明显空位。VA7 那 30 条、n8n 那 9 讲、Loop Engineering 22 讲——你全是串行做的。这些条目彼此完全独立,正是标准的 Fan-Out 场景。串行的代价不是「慢一点」,是「一直占着同一块上下文,越跑越脏」。
注意论文的警告:聚合才是难点。并行蒸馏本身不难,难的是把 30 份蒸馏结果合成一份不带接缝的精读页。所以要用它,得先想好聚合那一层的规格(统一模板、统一术语、去重规则),否则你会得到 30 段各自正确、合起来重复的内容。
作用于真实世界的智能体面临两难:审批提示太多会产生「审批疲劳」(用户条件反射点同意),太少则放任不可逆损害。
每个动作过三级评估:① 拒绝规则(绝对优先,无条件拦危险动作)→ ② 允许规则(低风险自动放行以减少噪音)→ ③ 人工闸门(剩余的,凡没被拒绝也没被允许的,都落到人)。动作按两个维度分类:可逆性(能不能撤销)和影响面(错了损失多大)。Claude Code 的五档权限体系(从「危险操作一律询问」到 bypassPermissions 全放行)就是这个模式。
分类器准确率是关键。分类不足会拦住安全动作、惹恼用户;分类过度会放危险动作过去。真正的设计变量是可逆性/影响面这两维的颗粒度:太粗,安全动作被拦;太细,分类器自己变成维护负担。
你已经有这个模式,而且实现得比论文描述更讲究——owner sha256 校验身份就是第 ③ 级之前的硬闸门,比「分类器判风险」可靠得多。缺的是第 ② 级:你没有「低风险自动放行」的白名单,所以所有动作要么拦要么放,噪音全靠人工消化。
按论文的两维分类给你的动作分一下:读文件 / 查日志 / 生成草稿 = 低影响可逆 → 应自动放行;发消息 / 改配置 = 中影响可逆 → 放行但留痕;删目录 / 改权限 / 转账类 = 高影响不可逆 → 永不自动。现在这三类在你这里走的是同一条路。
即使有审批闸门,智能体仍可能通过意外的工具组合、级联失败、或「单个看都安全但合起来危险」的动作造成损害。
用嵌套的容器层级限制任何单次动作的最大损害:进程沙盒 → 文件系统隔离 → 网络限制 → API 限流 → 预算上限。层级拓扑是必需的,因为每一层要执行不同策略,而最外层代表组织的风险边界。他的例子是 Codex CLI 的沙盒——正因为沙盒保证了损害有界,才敢开 full-auto 模式。
容器越紧,损害越小,能力也越小。治理架构师的核心难题是找最小可行容器——仍能完成任务的最紧沙盒。
这条你踩过实证:osascript 走沙盒报 -10004,必须用 MCP 工具才通。当时看起来是麻烦,用这篇的话说——那个报错正是沙盒在证明自己存在。同理,企微媒体上传限制在 ~/.agent-autoloop 之内,也是同一类边界。
该补的是最外层:论文说最外层代表组织的风险边界。你现在最外层是「这台 Mac 的用户权限」,等于没有边界。真正的边界应该是预算与条数:每天多次调用、多少 token、发多少条消息。「每天 ≤5 次通知」这条一直没做到,根子不是意志力——是它没有被实现成一个硬约束,只是一句口头目标。放进最外层当预算上限,它才存在。
Agent 设计模式双轴框架 · 知识库 | §2.3.2
这是全文的方法论核心,也是最经不起推敲的一节。
对应原文 §4
方向一:同一拓扑,不同认知功能。拿 Loop(T5)举例,它至少服务三种用途:Failure Journal(C2 记忆:反复记录并合并历史执行的错误模式)、Iterative Hypothesis Testing(C3 推理:假设生成与证据收集交替)、Self-Heal Loop(C5 反思:反复诊断修复直到外部验证器通过)。三者共用 while(!done) 这一个控制结构,区别完全在「循环在为哪个认知功能服务」。
他还顺手划了个边界:ReAct 那种「推理-行动交替」不算一个格子,它是所有战术模式运行于其内的外层执行循环——框架前言,不是矩阵里的邻居。
方向二:同一认知功能,不同拓扑。推理(C3)至少四种实现:链式思维(T1,逐步分解)、复杂度路由(T2,按深度派发)、并行探索(T3,多分支树搜索)、迭代假设检验(T5,探-观-调)。选哪个决定延迟(链最快、循环最慢)、成本(并行最贵)、完备性(链可能错过并行能找到的替代方案)。
它证明的是「互不归约」,不是「正交」。严格的正交要求两轴统计独立、可分解——你至少得展示分布上没有聚集。而文中给的证据是「存在反例」:找到几个同一拓扑多用途的例子,就宣布两轴独立。
这在数学上是弱证明。存在反例只能否证「完全归约」,不能证明独立性。而且作者自己在 §7.1 立刻承认了反方向的事实:「某些组合比另一些更自然。治理模式倾向 Route 和 Hierarchy,因为把关和围堵本身就是层级的。」——这句话直接说明两轴是相关的:知道它是 C7,就能大致猜出拓扑在 T2/T6。那这就不是正交,是弱相关但非函数依赖。
更准确的说法应该是:两轴互不决定(no functional dependence),但存在显著偏好(strong prior)。这个区别很重要,因为它意味着矩阵的空格不是随机的——C7 那行的空格(T1、T5)是结构性的,不是没人做。
这个弱点不否定框架的实用价值。它否定的是「用坐标唯一定位一个系统」这个说法。实际用法应该降级为:坐标是起点,不是结论。
具体到你的场景:报「这是 C7×T2」之后,还得再补一句它到底在拦什么。因为 C7×T2 至少有 Approval Gate 和别的实现,光靠坐标还是会有歧义——只不过歧义的范围从「完全不知道」缩小到「二选一」。这已经是净收益了,只是别把它当唯一标识符用。
Agent 设计模式双轴框架 · 知识库 | §2.3.3
这张表本身信息量很大,尤其两列 Yes 的组合。
对应原文 Table 4
| 资料 | 有认知轴? | 有拓扑轴? | 模式数 | 框架中立? |
|---|---|---|---|---|
| Anthropic(2024) | 无 | 有(6) | 6 | 是 |
| Google ADK(2025) | 无 | 有(8) | 8 | 否 |
| LangChain(2025) | 无 | 有(4) | 4 | 否 |
| 吴恩达(2024) | 有(4) | 无 | 4 | 是 |
| Wang 等(2024)综述 | 有(4) | 无 | — | 是 |
| Sumers 等(2024) | 有(4) | 无 | — | 是 |
| Liu 等(2024)模式目录 | 无 | 无 | 18 | 是 |
| Dao 等(2026)系统论框架 | 有(5) | 无 | 12 | 是 |
| 本文 | 有(7) | 有(6) | 28 | 是 |
作者的自我定位很清楚:贡献不在单轴,在两轴的组合。原话——「两个轴都有先例,我们的贡献是把它们系统性地组合成一个坐标系,使模式识别不再有歧义。」他还专门点了两个竞品为什么不够:Liu 等目录了 18 个模式,但是扁平分类,没有正交轴,所以「无法区分共用同一拓扑但服务不同认知功能的模式」;Dao 等有五个功能类,但没跟拓扑交叉。
注意「框架中立」这一列:Google ADK 和 LangChain 都是「否」——因为它们本身就是框架,必须绑定自己。而所有「是」的(Anthropic、吴恩达、各类综述、本文)都是叙事型资料,没有可执行实现。这是这个领域的真实缺口:中立的东西不能跑,能跑的东西不中立。
对你的直接含义:这套坐标系值得当设计时的共同语言,不值得当运行时的依赖。它适合出现在 CONTEXT.md 里当分类词表,不适合被写成代码里的枚举。反过来说,如果你真想要「中立又能跑」,那得自己在它之上补一层映射(坐标 → 本机哪个脚本),这层映射才是资产。
Agent 设计模式双轴框架 · 知识库 | §2.3.4
这是全篇最有工程价值的十分之一篇幅。
对应原文 §6.1 + Table 5;方法论是六步:Bound → Map → Topology → Select → Impact → Build
| 金融放贷 | 法律尽调 | 网络运维 | 医疗分诊 | |
|---|---|---|---|---|
| 任务 | 中小企业贷款评估 | 并购合同审查 | NOC 告警处置 | 急诊分级 |
| 时间预算 | 4 小时 | 8 小时 | 5 分钟 | 60 秒 |
| 量级 | 1 例 | 500 份合同 | 持续流 | 1 位病人 |
| 主拓扑 | Orchestrate | Hierarchy | Route | Chain |
| 选用模式数 | 7 | 8 | 9 | 7 |
| 行动权限 | 只建议 | 只建议 | 自动(P3/P4) | 只建议 |
| 治理重心 | 审计留痕 | 数据隔离 | 爆炸半径 | 非对称安全 |
四段叙述里最有信息量的两处:网络运维是唯一允许自动执行的(P3/P4 告警可自动处置,P1/P2 必须升级),所以 Blast Radius Control 在那里是关键模式,且 5 分钟预算限制了每个模式的深度;医疗分诊的 Generator-Critic 被刻意调成极端非对称——批评者偏向「升级分级」,因为漏诊(把危重病人放进候诊区)比过度分诊严重得多。
对应原文 §6.2。这是全文可操作性最强的部分,我按原文语义译,括号里是我的注解。
天级 → 层级 + 编排(10 个以上模式);小时级 → 编排(7–8);分钟级 → 路由 + 循环(5–7);秒级 → 只有链式(3–5)。
作者补了一句最狠的话:「让一个慢原型变快的第一个动作,不是优化每个模式,而是删掉一个模式。」
只给建议 → 审批闸门(人决定);低风险自动执行 → 爆炸半径控制(预先算清影响);高风险不可逆 → 护栏三明治(事前事后双检查);混合 → 分级治理。
假阴假阳代价对称(放贷)→ 批评者优化准确率;代价极端不对称(医疗:漏诊致命)→ 批评者刻意偏向安全侧的错误。
这条可以推广成一句判据:只要两边的错误代价不等价,任何「追求中立准确」的自检都是错的。
单件处理 → 不需要协作模式;中等量(10–50)→ 扇出聚合;高量(100–500)→ 层级委派 + 扇出聚合;持续流 → 路由 + 自动扩缩。
Generator-Critic 在四个领域都出现,但行为不同:5 分钟的合规审查(放贷)、30 秒的合理性检查(运维)、带偏置的安全覆盖(医疗)。
原文的点睛:「模式是结构模板,不是行为处方。模板提供 HOW,领域提供 WHAT 和 WHY。」
他统计了四个案例里出现三次以上的模式,四个:Context Triage、RAG Pipeline、Complexity-Based Routing、Generator-Critic。结论是这属于基础模式——任何领域的生产系统都需要。而 Blast Radius Control 和 Fan-Out/Gather 只在特定约束出现时才需要(自主行动权、高量级),属于条件模式。
他还点了空格的未来:C5 反思行已经填了四格(T1 链、T2 路由、T5 循环、T6 层级),只剩并行和编排空着,而这两个拓扑在结构上恰好适合「多批评者集成」——所以他预测会出现 Parallel Reflection(多个批评者同时评)和 Reflection Orchestrate(元批评者把输出派给各领域评估者)。
Agent 设计模式双轴框架 · 知识库 | §2.3.5
这一节的坦率度,比正文更能说明这篇论文的性质。
对应原文 §7.1
非完美正交。他自己承认某些组合更自然,治理模式倾向 Route 和 Hierarchy,因为把关和围堵本身就是层级的。并报告了真实数字:42 格填 28(67%),分布不均匀,空格可能是「真不可能」、「未探索」、「当前技术artifact」三者之一,不加以区分。
粒度是判断题。28 这个数字是选择的结果:可以把 Generator-Critic 拆成自批评和跨模型批评(变 29),也可以把 Chain-of-Thought 和 Prompt Chaining 合并(变 27)。他选粒度的标准是「最大化架构区分度,同时保持可记忆」。
战术模式 vs 外层执行循环。矩阵只收战术模式——工程师用来拼系统的有界原语。它刻意排除 ReAct 那种外层循环,因为那是所有战术模式运行其内的运行时基底,不是同级邻居。他给的类比很妙:「就像设计模式那本书没有把『对象』列成第 24 个模式。」
时效性。框架为持久而设计,但具体模式会变。例子很实在:随着推理模型把链式思维内化,架构层的 Chain-of-Thought 模式可能变得不那么相关,被「按预算路由到推理模型」取代。他的说法是「模式在格子里演化,坐标系保持稳定」。
论文自己写了修订说明,三处:
① Generator-Critic 从 C5×Loop 移到 C5×Chain,理由是其典型停止条件是 1–2 轮的有界收敛;
② 新增 Self-Heal Loop 放在 C5×Loop,用来区分「迭代到确定性验证通过」和「链式批评精修」;
③ ReAct 外层循环原来放在 C4×Loop,现在重分类为框架前言。
这三条合起来说明一件事:v1 到 v2 之间,模式总数没变(28),但有两个模式换了格子,一个被移出了矩阵。这是分类不稳定的直接证据——同一个模式,同一批作者,三个月后自己改了归属。
而这恰恰也是框架有价值的地方:它允许修订,而且修订是记录在案的。一个不敢改的分类学是死的。但读的人必须知道:这些格子的边界是判断,不是事实。
v1 的摘要里,第一类是 Context Engineering(上下文工程),模式数是 27,原创 13;v2 改成了 Perception(感知),28 个,原创 15。第一类的名字从「工程动作」换成了「认知功能」——这是往认知科学那边靠,让纵轴更纯。
这个改动方向很说明他的取舍:为了让「两轴正交」这个卖点站得住,他牺牲了第一类里更实用的那层意思(上下文工程是你能直接动手的,感知是个抽象概念)。
Agent 设计模式双轴框架 · 知识库 | §2.4.1
哪些是真东西,哪些是包装,怎么用它。
一,把「架构歧义」这个问题正式命名了。这不是小事。工程上大量的评审低效,来源就是同一张图有两种读法而双方都没意识到。给这个问题一个名字,等于给了一个可以主动检查的项。这是全文最实的一处。
二,五条定律是可用的启发式。尤其 Law 1 那句「先删一个模式,不是优化每个模式」——这是反直觉的,而且是对的。经验上,慢的 Agent 系统九成是因为串了太多模式,不是单个模式太慢。
三,把治理放成横轴之外的一整行(C7)。在多数架构讨论里,权限和审计是「非功能需求」,被放到最后考虑。放进七格之一,强迫它在设计阶段就有位置。这个动作对工程团队的实际影响,比 15 个原创命名大得多。
一,验证是描述性的,不是实证的。四个领域案例都是作者自己叙述「选了 7 个模式」,没有基线对照,没有指标,无法验证这 7 个是必要的还是凑的。所以标题里的 coverage evaluation,实质是「这套词汇能不能把四个领域说圆」,不是「这套方法比别的方法好」。这是两件完全不同的事,论文的语言偶尔会滑向后者。
二,正交性只有弱证明。见第七章。存在反例 ≠ 独立;作者自己在局限里承认了相关性的存在。所以严格说,这是一个「弱相关双轴坐标系」,不是「正交双轴」。
三,28 个模式的边界靠削。每行正好四格这个整齐度是削出来的痕迹;v1→v2 自己搬了两格,说明边界不稳。对使用者的实际影响:别把模式名当接口约定,两个人说「我们是 Generator-Critic」可能指的完全不同的东西。
四,没有成本模型,没有定量工具。Law 1 只有「天/小时/分钟/秒」四个档,没有连续函数;所有数字都引自别人。这意味着它能帮你选架构,不能帮你算预算。而你最缺的恰恰是预算那一半。
一,当词表用,不当标准用。把它写进 CONTEXT.md 当分类词,让每次讨论先报坐标。但别把它写成代码里的枚举或校验规则——格子边界不稳,写死了会天天改。
二,只用两个东西:矩阵的空格 + 五条定律。28 个名字里真正要背的不到十个(Context Triage、Complexity Routing、Plan-and-Execute、Generator-Critic、Self-Heal、Fan-Out/Gather、Approval Gate、Blast Radius、Observability Harness)。其余 19 个是排列组合出来的占位名。
三,把它当体检标尺,定期扫一遍空格。第七章那张表就是干这个的——不是问「我用了哪些模式」,是问「哪些格子该有东西但是空的」。空格的诊断价值远高于已填格。
另外:论文末尾说,扩展版(含 28 个模式的 Python 实现、以 Argus 代码审查 Agent 为贯穿案例、以及更多生产部署的定律应用)在《Designing AI Agents》那本书里。也就是说这篇论文是书的摘要版——它故意留了实现和案例,那部分要花钱。这一点在读的时候要有意识:10 页里没有代码,不是作者不想写,是留给书了。
Agent 设计模式双轴框架 · 知识库 | §2.4.2
这一章论文里没有,是我拿你的实际装置对位的结果。判据全部来自你本机的目录与脚本。
| 认知 | 你的实现 | 落在哪格 | 成熟度 |
|---|---|---|---|
| C1 感知 | 企微长连接接收器、事件插件、chat_archive | T2 路由 T1 压缩 | 中(有入口,无 P0–P3 分级) |
| C2 记忆 | kb/md 唯一源、manifest、飞书文档层、tasks.md | T1 链式 T4 进度追踪 | 高(刚做完三层收敛) |
| C3 推理 | Codex 单模型、c/w 讨论 | T1 链式思维 | 低(只有一档深度) |
| C4 行动 | plugins/delivery、各脚本、cw 七阶段 | T2 工具派发 T4 规划执行 | 中(无补偿/回滚) |
| C5 反思 | 复盘、cw-loop-guard、publish 回读校验 | T1 生成-批评 | 低(自批评为主) |
| C6 协作 | c/w 双 Agent、多 worker、receiver 转投 | T6 层级委派 T1 交接链 | 中(全串行,无并行) |
| C7 治理 | owner sha256、沙盒、审批、条数预算(未硬化) | T2 审批闸门 T6 爆炸半径 | 中高(缺自动放行层) |
① C3 × T2 复杂度路由 —— 最该补,改动最小。任务加一个 depth 字段,派发时按档选模型。不动架构、不加服务,只改一个参数。你的任务分布是极端长尾的,这一刀砍的是每轮的固定成本。
② C5 × T5 自愈循环 —— 收益最实,因为有现成裁判。你已经有确定性验证器(HTML 渲染、py_compile、publish 回读、ls 检查),只是没把它们接成「不过就重跑」的闭环。那个 p03 旧版本的坑,就是缺这一格的直接后果。注意别跟 Generator-Critic 混:自愈的退出条件是命令通过,不是「我觉得行」。
③ C6 × T3 扇出聚合 —— 收益大但要先备料。30 条 VA7、22 讲 Loop、9 讲 n8n 全是可并行的。但论文的警告成立:难点在聚合不在并行。要用它,先统一蒸馏模板和术语表,否则得到 30 段各自正确、合起来打架的内容。
④ C7 × T3 渐进承诺 —— 最不紧急,但值得知道存在。它的意思是:把不可逆动作拆成多步,每步都可中止。比如批量清理不要一次 rm,分「列出 → 移动到暂存区 → 确认后删」。你现在是直接 rm,靠备份兜底。这个模式能让你不靠备份。
按 Law 1 的说法,你的时间预算跨度很大——吃药提醒是秒级、精读生成是天级。所以正确的做法不是统一架构,是按预算分档:秒级任务只要 3–5 个模式(Chain 足够),天级任务才值得上编排和层级。你现在所有任务走的是同一套七阶段流程,等于给秒级任务上了天级的架构。这解释了为什么「任务推送太长、流程太重」这个抱怨一直存在——不是执行不力,是架构选错档。
C7 你有 Approval Gate(owner 校验)、Blast Radius(沙盒)、还差自动放行层。而 Observability Harness(C7×T4)你事实上是有的——stdout/stderr 日志、received.log、跑批记录——只是没形成追踪链(一个任务从进到出的完整轨迹)。
这里要说句公道话:你之前删掉的那些「知识库小tips」「Grok 采集」之类,正好是 Law 1 里该删的模式。那次清理方向是对的。现在要防的是反过来——看到 28 个模式就想都上。这篇论文最大的用处,是告诉你哪种任务只该有三个模式。
原文:Jia Huang, Joey Tianyi Zhou. A Two-Dimensional Framework for AI Agent Design Patterns: Cognitive Function × Execution Topology. arXiv:2605.13850v2 [cs.AI], 2026-05-24(v1: 2026-03-16)。A*STAR 新加坡 / CFAR。10 页 6 表,ACM 分类 I.2.11 / D.2.11。
本篇依据:arXiv HTML 全文(v2)逐节核对;矩阵 42 格与 15 个原创名逐一复核,与摘要数字一致;五条定律按原文语义重述。
一处更正:上一轮对话里我把「模型消费、Harness 预算」归为论文血统(Simon 有限理性 + 元推理),论文实际没有这两条引用,已在开头更正。
定位:中文精读,不是译稿。灰色标注的「判读」「对你的实际应用」是我的分析,与原文分开;引用原文处保留英文原句或标「原文」。
| 这套内容里的什么 | 对应你手上的什么 | 具体怎么用 |
|---|---|---|
| 42 格定位 | 你的自动化体系(抓取/转写/渲染/调度) | 先给每条链定位,再谈优化 |
| 五条选型定律 | 选模型、选框架 | 按定律排除,不凭感觉 |
| 体检表 | 现有系统缺 reviewer 与记忆 | 补一个审阅环节与一份概念库 |
| 正交性(同图多语义) | 我改脚本常犯:接线没变,语义变了 | 改动先说清「语义变了什么」 |
| 作者自陈边界 | 避免把框架当教条 | 引用时带边界 |
单篇 12 节全部完成。