Dopamine Agent Lab
0/47
学习地图 阶段 4
Stage 04 · Architecture & Tooling

架构与选型:先选对形态

同样是「做个 Agent」,单循环、计划执行、多 Agent、可视化平台的成本与风险差一个数量级。 这一阶段只做三件事:认架构、选平台、分清工作流与自主 Agent。

3 节 约 1.5 小时 前置:阶段 1–3 决策阶段,不写代码
本阶段进度 0 / 3
4.1

六种 Agent 架构:复杂度要花在刀刃上

约 35 分钟 架构 对照原文 ↗

学习目标

根据任务形态选择架构,并能反驳「多 Agent 一定更强」这个假设。

前置知识

阶段 1 的循环;3.1 的推理模式。

核心要点

  • 单 Agent 循环:最常用,适合 80% 的工具型任务;瓶颈是上下文增长。
  • 路由 / 分诊:先判断任务类型,再交给专门的处理链;适合客服、工单等类别清晰的场景。
  • Plan-and-Execute:规划者 + 执行者,适合长任务;需要重规划机制。
  • 多 Agent / 层级:任务可分解且子任务异构时才有收益;协调成本与错误放大是主要代价。
  • 评估器-优化器:生成 + 评审循环,适合有明确质量标准的内容任务;没有外部标准时会退化为互相吹捧。

动手任务(30 分钟)

为「每周自动生成团队周报」和「跨三个仓库的代码迁移」各选一个架构,画不超过 5 个框的图,并写一句「为什么不用更简单的单 Agent」。如果写不出来,说明你不需要更复杂的架构。

自检

什么情况下多 Agent 反而是负优化?
任务线性、上下文可以共享、子任务同质时。多 Agent 会引入信息丢失、重复工作和调试困难,成本上升但质量未必提升。先尝试单 Agent + 更好的工具与提示。
评估器-优化器架构什么时候有效?
当「好」可以被外部标准检验时(测试通过、格式校验、事实核对)。如果只让模型自评,容易产生偏好偏差,评审轮次越多不代表质量越高。
进度保存在本机浏览器
4.2

第一个 Agent 与平台选型:三条轴,不追新

约 30 分钟 选型 对照原文 ↗

学习目标

用「搭建速度 / 系统衔接 / 可控深度」三条轴给候选平台打分,并识别数据锁定与合规风险。

前置知识

3.4 上下文工程;对至少一个平台有初步印象。

核心要点

  • 平台(Dify / n8n / 各类办公 Agent)、框架(LangChain / CrewAI)、库(SDK)解决的是不同层的问题。
  • 先问「一周内能不能验证价值」,再问「以后能不能迁走」。不能导出数据与流程的平台要谨慎。
  • 桌面 Agent 权限大、体验好,但数据边界与误操作风险也更大;优先在独立工作区试用。
  • 产品宣传里的「免费」「支持某模型」变化很快,以官网与合同为准,不要把教程里的价格/额度当事实。
  • 选型输出应该是一页纸:场景、候选、评分、试点计划、退出策略。

动手任务(30 分钟)

列 4 个候选(至少包含 1 个可视化平台、1 个代码框架),按速度 / 衔接 / 可控 / 成本 / 锁定风险打 1–5 分,加权求和。选一个本周做 30 分钟试点,并写下「什么结果会让你放弃它」。

自检

为什么建议先平台后框架?
平台能最快验证需求是否真实,避免一上来写几千行代码后发现没人用。但验证通过后,要评估可迁移性,避免被平台能力锁死。
如何降低平台锁定风险?
数据可导出、提示与流程可版本化、核心逻辑不依赖平台私有节点、保留一个可运行的代码版原型。合同层面确认数据使用与删除条款。

选型补充:13 个 Agent 框架与 8 个工具的对比矩阵(定位 / 适合 / 注意),见 框架与工具选型矩阵。

进度保存在本机浏览器
4.3

AI 工作流:确定性优先,自主性按需

约 30 分钟 架构 对照原文 ↗

学习目标

判断一个需求该做成固定工作流、自主 Agent,还是「工作流里嵌 Agent 节点」的混合形态。

前置知识

4.1 架构;3.1 推理模式。

核心要点

  • 工作流的优势是可预测、可测试、成本可控;缺点是遇到未枚举的情况就断。
  • Agent 的优势是处理开放路径;缺点是难测试、成本波动、可能跑偏。
  • 生产里最常见的是混合:外层工作流保证步骤与审批,内层用 Agent 处理「这一步怎么做」。
  • 每个节点都要定义输入/输出契约、超时、重试与失败兜底,否则编排只是把不确定性藏起来。
  • 能写成 if/else 的,不要交给模型决定——确定性逻辑用代码,语义判断才用模型。

动手任务(30 分钟)

把「每天抓竞品价格 → 对比昨日 → 生成日报 → 发邮件」画成 6 步工作流,并在每一步标注:输入、输出、失败怎么办。最后圈出「哪一步值得用 Agent,哪一步必须用代码」。

自检

为什么「能用工作流就别用 Agent」?
因为工作流的行为可枚举,测试、监控、成本估算都更容易;Agent 的每次执行路径可能不同,出错时更难复现。自主性应该花在真正需要判断的地方。
混合形态里,Agent 节点最容易出什么问题?
输出格式不稳定,导致下游节点解析失败。解决方式是给 Agent 明确的 schema、校验与重试,并设置「解析失败就转人工」的兜底路径。
进度保存在本机浏览器