面向未来的 Agentic Agent：具自主性与目标感的智能体架构探索

【技术随谈】第14篇

随着大模型技术的发展，AI 智能体（Agent）的架构正从早期的固定工作流模式演进到更加自主灵活的“Agentic”模式。本文将通过通俗的语言和比喻，探讨这两种架构的差异和演进，并展望未来智能体的发展方向，帮助读者理解其中的架构理念与落地价值。

1. 基于工作流的智能体架构简介

工作流式的智能体架构指的是通过预定义的步骤和流程来 orchestrate（编排）LLM 调用和工具使用的系统[1]。简单来说，在这种架构中，开发者事先设计好处理任务的固定流程：每一步做什么，由代码或规则明确规定。例如，一个简单的问答系统的工作流可能是： 1. 检索：根据用户问题从知识库检索相关信息； 2. 回答：将检索结果交给 LLM，让模型生成答案； 3. 反馈校验（可选）：检查模型答案是否充分，如果不充分则修改问题或提供更多信息再让模型回答。

这种模式下，LLM 和工具的调用顺序是确定的，就像在流水线上完成工作一样——每个步骤都按既定顺序执行，缺一不可。对于明确且易于分解的任务，这种预定义流程很有效。例如 Anthropic 总结道，当任务可以干净地拆解成固定子任务时，工作流方式往往能够以可预测的方式提高准确性[2]。典型用例包括：营销文案生成再翻译、先生成提纲再写文章等场景[3]。此时我们用多步调用来换取更高质量的结果，每步都相对简单且可控。

代表项目方面，LangChain 框架中的 “Chain”（链）就是工作流式架构的代表[4]。一个 Chain 就是按固定顺序链接的一系列操作。例如，我们可以用 LangChain 定义一个 LLMChain 实现“总结文本->翻译总结”的两步链条，每次调用依次执行[5]。这种链式调用非常适合线性流程和快速原型：开发者明确地串联步骤，调试也比较容易。在产品实现上，它类似于把AI能力封装进流程图：先做A再做B，每一步输出喂给下一步。一旦流程设计完毕，智能体每次都会严格按照这个剧本行动，可控性很强。

图一：工作流 vs Agent 架构的对比示意：左侧是基于固定流程的工作流，开发者预先定义了各步骤的顺序和分支；右侧是自主 Agent，LLM 智能体根据需要动态决定调用工具的顺序，自主规划流程[1]

工作流式架构的设计思路强调在代码中显式定义控制流程[1]。开发者扮演了“导演”的角色，把任务拆解成多个子任务，然后让模型按这个剧本执行。这样做的优点是可预测、易调试：每个环节都在掌控之中，很适合规则明确的场景[6]。不过，它的局限也很明显——如果任务在运行过程中出现了未考虑到的情况，工作流缺乏灵活性去应对。就像一条铺好的铁路，列车只能沿轨道前进，无法偏离既定路线。因此，当遇到更复杂、多变的问题时，我们需要考虑更灵活的智能体架构。

2. 自主型 Agent（Agentic Agent）的概念与特性

与工作流式架构相对的是自主型 Agent架构，它赋予智能体更高的自主性和适应性。Anthropic 将“Agent”定义为：由 LLM 来动态决定自身流程和工具使用方式的系统[1]。换句话说，智能体不再严格依赖开发者预先写好的固定流程，而是可以在运行时自行决策下一步做什么。这种 Agentic 架构的智能体通常具备以下核心特性：

• 目标感：Agentic Agent 通常被赋予一个高层目标或任务，它会围绕这个目标展开行动。不同于一次性回答问题就结束的模式，自主 Agent 会尝试“想办法把事办成”。比如，用户让 Agent 安排一次旅行计划，一个自主 Agent 会把“制定完整旅行方案”视为目标，并可能细分为订机票、订酒店、规划行程等子目标逐步完成。

• 自主性：Agent 拥有在不每一步都依赖人工指令的情况下自主行动的能力。一旦设定目标，它可以自主选择调用哪些工具、以何种顺序行动，以及遇到新情况时如何调整策略[6]。这有点像一个经验丰富的私人助理，只需要告诉TA最终想要什么，助理就会自己决定中间如何安排、协调资源去达成目标。正如有文章打趣的那样，基础的 LLM 就像“健忘的顾问”，给完建议就把上下文忘光[7]；而一个 Agentic 的智能体更像贴身的智慧助理，既记得你的偏好又能主动为你分忧[8]。

• 计划能力：强大的自主 Agent 往往内置了规划与推理模块，能够将复杂任务拆解成一系列可执行的步骤，并在执行过程中根据需要动态调整计划[9]。例如在 ReAct 等经典 Agent 框架中，LLM 会先基于当前目标思考（Reasoning）下一步要做什么，然后决定执行一个动作（Action）[9]。这个循环反复进行，从而实现多步推理与行动。可以把这种机制类比为人类解题时的心路历程：先想“我下一步该查资料还是直接回答？”，然后付诸行动。如果一步不够，还会接着规划下一步，直到完成任务。

• 上下文记忆：自主Agent通常具备比简单 Chain 更强的记忆力。它不仅可以利用 LLM 对话上下文作为短期记忆，还常结合外部存储作为长期记忆来保留关键信息。比如一个对话式 Agent 会把用户早先提供的资料保存到向量数据库中，需要时再检索出来参考。这种记忆能力使 Agent 可以“记住”之前做过的决策和收集到的信息，避免重复劳动或犯相同错误[7]。拿比喻来说，这就好比给我们的智能体配备了笔记本大脑：短期笔记本记下当前对话要点，长期知识库保存重要经验，以后遇到相关问题能快速翻阅。得益于记忆，一个 Agent 可以在较长时间的任务中保持状态，不像传统 LLM 每次回答都从零开始。

综上，Agentic Agent 的特别之处在于灵活的决策和行动循环。它会在“思考-行动-观察-再思考”的环路中不断推进[9]。例如，一个自主 Agent 面对复杂问题时可能反复执行：“分析当前状况→调用工具获取信息→依据新信息调整思路→继续下一步”，直到达到目标。下图展示了一个简化的 Agent 流程架构示意：

图二：一个自主智能体（Agent）的简化架构示意：智能体首先通过 LLM 决策是否需要调用工具等外部操作；若需要则执行相应动作并获取结果，然后将结果反馈给 LLM 进入下一轮决策。这个“思考-行动-反馈”的循环反复进行，直到智能体判断任务完成，流程结束。[9]

上图中可以看到，Agent 拥有循环反馈机制而非线性单通路：LLM 负责总体决策，遇到需要外部信息或操作时，调用工具获取反馈，再由 LLM 综合新信息决定下一步。这种架构让 Agent 像自主驾驶一样，能够在复杂环境中灵活调整路线。不再完全依赖预设脚本，而是更多地依靠模型本身的推理能力和上下文，因而被称为“Agentic”（即具有主体能动性的）。

3. 工作流式 vs. 自主 Agent：可控性、扩展性与表现力对比

理解了两种架构，我们可以从可控性、扩展性和表现力三方面对比它们，各有优劣：

总的来说，工作流方式胜在确定性和稳定性，适合简单明确的任务；自主 Agent 胜在灵活度和泛化能力，能够在复杂开放的环境中完成目标[6]。Anthropic 的工程实践也表明，如果能用简单方案解决，就尽量别上复杂Agent 系统；只有当需要大规模的灵活决策时，Agent 才展现出价值[10]。这实际上体现了一种权衡：用成本换能力。自主 Agent 往往需要更多的计算步骤（多轮LLM调用、工具交互），带来延迟和开销，但换来了更强的任务完成能力和通用性。产品经理在选型时，应权衡这一差异：是要“一板一眼”的流水线，还是“举一反三”的智能助手。

4. LangChain 框架的演进：从工作流到 Agentic 的支持

为满足日益增长的复杂智能体需求，业界在架构上也不断演进。LangChain 作为流行的大模型应用开发框架，提供了从 Chain 到 Agent 的一系列支持，并在近期引入了新组件 LangGraph 来进一步增强 Agentic 能力。

• LangChain Chains（链式工作流）：这是 LangChain 的基础模块，用于构建线性的或树状分支的任务流程。开发者可以方便地将 prompt 模板、LLM 调用、工具使用等串联起来，形成一个固定逻辑的链条[5][4]。例如经典的 RetrievalQA Chain 先检索再问答，或者先问用户再根据回答选择不同 Chain执行等等。LangChain 为这些常规工作流提供了标准接口和大量现成组件，使开发者无需从零开始写繁杂的 glue code，就能快速构建原型[11][12]。可以说，在 LangChain 的生态中，Chains 扮演了“基础地基”的角色——解决直线型、弱状态任务非常高效，同时也为更复杂的用例提供了拼装的组件。

• LangChain Agents（代理执行器）：早期的 LangChain 也提供了一些 Agent 实现，例如利用 ReAct 思想的工具调用 Agent。开发者只需配置好可用工具，LangChain 内置的 AgentExecutor 会用一个预设的提示模板引导 LLM 自行决定何时用哪个工具、何时给出最终答案。这让用户初步体验到了LLM 主导流程的威力。然而，这类内置 Agent 往往是黑盒的：它的决策逻辑藏在一段长提示里（prompt），调优和定制不太直观。此外，默认 Agent 适用于通用场景，在企业复杂业务中可能显得力不从心[13]。开发者很难插手 Agent 内部的多步流程，也难以在其中加入企业特有的检查点或约束条件。

• LangGraph 引入：Agentic 智能体的图式框架：为了给开发者更大的掌控力和可扩展性，LangChain 团队推出了 LangGraph[14][15]。它并非替代 LangChain，而是基于 LangChain 之上的一个有状态任务编排框架[16]。用简单的话说，LangGraph 允许开发者用“图”来描绘智能体的决策流程，把之前隐藏在 LLM 内部的决策链路显式地表示为节点和边[17]。每个节点可以是一次 LLM 调用、一个工具执行，甚至是另一个 Agent 或子图；而边则表示节点之间的控制流转移关系，可以是顺序的或条件分支的[18][19]。同时 LangGraph 内置了状态管理，整个图共享一个可更新的中央状态对象，用于在节点间传递信息和记录上下文[17]。

举个例子，过去我们用 AgentExecutor 实现一个网络问答 Agent，LLM 会决定是否需要检索。如果需要，就调用搜索工具，然后拿结果回答。如果不用就直接回答。这在 LangChain 里大致看不到中间逻辑，只看到最终结果。而在 LangGraph 中，我们可以搭建这样的图：Node1 是 LLM 判断要不要搜索；Node2 是搜索工具；然后根据 Node1 输出的决策，有一条条件边连接到 Node2（需要搜索时）或跳过 Node2 直接到 Node3（直接回答）[19]。这样整个过程的分支逻辑由我们掌控，而且还能监控每个节点的输入输出，甚至在运行中干预。LangChain 官方将 LangGraph 的出现形容为“把原先基于 AgentExecutor 的黑盒过程，用状态图的方式重构，使之透明化”[17][20]。开发者终于可以对 Agent 内部的细节流程进行定制和调优，例如插入自定义检查、强行设置某步必须执行等，从而满足复杂企业场景下的需求。

值得注意的是，LangGraph 加强了对长期运行和复杂控制流的支持。它天生支持循环、并行、嵌套子图、多Agent协作等高级用法[15][21]。同时由于有中央状态，可以方便地接入记忆模块，实现智能体的长对话或长任务状态持久化[22]。一个智能体可以在 LangGraph 中运行较长时间，不断更新自己的 state（例如累计的知识、已完成的子任务等），从而实现类似长对话不遗忘、多轮推理的能力。这种持续状态在传统Chain里很难实现，因为链式流程通常在一次调用结束后状态就释放了。通过 LangGraph，LangChain 实际上提供了从工作流走向 Agentic 系统的桥梁：开发者可先用 LangChain 提供的组件拼出雏形，然后用 LangGraph 精雕细琢复杂逻辑[23]。二者并非冲突，而是优势互补：LangChain 侧重简洁和快速集成模型、工具等基础要素，而 LangGraph 赋能复杂任务以精细的控制和可靠性[24][25]。

综上，LangChain 加 LangGraph 的组合，让我们既能快速起步构建原型，又能针对复杂场景演进架构。正如一篇技术博客所言，这其实并非“二选一”，而是一个组合拳：LangChain 提供大模型应用开发的基础设施，LangGraph则提供了打造复杂 Agentic 工作流的“发动机”[26][14]。借助它们，开发者可以逐步将应用从简单链式流程升级为多 Agent 协同、长时对话持续、决策可控可监控的高级智能体。

5. 面向未来：Agentic Agent 的发展方向

展望未来，Agentic Agent 还有许多令人兴奋的演进方向。一些当前的研究和实践已经初步展示了这些可能性：

• 多智能体协作：如果说单个 Agent 像一个智能助手，那么多 Agent 系统就如同一个AI团队。未来的应用可能由多个专长各异的 Agent 组成，各司其职协作完成复杂任务[27][28]。例如，一个AI产品研发团队可以有“规划者Agent”、“代码编写Agent”、“测试Agent”等分工；又或者在一个对话系统中，不同Agent扮演不同角色，彼此对话完成剧情模拟[29][30]。多Agent协作带来的好处是模块化和专业化[31]：每个 Agent 负责自己擅长的领域，组合起来解决单 Agent 难以覆盖的大问题。这有点类似微服务架构，将复杂任务拆分给多个服务处理。LangGraph 等框架已经开始支持多 Agent 网络的构建，例如提供 Supervisor-Worker（监督者 Agent 协调工人Agent）或去中心网络等模式[32]。未来我们可能看到 Agent 组成的团队在营销、客服、内容创作等领域大放异彩。

• 自我反思与自我改进：让 Agent 具备自我反省能力是提升可靠性的一大方向。所谓自我反思，即智能体在执行任务后，能够评估自己的成果是否达成目标，有何不足，并将此作为反馈融入下一步行动中[33]。近期有研究提出了 Reflexion 机制，将LLM的输出和结果再输入给 LLM 自身，让它以“评论者”的身份找出错误并改进策略[34][35]。这种循环有点类似人类写完答案自己检查：发现错了再改。实践证明，在代码生成等场景下，引入反思循环可以显著提升正确率[33]。未来 Agent 或许能够在更广泛任务上用自我反馈不断学习。例如，一个对话 Agent 回答完用户问题后，可反思“我的回答是否充分？有没有遗漏？”然后再给出补充；又比如智能体规划路线后反思“有没有更优路线”。自我反思使 Agent 从“一次性执行者”进化为“持续学习者”，可以从错误中学习，变得越来越聪明[36]。

• 长期记忆与知识积累：目前多数 Agent 的记忆还局限于向量数据库等形式的“片段式记忆”，而真正类似人类的长期记忆尚未完全实现。未来的发展方向之一，是让 Agent 能够像人一样逐渐积累知识和经验，形成自己的“知识库”并在需要时检索利用[37]。这可能涉及结合数据库、知识图谱等，让Agent 将重要信息固化下来，哪怕重启后仍能访问。这方面的初步尝试有：让 Agent 在任务执行完毕后，把有价值的新信息保存到外部存储，作为下次启动时的先验知识；或者Agent定期梳理对话内容，生成摘要存档，从而突破即时上下文窗口的限制。有了长期记忆，Agent 就能实现跨会话的连续性，甚至做到“越用越懂你”。想象一下，一个AI助手经过几个月交互，已经记得你偏好的沟通风格、历史提过的需求，这将极大提升用户体验。当然，实现这一目标也伴随挑战，包括如何防止长期记忆积累错误信息、如何高效检索等。但可以预见的是，拥有丰富长期记忆的 Agent 将在个性化助理、长期项目顾问等场景发挥关键作用。

• “系统2”级推理：心理学中有System 1（快速直觉）和 System 2（深度理性）两种思考模式。现有的大语言模型更多偏向“直觉型”回答，有时会牵强附会或不严谨。未来 Agent 的发展方向之一，是引入更严谨的推理机制，让智能体具备类似“System 2”那样逐步思考、审慎决策的能力[38][39]。具体手段包括：链式思考（Chain-of-Thought）让模型显式列出推理步骤，树状探索（如Tree-of-Thought）让模型尝试不同思路并评估，或者结合符号算法（如规划算法、约束求解器）辅助决策。这些都旨在让 Agent 在面对复杂问题时，不是一股脑给出未经验证的答案，而是像人一样多角度分析、验证推理过程[39]。举个例子，一道复杂数学应用题，系统1型 Agent 可能凭直觉随便套公式算，而系统2型 Agent 则会一步步列公式、检查每步推导是否正确再得出答案。这种深度推理对于关键决策场景（如医疗诊断、法律分析）尤为重要，它能够大幅提高 Agent 的可靠性和可信度。

综上所述，未来的 Agentic Agent 很可能是集多智能体协作（像团队）、自我反思（能改进自己）、长期记忆（不断学习）、系统2推理（深度严谨思考）等能力于一身的“超级智能体”。这些特性之间也不是孤立的，而是相辅相成：比如有了长期记忆才能更有效地反思和改进，有了系统2推理才能更好地规划多 Agent 协同工作。对于产品经理而言，关注这些趋势有助于把握未来产品的潜力。例如，在客户服务产品中，我们也许会用一组协作的 Agent 共同处理工单：一个 Agent 负责理解分类问题，另一个负责检索知识库，第三个负责汇总回复，并且他们还能反思总结以改进服务质量。这样的系统将远比单一模型回答问题来得智能和可靠。

6. 结语

从固定脚本的工作流到具自主性的 Agentic 智能体，AI 架构正经历一场范式转变。这就好比从“傻瓜相机”进化到“自动驾驶仪”：过去我们为每个场景手动画好路线，现在智能体开始能够看图导航，自己决定如何到达目的地。工作流式方法依然有价值，特别是在可控性要求高的场景，但 Agentic 方法无疑为AI赋予了更高的灵活性与潜能。借助诸如 LangChain 和 LangGraph 这样的框架支撑，我们已经能初步打造出具有目标导向、上下文记忆、多步推理能力的 Agent 原型。在不远的将来，随着模型能力提升和架构创新，Agentic Agent 有望成为各行业智能应用的中坚力量：从个人助理到企业决策支持，无处不在地发挥作用。我们正站在未来的起点，迎接一个由 Agentic Agent 驱动的创新时代。让我们拭目以待。

参考文献：本文内容参考和引述了 LangChain 官方文档、Anthropic 技术博客等资料，其中包括【7】Anthropic《Building effective agents》、【13】Ashok Naik《LangGraph & LangChain: Building Agentic AI》、【18】Adnan Masood《LangChain & LangGraph: Building Dynamic Agentic Workflows》等。有关 Agent 架构、LangGraph 机制和 Agent 未来发展的更多细节，可参见这些出处提供的深入探讨。

向上滑动查看参考文献

[1] AI Workflows vs. AI Agents vs. Multi-Agentic Systems: A Comprehensive Guide

https://medium.com/@neeldevenshah/ai-workflows-vs-ai-agents-vs-multi-agentic-systems-a-comprehensive-guide-f945d5e2e991

[2] [3] [6] [10] Building Effective AI Agents \ Anthropic

https://www.anthropic.com/engineering/building-effective-agents

[4] [5] [7] [8] LangGraph & LangChain: Building Agentic AI - DEV Community

https://dev.to/a_shokn/langgraph-langchain-building-agentic-ai-k58

[9] Agentic AI Architecture: A Deep Dive

https://markovate.com/blog/agentic-ai-architecture/

[33] [34] Agent architectures

https://langchain-ai.github.io/langgraph/concepts/agentic_concepts/

[11] [12] [14] [15] [22] [23] [24] [25] [26] The Agentic Imperative Series Part 3 — LangChain & LangGraph: Building Dynamic Agentic Workflows | by Adnan Masood, PhD. | Medium

https://medium.com/@adnanmasood/the-agentic-imperative-series-part-3-langchain-langgraph-building-dynamic-agentic-workflows-7184bad6b827

[13] Foundation: Introduction to LangGraph

https://academy.langchain.com/courses/intro-to-langgraph

[16] [17] [18] [19] [20] 一文搞懂 LangChain 新利器：LangGraph-CSDN博客

https://blog.csdn.net/musicml/article/details/136441895

[21] [28] [29] [30] 彻底搞懂LangGraph〖之三〗：构建一个创作电影脚本的多智能体应用 - 文章 - 开发者社区 - 火山引擎

https://developer.volcengine.com/articles/7389518901443231781

[27] [31] [32] Overview

https://langchain-ai.github.io/langgraph/concepts/multi_agent/

[35] [36] [37] 自我反思（Reflexion） | Prompt Engineering Guide

https://www.promptingguide.ai/zh/techniques/reflexion

[38] [39] Embracing System 2 Thinking in LLMs | by Charlie Koster | Medium

https://ckoster22.medium.com/embracing-system-2-thinking-in-llms-9cd9e4fdf7e1

山石网科是中国网络安全行业的技术创新领导厂商，由一批知名网络安全技术骨干于2007年创立，并以首批网络安全企业的身份，于2019年9月登陆科创板（股票简称：山石网科，股票代码：688030）。

现阶段，山石网科掌握30项自主研发核心技术，申请570多项国内外专利。山石网科于2019年起，积极布局信创领域，致力于推动国内信息技术创新，并于2021年正式启动安全芯片战略。2023年进行自研ASIC安全芯片的技术研发，旨在通过自主创新，为用户提供更高效、更安全的网络安全保障。目前，山石网科已形成了具备“全息、量化、智能、协同”四大技术特点的涉及基础设施安全、云安全、数据安全、应用安全、安全运营、工业互联网安全、信息技术应用创新、AI安全、安全服务、安全教育等10大类产品及服务，50余个行业和场景的完整解决方案。