面经策

在 AI 超级智能体项目中，你是怎么实现分层智能体架构的？ ​

  • 标签：后端、编程导航

🏛 业务架构师 ​

我的分层智能体架构是**"管理层-专家层-工具层"三级**，对应组织的"主管-专员-工具"：

  • 路由/规划层（Manager）：接收用户目标，判断意图、拆解任务、分派给专家——不执行具体工作，只做调度与结果汇总（类似组织里拆解需求、协调资源的角色）；
  • 专家层（Experts）：按领域划分的执行 Agent——行程规划 Agent、搜索分析 Agent、文档生成 Agent，各自有专属的 system prompt、专属的工具子集、专属的循环参数；
  • 工具层：搜索、地图、PDF、MCP 服务等原子能力，被专家调用。

为什么分层（业务架构的三个理由）：

  1. prompt 聚焦 = 质量提升：一个"什么都会"的 Agent 的 system prompt 会膨胀到自相矛盾；专家 Agent 的提示词短而精准——角色越纯，指令遵循越好，这是实践反复验证的规律；
  2. 工具菜单缩小 = 选择更准：给全能 Agent 20 个工具，误选率飙升；专家只看自己的 5 个——上下文里的可选项越少，决策越可靠；
  3. 独立演进与评测：每个专家有自己的评测集与迭代节奏——行程 Agent 调优不影响搜索 Agent，失败可归因、优化可并行。

治理配套：分派日志全链路记录（哪个专家、用了什么工具、花了多少 token）——成本与质量按层归因；Manager 层保留"任务超预算熔断"的总闸。

一句话：分层不是技术炫技，是把"大而全的不可控"换成"小而专的可运营"——与人类组织的设计逻辑同构：分工换质量，层级换可控。

🏗 系统架构师 ​

我的分层智能体架构："入口路由 → 规划层 → 执行层 → 工具层"，每层职责单一：

1. 路由层（Router Agent）：轻量模型 + 结构化输出，把用户请求分类（闲聊/知识问答/工具任务/复杂任务）并路由到对应处理链——80% 简单请求不进昂贵的规划循环，成本与延迟双控；

2. 规划层（Planning Agent）：强模型。复杂任务先产出任务计划（步骤列表 + 各步所需能力），执行中根据结果动态修订（插入/跳过/重排步骤）；维护全局上下文与目标状态；

3. 执行层（Executor Agent）：按计划逐步执行——ReAct 循环（think → act → observe），决定调用哪个工具、传什么参数、结果是否满足预期；每个子任务独立上下文（隔离，避免长任务上下文污染），完成后向规划层汇报摘要；

4. 工具层：本地 @Tool 工具 + MCP 远程服务（搜索/地图/PDF/图片），统一 ToolRegistry 管理与鉴权。

关键机制：

  • 上下文分层传递：规划层只下发"任务描述 + 必要背景"，执行层回报"结果摘要"——防止全量上下文逐层膨胀；
  • 护栏内建：每层最大步数、超时、token 预算、循环检测；
  • 失败上抛：执行层重试耗尽后上报规划层，由规划层决定重规划还是降级回答。

为什么分层：单层 Mega-Agent 上下文爆炸、职责不清、成本失控；分层后"规划用强模型、执行用中模型、路由用便宜模型"的成本分级成为可能，且每层可独立测试与演进——这就是软件分层思想在 Agent 上的直接应用。

💻 全栈开发专家 ​

分层智能体 = 路由层 → 规划层 → 执行层（多个专职 Agent）→ 汇总层，我用 Spring AI 的 ChatClient 组合实现：

text
用户请求
 → ① 路由 Agent（小模型，快）：意图分类
      闲聊 / 知识问答 / 复杂任务 / 工具请求
 → ② 规划 Agent（强模型）：复杂任务拆解为 todo 子任务
      "调研竞品并出报告" → [搜索竞品A, 搜索竞品B, 分析对比, 生成PDF]
 → ③ 执行层（专职 Agent 池，各自独立 prompt + 工具 + 上下文窗口）：
      RAG 问答 Agent（知识库检索）
      搜索 Agent（联网工具）
      写作 Agent（长文本生成）
      文件 Agent（PDF/图片）
      ——子任务按类型派发，可并行（CompletableFuture）
 → ④ 汇总 Agent：合并各子结果，统一口径输出

Spring 实现：每层一个 ChatClient Bean，各自挂不同 advisor/tools；编排服务负责流程与上下文传递（子 Agent 间只传"任务描述+结构化结果"，不传全量历史）。

为什么分层（工程理由）：

  1. 单一职责的 prompt：每个 Agent 的 system prompt 短而专注，比一个巨型 prompt 什么都干的效果好得多；
  2. 模型成本优化：路由用便宜小模型，规划/生成用强模型——按层选型；
  3. 上下文隔离：长任务不会把主对话上下文撑爆；
  4. 可独立迭代测试：每个 Agent 有自己的评估集，改一个不影响全局。

踩坑：层间传"结构化结果"（record）而不是自然语言长文，否则汇总层又被 token 撑爆。