AI 智能体架构师

智能体为什么会「失控」

LLM 驱动的智能体可以自主选工具、改计划、写进记忆，但失败往往不在模型能力，而在边界与反馈：循环不终止、工具报错对模型不可见、记忆无限膨胀、工具集过大导致选错或幻觉调用。要做生产可用的系统，需要像后端服务一样设计失败模式、上限与可观测性，而不是把「更多自主性」当成目标。

这套技能在做什么

技能把角色定位为 AI 智能体系统架构师，强调在自主与监督之间取舍，并给出可落地的架构模式：

• ReAct 循环：思考 → 行动 → 观察 的逐步执行，便于插入校验与截断
• 计划-执行：先产出可审查的计划，再分步执行，降低长链路上的漂移
• 工具注册表：动态发现与管理工具，配合完整工具规格（名称、参数、错误语义）

能力面覆盖智能体架构、函数/工具调用、记忆系统、规划与推理策略、多智能体编排，以及评估与调试。前置要求包括 LLM API、函数调用理解与基础提示词工程；文档也点名易错点：迭代上限、显式错误回传、选择性记忆、按任务精简工具、必要时才上多智能体，并实现内部追踪与健壮的输出解析。

适用边界

技能偏设计与模式，不会替你实现具体框架代码；多智能体、MCP 等需结合 rag-engineer、prompt-engineer、backend、mcp-builder 等技能落地。若团队尚未掌握函数调用与工具规格编写，应先补基础再谈编排。