不要过度设计你的智能体框架

在人工智能工程领域，智能体框架的设计常常陷入过度工程化的陷阱。当前的主流讨论往往聚焦于编码智能体和个性化智能体（如OpenClaw）中的复杂问题，但事实上，大多数智能体的需求要简单得多。本文作者Hugo Bowne-Anderson指出，开发者应当避免为那些未来模型可能自然吸收的能力进行过度设计，即所谓的“Kirby效应”，而将精力集中在持久的基础功能上。

智能体框架可以理解为智能体的“身体”，而大语言模型是“大脑”。框架负责循环调用模型、执行工具、管理上下文、跟踪状态以及确保安全。然而，并非所有智能体都需要同等复杂的框架。作者提出了两个独立维度来衡量所需框架的复杂度：动作复杂度（需要协调的工具、决策、依赖和交接的数量）和上下文复杂度（完成任务所需收集、保留和检索的信息量）。一个支持智能体可能只需一轮对话就能完成任务，但需要跨多个工具和安检；而一个深度研究智能体可能只接收一个用户请求却要积累大量资料。

编码智能体和深度研究智能体通常对上下文管理有较高要求。例如，编码智能体需要在长对话中有效压缩上下文、卸载信息或使用多智能体架构。但即使如此，其核心循环也可以很简单——一个编码智能体仅需131行Python代码即可实现。深度研究智能体则通过生成计划、并行运行搜索子智能体并使用钩子（hooks）来管理事件。然而，对于大多数开发者而言，他们构建的是支持、销售或企业智能体，这些系统通常在1到5轮对话内完成任务，时间分辨率是关键。它们需要精心设计的工具、结构化输出、路由、护栏、追踪和人机交接，但可能几乎不需要内存管理和压缩。

一个值得注意的现象是“Kirby效应”：新模型发布往往迫使开发者重新设计框架。Manus一年内重构了五次，LangChain的深度研究产品也多次重建。这是因为模型通过强化学习和大量智能体轨迹训练，逐渐吸收了框架中的功能。例如，链式思考（CoT）最初是一种提示技巧，后来通过强化学习变成了模型的内生能力；计划模式也曾是分离的功能，现在只需一条简单指令即可实现。随着GPT-5.2和Opus 4.5等模型在工具调用准确性上的飞跃，许多框架组件变得多余。

因此，开发者的明智做法是构建最小可行框架（minimum viable harness），根据实际任务需求选择复杂度，并随时准备在模型升级时剥离过时的功能。