《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