直面焦虑：技能保质期的关键区分

焦虑来源：框架迭代快（如 LangChain 接口频繁变更、AutoGen/LlamaIndex 重构）、模型吞噬代码（大模型能力提升使分块拼接、正则解析等代码失效）。

工程类型划分

补偿性工程：弥补模型当前短板（如小窗口分块、手写思维链），随模型能力提升会被淘汰，技能保质期短。
系统性工程：解决 AI 在真实业务环境中的普遍问题（上下文工程、驾驭工程），确保智能体稳定工作，技能保质期永久，是区分调包侠与资深工程师的核心。

范式转移：Agent 开发的核心公式

核心公式：Agent = Model + Harness

• Model（模型）：概率性黑盒，负责推理决策（类似发动机），由大厂研究员开发。
• Harness（驾驭系统）：确定性逻辑，工程师核心工作，包括边界权限控制（方向盘 / 刹车）、执行环境（底盘 / 工具库）、上下文管理与状态回流（仪表盘 / 安全系统），用确定性包裹模型的不确定性。

Agent 工程本质：要解决的事 & 人机分工

人不会被取代的最切实理由

1. 大模型是概率黑盒，无法自主处理物理世界不可控故障，必须依靠工程兜底；
2. 风险、权限、业务规则、价值目标，无人工定义则无法落地；
3. 模型只负责单次输出，长期稳定性、故障隔离、断裂恢复依赖系统性架构；
4. 模型越强，越需要强管控驾驭体系，高阶工程需求只会递增。

核心能力拆解：四大基本功 —— Agent 工程四大支柱

1. 上下文管理（Context Management）

核心认知：上下文即程序，信息内容与顺序直接决定模型推理方向。
三重境界：

• 上下文隔离：过滤子任务冗余信息，避免污染主流程。
• 按需注入：动态注入当前步骤所需知识，避免上下文窗口资源浪费。
• 上下文压缩：定期摘要历史消息，防止模型因信息过载退化。

2. 控制流设计

核心思路：控制模型行动范围而非具体步骤。
实践方法：

• 计划机制：强制模型先制定计划再执行，提升成功率。
• 依赖图与任务看板：复杂业务中让模型自主规划任务顺序或多 Agent 协作认领任务。

3. 错误恢复

智能故障特点：模型误解意图、产生幻觉（非传统 bug）。
解决策略：

• 沙箱隔离：防止失败影响主流程。
• 补充缺失资源：分析错误原因（缺工具 / 知识），通过 Harness 补充。

4. 反馈回路

核心目标：形成模型自主评估修正的闭环，反馈给模型而非人类。
应用场景：

• 计划跟踪：实时展示未完成任务清单，防止执行漂移。
• 后台异步通知：耗时操作后台执行，完成后推送结果至模型上下文。
• 动态推理强度：任务不同阶段切换模型（规划用强模型，执行用快模型，验证用强模型），平衡效果与成本。

终极思考：系统性工程的不可替代性

趋势判断：补偿性工程代码趋近于零，系统性工程复杂度随模型变强而上升（类比 CPU 性能提升推动操作系统复杂度增加）。
核心价值：模型无法解决物理世界不可控问题（接口超时、服务器错误），需工程手段实现故障隔离、断裂恢复，构建业务必需的确定性。

最终结论

框架和 API 会过时，掌握「让概率黑盒系统可靠完成真实世界工作」的系统性能力，技能保质期永久。