不要過度設計你的智能體框架

在人工智能工程領域，智能體框架的設計常常陷入過度工程化的陷阱。當前的主流討論往往聚焦於編碼智能體和個性化智能體（如OpenClaw）中的複雜問題，但事實上，大多數智能體的需求要簡單得多。本文作者Hugo Bowne-Anderson指出，開發者應當避免為那些未來模型可能自然吸收的能力進行過度設計，即所謂的“Kirby效應”，而將精力集中在持久的基礎功能上。

智能體框架可以理解為智能體的“身體”，而大語言模型是“大腦”。框架負責循環調用模型、執行工具、管理上下文、跟蹤狀態以及確保安全。然而，並非所有智能體都需要同等複雜的框架。作者提出了兩個獨立維度來衡量所需框架的複雜度：動作複雜度（需要協調的工具、決策、依賴和交接的數量）和上下文複雜度（完成任務所需收集、保留和檢索的信息量）。一個支持智能體可能只需一輪對話就能完成任務，但需要跨多個工具和安檢；而一個深度研究智能體可能只接收一個用户請求卻要積累大量資料。

編碼智能體和深度研究智能體通常對上下文管理有較高要求。例如，編碼智能體需要在長對話中有效壓縮上下文、卸載信息或使用多智能體架構。但即使如此，其核心循環也可以很簡單——一個編碼智能體僅需131行Python代碼即可實現。深度研究智能體則通過生成計劃、並行運行搜索子智能體並使用鈎子（hooks）來管理事件。然而，對於大多數開發者而言，他們構建的是支持、銷售或企業智能體，這些系統通常在1到5輪對話內完成任務，時間分辨率是關鍵。它們需要精心設計的工具、結構化輸出、路由、護欄、追蹤和人機交接，但可能幾乎不需要內存管理和壓縮。

一個值得注意的現象是“Kirby效應”：新模型發佈往往迫使開發者重新設計框架。Manus一年內重構了五次，LangChain的深度研究產品也多次重建。這是因為模型通過強化學習和大量智能體軌跡訓練，逐漸吸收了框架中的功能。例如，鏈式思考（CoT）最初是一種提示技巧，後來通過強化學習變成了模型的內生能力；計劃模式也曾是分離的功能，現在只需一條簡單指令即可實現。隨着GPT-5.2和Opus 4.5等模型在工具調用準確性上的飛躍，許多框架組件變得多餘。

因此，開發者的明智做法是構建最小可行框架（minimum viable harness），根據實際任務需求選擇複雜度，並隨時準備在模型升級時剝離過時的功能。