创建

登录 ReadmeX

或

了解我们如何处理你的信息: 隐私政策

ReadmeX

陪你读懂 AI 动态

今天,想先了解什么?

选一份动态总结,或直接聊聊你的问题。

社区和关注动态总结只属于你自己。

资讯

三段式 Super-Agent 架构实践

AI 总结

一篇工程实践文章介绍作者亲手实现的“Super-Agent”架构,将流程分为规划、执行和校验三个阶段。方案使用结构化任务图、异步并发工具调用、可配置的重试、跳过和中止策略、语义校验,以及失败步骤的增量重跑。在作者进行的内部对比中,三段式系统平均耗时14.8秒,10次运行成功9次;单循环 Agent平均耗时47.3秒,成功6次。三段式系统单次约消耗2.1万Token,单循环系统约为3.8万Token。作者还表示,该架构已在两个内部流程中稳定运行一个多月。这些结果和运行情况均为作者自述,未经独立验证。

深度见解

该实践为需要依赖调度、并行执行、失败恢复、结果校验和定向重跑的多工具 AI 工作流提供了具体实现模式。其对比数据体现出工程参考价值,但尚未经过独立验证。

上个月我们组接到一个需求:把「每天早上自动整理竞品动态」这件事全交给一个 Agent 做。听起来简单,真正动手才发现坑在架构上——单个大模型循环调工具,跑到第五步就开始忘事,工具调错了不回头,失败了整条链子重来。我前后重构了三次,最后落到的结构是「规划-执行-校验」三段式,我叫它 Super-Agent 架构。这篇文章把三段各自的实现、以及我踩过的具体问题完整写出来。

为什么单循环 Agent 一定会崩

先说我第一版的写法,也是最容易想到的写法:一个大 while 循环,模型输出 tool_call,执行,把结果塞回上下文,继续循环,直到模型说「完成」。

def naive_agent(task, tools, max_steps=20):
    messages = [{"role": "user", "content": task}]
    for step in range(max_steps):
        resp = llm.chat(messages=messages, tools=tools)
        if not resp.tool_calls:
            return resp.content
        for call in resp.tool_calls:
            result = execute(call)
            messages.append({"role": "tool", "content": result})
    return "超过最大步数"

#Super-Agent architecture#Pydantic#Python asyncio

原文约 9 分钟读完阅读原文
群聊

还没有评论,来说说你的看法。