晁岳攀 (鸟窝)-智能体架构的降龙十八掌：从原型到工程落地的“生死取舍”.pdf

《晁岳攀 (鸟窝)-智能体架构的降龙十八掌：从原型到工程落地的“生死取舍”.pdf》由会员分享，可在线阅读，更多相关《晁岳攀 (鸟窝)-智能体架构的降龙十八掌：从原型到工程落地的“生死取舍”.pdf（30页珍藏版）》请在三个皮匠报告上搜索。

1、智能体架构的降龙十八掌晁岳攀百度资深工程师目录010203Agent 模式速览OpenClaw 分析Hermes Agent 分析04AutoResearch 实战模式介绍Agent 模式速览明星产品Agent的实现有啥套路？Agent Loop 不就是下面的代码吗？为啥我们做出的智能体远达不及明星产品(CC、OpenClaw等)？建造明星产品的基础0101根据场景选择最合适的 LLMLLMs上下文(内存)管理Memory 用最有效的资料生成最精确的、最全面的结果RAG选择合适的架构模式，在 Agent Loop 上层层构建架构模式在最简单的Agent Loop上(发动机)堆砌复杂的产品（豪华

2、跑车）Tools0202030304040505RAG 模式RAG（检索增强生成）通过从外部数据源获取数据来增强 LLM 的输出朴素 RAG 基本方法包括文档分块、索引、基于语义相似性的检索和生成。高级 RAG 通过检索前技术（查询重写、分解）和检索后步骤（重新排序、摘要）提高检索精度。模块化 RAG 一种灵活的、专门化的架构，它将流程分解为功能组件（搜索、检索、生成），这些组件可以进行定制和重新排列，例如在专门的引擎中。混合 RAG 结合密集检索（向量搜索）和稀疏检索（关键词搜索），以确保语义理解和精确的关键词匹配。纠正性 RAG（CRAG）集成自我验证机制，对检索到的文档进行批判，如果信息

3、不可靠，则触发重新评估或替代搜索。Agentic RAG 使用自主代理进行规划、选择工具、迭代推理和解决复杂的多跳查询。上下文 RAG 利用聊天历史和对话状态来改进检索，解决对话式 AI 中的“上下文盲点”问题。HyDE（假设文档嵌入）LLM 生成查询的合成假设答案，然后将其用于语义搜索以查找真实的相似文档。图 RAG 利用知识图谱结构化实体关系，支持多跳推理和全局信息聚合。Agent 架构模式Agent 架构模式Agent 架构模式Memory 管理模式OpenClaw 分析Tool Use 模式模式概念Tool Use（工具调用）是 Agent Loop 中模型与外部世界交互的核心机制。当

4、模型判断需要执行操作（读写文件、运行命令、搜索网页等）时，生成结构化的 tool_call 请求，由运行时调度执行并将结果注入对话上下文，形成 调用 执行 观测 的闭环。ReAct 模式模式概念ReAct（Reasoning+Acting）是一种将 推理 与 行动 交织的 Agent 执行范式，由 Yao et al.(2023)提出。OpenClaw 在其嵌入式 Agent 运行时中实现了完整的 ReAct 循环，核心特征是：多智能体 模式核心概念OpenClaw 采用多智能体+层级式多智能体架构：多智能体：并列的顶级智能体层级式:主 Agent 按需生成专用子智能体，子智能体可继续嵌套生成

5、，形成有深度的智能体树。双循环架构模式核心思想将 Agent 运行时拆分为外层循环（错误恢复）和内层循环（推理执行），实现关注点分离：内层专注对话流程外层专注系统韧性。设计优势Memory 管理模式-内置 Hermes 模式Tool Use 模式Hermes 围绕让 Agent 自己更强大能学、能问、能搜、能委派；OpenClaw 围绕让平台更健壮多平台安全、类型严格、开发者友好。【工具系统】Agent 的手 自注册机制：每个.py 文件调用 registry.register()，启动时 importlib 自动发现 工具集粒度控制：enabled_toolsets/disabled_too

6、lsets 按任务场景组装工具包 运行时自适应：check_fn()动态检查可用性，coerce_tool_args()自动修复 LLM 参数类型 澄清工具：clarify()Agent 主动向用户提问，结构化多选交互【技能系统】Agent 的程序性记忆 运行时动态创建技能：Agent 完成复杂任务后，主动将成功经验沉淀为可复用技能 skill_manage(create)创建新技能，写入 SKILL.md+子目录 skill_manage(edit/patch)编辑、修补已有技能内容 skill_manage(w