摘要Agent 從「能對(duì)話」演進(jìn)為「能行動(dòng)」,應(yīng)用設(shè)計(jì)邏輯發(fā)生根本變化——從「Prompt → 回答」走向「感知 → 思考 → 工具調(diào)用 → 行動(dòng) → 反饋」的閉環(huán)。本文系統(tǒng)拆解智能體的 3 大核心能力:工具調(diào)用(Function Call)、記憶管理(Memory)、多 Agent 協(xié)作(Multi-Agent),并給出 4 個(gè)真實(shí)落地架構(gòu)。所有數(shù)據(jù)與代碼均來(lái)自 2026 奇點(diǎn)智能大會(huì)確認(rèn)嘉賓張鈁、鄭耀威的公開(kāi)技術(shù)分享。SEO關(guān)鍵詞:AI Agent / 智能體開(kāi)發(fā) / 多 Agent 協(xié)作 / MCP 協(xié)議 / 工具調(diào)用 / 記憶管理 / Agent UX / 2026 奇點(diǎn)智能大會(huì)一、為什么 2026 是「智能體應(yīng)用元年」過(guò)去 18 個(gè)月,大模型的能力躍遷已經(jīng)觸及天花板——單純靠模型變大帶來(lái)的邊際收益迅速下降。但「讓模型能用工具、能記住對(duì)話、能跟其他 Agent 協(xié)作」的能力,正在打開(kāi)一個(gè)全新空間。2026 奇點(diǎn)智能大會(huì)把這一議題命名為「智能體應(yīng)用創(chuàng)新與開(kāi)發(fā)實(shí)踐」,由張鈁(上海 AI Lab 智能體中心負(fù)責(zé)人)與鄭耀威(開(kāi)源 Harness 作者)擔(dān)綱,核心回答 3 個(gè)問(wèn)題:工具調(diào)用:Agent 怎么用工具?Function Call 協(xié)議怎么設(shè)計(jì)?記憶管理:Agent 怎么記住歷史?短期記憶 vs 長(zhǎng)期記憶怎么權(quán)衡?多 Agent 協(xié)作:多個(gè) Agent 怎么協(xié)作?通信協(xié)議怎么設(shè)計(jì)?二、核心能力 1:工具調(diào)用(Function Call) 協(xié)議設(shè)計(jì):OpenAI Function Call 規(guī)范工具調(diào)用是 Agent 能力的基石。當(dāng)前主流的 OpenAI Function Call 協(xié)議規(guī)范:{name:get_weather,description:獲取指定城市的天氣信息,parameters:{type:object,properties:{city:{type:string,description:城市名稱,如北京},unit:{type:string,enum:[celsius,fahrenheit],description:溫度單位}},required:[city]}}Agent 收到用戶 query 后,會(huì)判斷是否需要調(diào)用工具,并返回結(jié)構(gòu)化參數(shù):{tool_calls:[{id:call_abc123,type:function,function:{name:get_weather,arguments:{\city\: \北京\, \unit\: \celsius\}}}]}? 工程實(shí)現(xiàn):工具注冊(cè)與執(zhí)行# 偽代碼:Agent 的工具調(diào)用核心classAgentToolRegistry:def__init__(self):self.tools{}self.schemas[]defregister(self,name,func,schema):注冊(cè)一個(gè)工具self.tools[name]func self.schemas.append(schema)defexecute(self,tool_call):執(zhí)行工具調(diào)用nametool_call.function.name argsjson.loads(tool_call.function.arguments)try:resultself.tools[name](**args)return{tool_call_id:tool_call.id,result:result}exceptExceptionase:return{tool_call_id:tool_call.id,error:str(e)}# 真實(shí)使用示例agentLLMAgent(modelgpt-5)agent.tool(description查詢訂單狀態(tài),schema{...})defquery_order(order_id:str)-dict:查詢訂單狀態(tài)的工具returndb.orders.find_one({_id:order_id})agent.tool(description發(fā)起退款,schema{...})defprocess_refund(order_id:str,reason:str)-dict:發(fā)起退款流程returnpayment.refund(order_id,reason)# 用戶 query: 幫我看看訂單 12345 的狀態(tài),如果 7 天還沒(méi)發(fā)貨就退款# Agent 自動(dòng)拆解為:# 1. query_order(order_id12345)# 2. 判斷發(fā)貨時(shí)間,如果 7 天則 process_refund(order_id12345, reason超時(shí)未發(fā)貨)張鈁(上海 AI Lab 智能體中心負(fù)責(zé)人)對(duì)工具調(diào)用的關(guān)鍵判斷:「工具原子化」是工具調(diào)用設(shè)計(jì)的核心原則——每個(gè)工具只做一件事,不要做大工具。原子化讓 Agent 更容易理解,出錯(cuò)時(shí)更容易定位。三、核心能力 2:記憶管理(Memory) 3 層記憶架構(gòu)智能體的記憶分為 3 層:層級(jí)容量速度用途L1 短期記憶128K-1M token極快(顯存)當(dāng)前會(huì)話上下文L2 工作記憶100K-1M 條快(向量數(shù)據(jù)庫(kù))跨會(huì)話的關(guān)鍵事實(shí)L3 長(zhǎng)期記憶無(wú)限較慢(數(shù)據(jù)庫(kù))用戶畫(huà)像、領(lǐng)域知識(shí)、ADR# 偽代碼:3 層記憶架構(gòu)classAgentMemory:def__init__(self):self.short_termConversationBuffer(window20)# 20 輪對(duì)話self.workingVectorStore(embedding_modelbge-large)# 向量庫(kù)self.long_termPostgreSQL()# 關(guān)系數(shù)據(jù)庫(kù)defadd(self,message):添加一條對(duì)話到記憶self.short_term.add(message)# 提取關(guān)鍵事實(shí)到工作記憶factsself.extract_facts(message)forfactinfacts:self.working.upsert(fact)defretrieve(self,query,top_k5):根據(jù) query 檢索相關(guān)記憶# 1. 短期記憶:返回最近 20 輪recentself.short_term.get()# 2. 工作記憶:返回最相關(guān)的 top_k 條relevantself.working.search(query,top_ktop_k)# 3. 長(zhǎng)期記憶:根據(jù) query 提取用戶畫(huà)像user_profileself.long_term.get_user_profile(query.user_id)return{recent:recent,relevant:relevant,user_profile:user_profile}? 記憶壓縮與摘要長(zhǎng)期記憶會(huì)隨時(shí)間膨脹,需要定期壓縮:# 偽代碼:記憶壓縮classMemoryCompressor:defcompress(self,conversations,target_token2000):把長(zhǎng)對(duì)話壓縮為摘要,保留關(guān)鍵信息# 1. 用 LLM 提取每段對(duì)話的關(guān)鍵事實(shí)facts[]forconvinconversations:factself.llm.extract(f從以下對(duì)話中提取關(guān)鍵事實(shí):\n{conv})facts.append(fact)# 2. 合并相似事實(shí)merged_factsself.deduplicate(facts)# 3. 生成壓縮摘要summaryself.llm.summarize(factsmerged_facts,target_tokenstarget_token)returnsummary鄭耀威(PenguinAI Harness 作者)對(duì)記憶管理的關(guān)鍵判斷:「記憶不是越多越好,是越相關(guān)越好」——一個(gè) Agent 塞滿 1M token 的記憶,實(shí)際推理時(shí)只會(huì)用其中 1%。工程上的關(guān)鍵是精準(zhǔn)檢索,而非全量記憶。四、核心能力 3:多 Agent 協(xié)作(Multi-Agent) 3 種主流協(xié)作模式模式原理適用場(chǎng)景代表項(xiàng)目主從模式1 個(gè) Planner Agent N 個(gè) Worker Agent任務(wù)可清晰拆解OpenAI Swarm、MetaGPT對(duì)等模式N 個(gè) Agent 平等協(xié)作,無(wú)中心創(chuàng)造性任務(wù)、辯論AutoGen、CrewAI分層模式多級(jí) Agent 嵌套,上層 Agent 調(diào)度下層復(fù)雜企業(yè)級(jí)應(yīng)用LangGraph、AgentVerse? 工程實(shí)現(xiàn):主從模式 Multi-Agent# 偽代碼:主從模式 Multi-AgentclassPlannerAgent:負(fù)責(zé)拆解任務(wù)、調(diào)度 Worker Agentdef__init__(self,workers):self.workersworkers# 注冊(cè)的 Worker Agent 列表self.history[]defplan(self,task):把任務(wù)拆解為子任務(wù)序列planself.llm.generate(f把以下任務(wù)拆解為可并行/串行執(zhí)行的子任務(wù):\n{task})returnself.parse_plan(plan)defexecute(self,task):sub_tasksself.plan(task)results{}forsubinsub_tasks:ifsub.parallel:# 并行執(zhí)行results[sub.id]self.parallel_execute(sub)else:# 串行執(zhí)行results[sub.id]self.workers[sub.agent].run(sub.input,contextresults)returnself.synthesize(results)classWorkerAgent:負(fù)責(zé)執(zhí)行具體子任務(wù)def__init__(self,name,tools,system_prompt):self.namename self.toolstools self.system_promptsystem_promptdefrun(self,input,contextNone):執(zhí)行子任務(wù)messages[{role:system,content:self.system_prompt},{role:user,content:f輸入:{input}\n上下文:{context}}]whileTrue:responseself.llm.generate(messages,toolsself.tools)ifresponse.tool_calls:forcallinresponse.tool_calls:resultself.execute_tool(call)messages.append({role:tool,content:result})else:returnresponse.content# 真實(shí)使用:多 Agent 協(xié)作完成「代碼評(píng)審」任務(wù)plannerPlannerAgent(workers{code_analyzer:WorkerAgent(name代碼分析員,tools[read_file,search_code,run_linter],system_prompt你是代碼分析員,負(fù)責(zé)檢查代碼質(zhì)量、安全、性能),test_runner:WorkerAgent(name測(cè)試執(zhí)行員,tools[run_test,run_coverage],system_prompt你是測(cè)試執(zhí)行員,負(fù)責(zé)運(yùn)行測(cè)試用例并生成報(bào)告),review_writer:WorkerAgent(name評(píng)審撰寫員,tools[write_file],system_prompt你是評(píng)審撰寫員,負(fù)責(zé)綜合分析結(jié)果,撰寫 PR Review 評(píng)論)})resultplanner.execute(審查 PR #1234 的代碼質(zhì)量)# Planner 自動(dòng)拆解為:# 1. code_analyzer 分析代碼(并行)# 2. test_runner 跑測(cè)試(并行)# 3. review_writer 綜合 12 寫評(píng)審(串行,依賴前兩步)張鈁對(duì)多 Agent 協(xié)作的關(guān)鍵判斷:「多 Agent 不是越多越好,而是越『邊界清晰』越好」——每個(gè) Agent 的職責(zé)、能力、接口必須嚴(yán)格定義,否則 Agent 之間的通信開(kāi)銷會(huì)指數(shù)級(jí)增長(zhǎng)。3-5 個(gè) Agent 是大多數(shù)場(chǎng)景的最佳規(guī)模。五、4 個(gè)真實(shí)落地架構(gòu)? 架構(gòu) 1:客服 Agent(單 Agent 工具)用戶 → Agent(意圖識(shí)別) → 工具調(diào)用(訂單/退款/物流) ↓ 知識(shí)庫(kù) RAG(常見(jiàn)問(wèn)題) ↓ 不確定 → 轉(zhuǎn)人工? 架構(gòu) 2:研發(fā) Agent(主從 Multi-Agent)Planner ├── Code Generator(寫代碼) ├── Test Runner(寫測(cè)試) ├── Code Reviewer(代碼審查) └── Deploy Agent(部署)? 架構(gòu) 3:數(shù)據(jù)分析 Agent(對(duì)等 Multi-Agent)Question Agent(理解問(wèn)題) SQL Agent(寫 SQL) Data Analyst(分析結(jié)果) Visualizer(生成圖表)? 架構(gòu) 4:企業(yè)級(jí) Agent 網(wǎng)(分層)L1 決策 Agent(CEO/部門級(jí)) ↓ 調(diào)度 L2 業(yè)務(wù) Agent(HR/財(cái)務(wù)/產(chǎn)品) ↓ 調(diào)度 L3 執(zhí)行 Agent(具體任務(wù)執(zhí)行)六、Agent UX 設(shè)計(jì)的關(guān)鍵挑戰(zhàn)張鈁特別強(qiáng)調(diào):「智能體時(shí)代,UX 設(shè)計(jì)發(fā)生了根本變化」。傳統(tǒng) UXAgent UX用戶操作固定流程用戶描述意圖,Agent 自主決策錯(cuò)誤可預(yù)測(cè)錯(cuò)誤不可預(yù)測(cè),需要「兜底」設(shè)計(jì)反饋即時(shí)反饋延遲(多步推理)確定性結(jié)果不確定性結(jié)果(同一 query 可能不同答案)UX 設(shè)計(jì)的 4 個(gè)關(guān)鍵原則:永遠(yuǎn)給用戶「取消」按鈕——Agent 跑偏時(shí),用戶要能立即打斷永遠(yuǎn)展示 Agent 的「思考過(guò)程」——讓用戶知道 Agent 在做什么、為什么這么做永遠(yuǎn)提供「人工接管」入口——任何 Agent 決策,關(guān)鍵節(jié)點(diǎn)都要能轉(zhuǎn)人工永遠(yuǎn)設(shè)置「置信度閾值」——置信度低時(shí)主動(dòng)告知用戶,而非強(qiáng)行給出答案七、常見(jiàn)問(wèn)題 FAQQ1:Function Call 協(xié)議有標(biāo)準(zhǔn)嗎?有。OpenAI 在 2023 年 6 月推出 Function Call 規(guī)范,現(xiàn)已成為事實(shí)標(biāo)準(zhǔn)。Anthropic、阿里通義、DeepSeek 等都兼容。Anthropic 在 2024 年還推出了更結(jié)構(gòu)化的「Tool Use」協(xié)議。Q2:多 Agent 協(xié)作的最大挑戰(zhàn)是什么?通信開(kāi)銷與狀態(tài)同步。N 個(gè) Agent 之間是 O(N2) 的通信復(fù)雜度,Agent 數(shù)量超過(guò) 5 個(gè)后,通信開(kāi)銷會(huì)指數(shù)級(jí)增長(zhǎng)。工程上必須嚴(yán)格定義每個(gè) Agent 的邊界。Q3:智能體時(shí)代,前端工程師會(huì)被取代嗎?不會(huì)。Agent UX 反而需要更多前端工程師——可視化 Agent 思考過(guò)程、人類反饋回路、置信度展示等都是新的前端課題。想深入了解張鈁、鄭耀威等智能體方向嘉賓的完整工程實(shí)踐,可前往奇點(diǎn)大會(huì)官方渠道免費(fèi)領(lǐng)取大會(huì) PPT 詳細(xì)資料。