素材来源官方媒体/网络新闻
,
,
,
浅层循环的局限：\x0a简单却脆弱 浅层智能体的工作原理：它本质上是一个简单的“while 循环”，通过用户提示、LLM 推理、工具调用（如搜索）和观察输出反复迭代。 \x0a\x0a这种设计依赖 LLM 的上下文窗口作为唯一状态，适合短期、事务性任务，例如“东京天气如何？我该穿什么衣服？”只需几步即可完成。 \x0a\x0a然而，当任务扩展到多步复杂场景——如“研究10家竞争对手、分析定价模型、构建比较表格并撰写战略摘要”——浅层智能体就会暴露问题：上下文溢出、目标丢失以及缺乏恢复机制。结果往往是无限循环、幻觉或彻底失败。作者直言：“浅层智能体擅长5-15步的任务，却对500步的任务一筹莫展。” \x0a\x0a深层智能体 (Deep Agent)：四个支柱的架构革命\x0a深层智能体的架构设计，它将规划与执行解耦，并将状态外部化，避免 LLM 上下文的瓶颈。这种“深层”并非指模型深度，而是指系统在处理长时序、多层次任务时的鲁棒性。作者提炼出四个关键支柱，形成一个模块化框架：\x0a \x0a1. 显式规划：智能体使用工具生成动态计划，实时更新状态（待办中、进行中、已完成），并添加备注。这不同于浅层智能体的隐式链式思考，而是可修订的外部结构，帮助智能体在失败时适应，而非盲目重试。 \x0a2. 分层委托（子智能体）：引入“协调器”角色，将任务拆解为子任务，委托给专职子智能体（如研究者、编码器、撰写者）。每个子智能体在独立干净的上下文中运行工具循环，仅返回合成结果给协调器。这种分工避免单一智能体“样样通却样样松”，提升效率和专注度。\x0a3. 持久记忆：状态不再局限于 LLM 窗口，而是存储在外部介质（如文件系统或向量数据库）。智能体可读写中间结果（如代码草稿或原始数据），通过路径或查询检索相关片段。Claude Code 和 Manus 等框架作为实现工具，确保可扩展性。\x0a4. 极端上下文工程：通过数千 token 的详细提示定义协议，包括规划规范、子智能体生成规则、工具使用和文件结构，甚至融入人类协作环节。这要求开发者优化提示，而非简化，以匹配更智能模型的潜力。 这些支柱共同实现“控制上下文即控制复杂性”，让深层智能体从反应式转向主动式，适用于小时或数天级的任务。 \x0a\x0a博客地址：\x0ahttps://www.philschmid.de/agents-2.0-deep-agents