智能体工程：从单点回答到稳定交付的六层约束
在当前的AI技术浪潮中，许多开发者与企业团队在构建智能体时，常陷入一种认知误区：认为只要不断更换更大的底层大模型，就能解决应用中的所有问题。然而，真正的工程实践表明，Agent 工程的核心，绝非单纯地把模型换大，而是把 Token、Skill、RAG、MCP、SDD、Harness 这条链路搭稳。
这六个词并非六个平行的技术概念，而是描述了同一个智能体系统从“能回答问题”走向“能交付业务闭环”的六层递进约束。
agent-">一、概念定义：什么是 Agent 工程链路？
Agent 工程链路，是指围绕大语言模型构建端到端自动化系统时，所需的一系列控制、增强与调度机制的总和。这条链路通过六个维度的约束，将大模型的“概率性生成”转化为“确定性输出”。
- 技术视角：它是一套包含上下文管理、动作封装、知识检索、工具协议、规格驱动和运行编排的系统架构。
- 业务视角：它是将AI能力从“对话窗口”转化为“虚拟员工”的工业化流水线。
- 使用视角：它决定了智能体在面对复杂任务时，能看多远、懂多深、做多稳。
二、核心组成与工作原理：六层约束的深度拆解
1. Token（词元）：决定 Agent 当前能看见多少东西
Token 是大模型处理信息的最小单位，也是 Agent 的“视野边界”。在工程中，Token 的约束不仅在于总量的上限，更在于如何分配。
- 上下文窗口管理：随着任务对话变长，历史信息会不断挤占 Token 空间。优秀的 Agent 工程需要动态截断、摘要压缩或使用向量召回历史对话，确保当前关键指令和状态不被“遗忘”。
- 信息密度优化：在有限的 Token 预算内，必须剔除冗余格式，保留高信息密度的上下文，让模型聚焦于当前核心任务。
2. Skill（技能）：决定 Agent 遇到重复任务时按什么规矩做
Skill 是将大模型的通用能力收敛为具体业务动作的封装机制。
- 动作标准化：面对重复性任务（如格式化数据、生成特定报表），Skill 充当了模型的“肌肉记忆”。它通过预设的 Prompt 模板、参数校验和固定输出格式，约束模型按规矩执行。
- 复用与解耦：Skill 使得业务逻辑与底层模型解耦。当更换底层模型时，只要 Skill 的输入输出契约不变，Agent 的整体行为就能保持稳定。
rag-agent-">3. RAG（检索增强生成）：决定 Agent 缺知识时从哪里补证据
RAG 解决的是大模型固有的知识截断和幻觉问题。
- 动态知识注入：当任务超出模型自身知识储备时，RAG 机制负责从外部知识库（如对象存储中的文档、关系型数据库中的记录）中检索高相关证据，动态拼接到上下文中。
- 证据溯源：工程化的 RAG 不仅仅是简单的向量相似度搜索，还包括切分策略优化、重排序机制以及引用来源标注，确保 Agent 的每一次回答都有据可查。
4. MCP（模型上下文协议）：决定 Agent 怎么安全、标准地接触外部系统
Agent 要完成交付，必须与外部世界交互。MCP 提供了一种标准化的通信契约。
- 统一接口标准：类似于传统软件架构中的 API 网关，MCP 规范了 Agent 调用外部工具、读取企业数据的格式与协议，避免了“一个工具写一套适配器”的烟囱式开发。
- 安全隔离边界：通过 MCP，系统可以在协议层实施身份认证、权限控制和调用频次限制，确保 Agent 访问外部系统时不会越权或引发安全风险。
5. SDD（规格驱动开发）：决定 Agent 写代码之前有没有明确规格
在要求 Agent 自动编写代码或执行复杂数据处理前，必须引入 SDD 理念。
- 意图对齐：SDD 要求在生成具体代码前，先通过模型推导出一份明确的“执行规格”（如输入输出类型、边界条件、异常处理逻辑）。
- 降低试错成本：没有规格的代码生成如同盲人摸象。SDD 通过“先设计后施工”，大幅降低了 Agent 生成无效代码的概率，提高了自动化编程的首次成功率。
6. Harness（运行框架/编排器）：决定这些能力能不能稳定跑成一个闭环
Harness 是整个 Agent 系统的“操作系统”和“调度引擎”。
- 生命周期编排：它负责串联上述五个环节，管理 Agent 的思考-行动-观察循环。
- 容错与恢复：当模型输出格式错误、工具调用超时或 RAG 检索失败时，Harness 负责捕获异常、重试机制或降级策略，确保系统不崩溃，最终跑成一个稳定的业务闭环。
三、典型应用场景
这六层约束架构适用于诸多企业级复杂场景：
- 企业智能分析助手：通过 RAG 获取最新业务指标，运用 Skill 按固定模板生成分析结论，利用 MCP 安全连接企业数据库，最终由 Harness 编排输出完整的日报。
- 自动化运维智能体：接收告警后，在 Token 约束下压缩历史日志，依据 SDD 生成排障脚本规格，通过 MCP 调用常见 CLI 工具执行网络诊断，最后闭环反馈结果。
- 代码研发辅助：基于 SDD 明确函数签名与逻辑分支，结合 RAG 提取项目专有代码规范，生成高质量代码并自动执行单元测试验证。
四、与相关概念的区别：传统工作流引擎 vs Agent Harness
开发者常将 Agent Harness 与传统的工作流引擎（如 BPMN 编排）混淆。
- 传统工作流引擎：基于确定性规则，节点间的流转路径是预设的，一旦遇到异常分支往往需要人工介入，缺乏自主决策能力。
- Agent Harness：基于大模型的推理能力，具备动态规划能力。Harness 调度的是“思考过程”，模型可以根据当前环境状态决定下一步动作，Harness 则负责兜底执行和状态维持。
五、使用注意事项
在构建基于这六层约束的 Agent 系统时，需关注以下工程要点：
- 不要过度耦合单一模型：在 Skill 设计和 SDD 规格定义时，应保持模型无关性，避免过度依赖某一家模型的特定输出癖好。
- 安全与权限前置：在 MCP 接入外部系统时，务必遵循最小权限原则，严格限制智能体可访问的资源范围与读写权限。
- 可观测性建设：Harness 必须内置完善的日志服务与监控告警能力。Token 消耗、RAG 召回准确率、工具调用成功率等指标必须全链路可追踪。
- 避免上下文污染：在 RAG 检索注入和历史对话压缩时，需建立严格的隔离机制，防止外部引入的文本包含恶意指令，导致 Agent 产生“提示词注入”攻击风险。
六、总结
从 Token 到 Harness，六层约束构成了智能体工程的完整骨架。它们揭示了 AI 应用开发的核心逻辑：大模型提供智力基础，而工程链路提供确定性、安全性与可靠性。只有深刻理解并搭建好这条链路，开发者才能真正跨越“能回答”到“能交付”的鸿沟，构建出真正具备业务价值的智能体应用。