简介:本文对比传统确定性业务逻辑层与AI Agent概率性编排层,从架构、能力、接入、性能、安全、运维、成本和迁移维度分析异同,给出分层选型建议,帮助团队在Agent时代避免应用层退化为胶水代码,构建可治理、可评测、可演进的应用架构。
在AI Agent讨论升温之后,应用架构出现了一种值得警惕的倾向:把业务规则、状态流转、权限校验、异常处理都交给模型“理解”,应用层只负责拼接提示词、调用工具、转发结果。这种模式短期看似灵活,长期却容易让应用层退化为胶水代码——逻辑散落在提示词、工具描述和模型输出之间,难以测试、难以复现、难以审计,也难以稳定演进。
本文对比两类架构:
两者并非简单替代关系,而是需要明确边界、分层协作。本文围绕“相同点、核心差异、适用场景、选型依据、迁移注意事项”展开,回答“Agent时代该构建什么”。
传统确定性业务逻辑层解决的是“规则明确、结果可验证、错误代价可控”的问题。例如订单状态流转、计费规则、权限判断、库存扣减、审批流等。其核心特征是:输入输出契约清晰,分支条件可枚举,失败可回滚,结果可复现。
AI Agent编排层解决的是“语义开放、路径不固定、需要多步工具协作”的问题。例如信息检索与归纳、客服辅助、复杂任务拆解、内容生成与校验、跨系统信息整合等。其核心特征是:模型根据上下文决定下一步动作,工具调用序列可能变化,输出需要后置校验与治理。
“应用层只剩胶水代码”的问题在于:把本应由确定性代码承载的规则交给了概率性模型,同时又把模型编排所需的契约、状态、评测和治理留在了胶水层。结果既没有传统业务逻辑的可靠性,也没有Agent编排的可治理性。
两类架构在以下方面存在共同点:
因此,问题不是“要不要Agent”,而是“哪些逻辑应由确定性代码承担,哪些能力适合交给Agent节点”。
传统业务逻辑把规则写成显式分支、状态机、事务和约束,逻辑位置明确,变更可评审。Agent编排把部分决策交给模型,通过提示词、工具描述和上下文引导模型行动。前者的优势是可解释、可单测;后者的优势是能处理开放语义和不确定路径。风险在于:如果把关键规则隐式写在提示词里,就会形成“不可见业务逻辑”。
传统逻辑通常依赖数据库事务、状态机、幂等键和补偿机制管理状态。Agent则依赖会话上下文、记忆、工具返回和中间结果。Agent的上下文可能被截断、污染或误解,因此关键状态不能只存在会话里,必须落到可审计的持久化状态中。
传统接口强调强类型、错误码、超时、重试和幂等。Agent工具调用需要额外的语义描述、参数校验、权限边界和返回结果裁剪。工具契约如果只写自然语言描述,模型可能误用;应同时提供机器可校验的schema、前置条件、后置条件和错误分类。
传统逻辑通过异常码、回滚、重试、熔断和降级处理错误,可用单元测试和集成测试覆盖。Agent需要评测集、轨迹回放、结构化输出校验、人工复核和容差评估。不能要求Agent逐字稳定,但可以要求关键决策可校验、关键动作可回退。
传统逻辑延迟相对可预测,可通过缓存、异步、限流和水平扩展优化。Agent受模型推理影响,延迟与成本波动更大,需要异步任务、队列、超时控制、结果缓存、小模型分流和配额管理。具体性能取决于模型与部署方式,不能一概而论。
传统逻辑的安全重点是身份认证、权限控制、数据隔离、审计和加密。Agent额外面临提示注入、工具越权、上下文泄露、输出不合规等风险。因此,Agent工具必须最小权限、参数白名单、敏感字段脱敏,并保留完整调用轨迹。
传统逻辑的运维重点是发布、监控、容量和故障恢复。Agent还需要管理模型版本、提示词版本、工具版本、评测集和回放样本。成本上,传统逻辑偏资源与开发维护;Agent还包含推理调用、评测、人工复核和治理成本。需要按任务价值设置预算与降级策略。
| 维度 | 传统确定性业务逻辑层 | AI Agent概率性编排层 | 选型启示 |
|---|---|---|---|
| 技术架构 | 显式代码、状态机、事务、规则引擎 | 模型推理、工具调用、计划与记忆 | 确定性核心用传统逻辑,开放式任务用Agent节点 |
| 功能能力 | 规则明确、结果可验证 | 语义理解、多步任务、开放路径 | 不要用Agent替代可枚举规则 |
| 接入方式 | 强类型接口、错误码、幂等 | 工具schema、提示词、上下文管理 | 工具契约要机器可校验 |
| 性能表现 | 延迟较可预测,易缓存扩展 | 受推理影响,波动较大 | 异步、队列、缓存、限流、降级 |
| 安全合规 | RBAC、审计、数据隔离 | 额外需防提示注入与工具越权 | 最小权限、参数白名单、脱敏 |
| 运维成本 | 发布、监控、容量、故障恢复 | 还需模型/提示/工具/评测版本管理 | 建立版本化与回放机制 |
| 成本结构 | 资源、开发、维护 | 推理、评测、人工复核、治理 | 设置预算、配额与价值门槛 |
| 适用场景 | 交易、计费、权限、审批、库存 | 检索归纳、客服辅助、任务拆解 | 混合架构更常见 |
| 使用边界 | 不擅长开放语义与模糊输入 | 不适合高风险强一致决策 | 关键决策保留确定性回退 |
即使将Temperature设置为0,固定输入在工程实践中仍可能出现输出变化。原因通常不是“模型有意识”,而是计算与部署链路中的非确定性:
因此,Agent输出更适合“结构化校验+业务幂等+关键规则回退”,而不是要求逐字复现。交易、计费、权限、库存等强一致场景,应由确定性代码兜底;Agent可承担意图识别、信息归纳、候选方案生成和辅助决策。
优先传统确定性逻辑的场景:订单与支付、计费结算、权限判断、库存扣减、审批流、风控硬规则、数据一致性要求高的后台任务。这些场景错误代价高,必须可回滚、可审计、可复现。
适合Agent编排的场景:非结构化信息检索与归纳、客服辅助回复、跨系统信息整合、内容草稿生成、复杂任务拆解建议、开发辅助中的代码解释与候选方案生成。这些场景允许一定容差,但需要后置校验。
推荐混合架构的场景:确定性工作流中嵌入Agent节点。例如先用规则校验请求,再由Agent识别意图和抽取字段,最后回到规则引擎完成校验与落库。这样既保留业务逻辑的骨架,又利用模型处理开放输入。
选型不应做绝对化判断,可按以下条件评估:
建议构建四层能力:领域语义层(术语、实体、规则边界)、工具契约层(schema、权限、幂等、错误分类)、编排状态层(工作流、状态机、回滚与人工介入)、评测治理层(评测集、轨迹回放、监控告警、成本配额)。应用层不应只剩胶水,而应成为可治理的编排与契约层。
从胶水式Agent应用迁移到分层架构时,需注意:
示意性伪代码:
workflow:step1 validate_request // 确定性:格式、权限、幂等step2 classify_intent // Agent:语义识别,输出结构化结果step3 if intent == "查询":call_query_tool // 工具:强校验、最小权限else if intent == "争议":agent_reason_with_tools // Agent:生成候选,不直接落库step4 finalize_by_rules // 确定性:规则校验、事务、审计
“业务逻辑的坍塌”本质不是Agent太强,而是应用层没有把确定性骨架、工具契约、状态管理、评测治理产品化。传统确定性业务逻辑与AI Agent编排层各有边界:前者擅长可验证、强一致、可审计的规则执行;后者擅长开放语义、多步任务和非结构化输入处理。Agent时代该构建的,不是更多胶水代码,而是“确定性骨架+概率性能力+治理层”的分层架构。只有把关键规则、状态、权限和评测沉淀为可复用能力,应用层才能在模型快速演进中保持可治理、可迁移、可演进。