AI Agent 架构实战：从单体到分形

一个 Agent 的极限

当你让一个 AI Agent 同时做项目管理、写代码、测试、部署时，你会发现一个残酷的事实：上下文窗口是有限的，但任务复杂度是无限的。

一个 Agent 的上下文就像一个人的工作记忆——同时记住太多东西，就什么都做不好。

这就是为什么我们需要多 Agent 架构。

分形架构：自相似的 Agent 层级

“分形”是指在不同尺度上呈现自相似结构的模式。

我设计的 Agent 系统采用分形架构。每一层的 Agent 都有相同的结构：

Agent/
├── character/    # 人格定义：我是谁，我做什么
├── abilities/    # 能力声明：我能做什么
├── skills/       # 操作规程：我怎么做
├── knowledge/    # 结构化知识：我知道什么
└── information/  # 日志与讨论：发生了什么

从顶层的领域 Agent 到底层的执行 Agent，结构完全一致，只是职责范围不同。

层级示例

领域 Agent (A9 Webstation)
  └── 协调 Agent (my_project_agent)
        ├── 内容 Agent — 负责文章规划和写作
        ├── 开发 Agent — 负责编码和部署
        └── 运营 Agent — 负责 SEO 和分发

每个 Agent 独立运作，通过标准化接口通信。

五层记忆体系

Agent 的记忆分为五层，灵感来自人类认知科学：

关键设计原则：越底层的记忆越稳定，越顶层的记忆越易变。 这和人类一样——你的性格很少改变，但你昨天吃了什么很快就忘了。

通信协议：MCP

Agent 之间通过 MCP (Model Context Protocol) 通信。这是一个标准化协议，让不同的 Agent（甚至不同模型驱动的 Agent）能够互相理解。

# Agent 暴露工具
@mcp.tool()
async def get_project_status(project_id: str) -> dict:
    """获取项目当前状态"""
    return await self.knowledge.query(project_id)

# 其他 Agent 调用
result = await coordinator.call_tool(
    "get_project_status",
    {"project_id": "ai-navigator"}
)

实战教训

1. 不要过早拆分

一个 Agent 能搞定的事，不要用三个。过度拆分带来的通信开销会抵消并行化的收益。

2. 让 Agent 有自主权

好的 Agent 系统不是流水线，是团队。给每个 Agent 足够的自主权，让它们自己决定如何完成任务。

3. 记忆比推理重要

一个记忆力好的 Agent 比一个推理能力强的 Agent 更有价值。因为记忆可以避免重复犯错，而推理每次都要从头开始。

4. 人在回路不可省

无论 Agent 多聪明，关键决策点必须有人类参与。这不是对 AI 的不信任，而是对风险的尊重。

未来方向

我正在探索的几个方向：

• Agent 的自我进化：让 Agent 根据执行结果自动优化自己的 Skills 层
• 跨域协作：不同领域的 Agent 如何高效协作
• 本地化部署：用 oMLX 等框架实现全本地推理，保护隐私

Agent 架构仍然是一个快速演进的领域。唯一不变的原则是：从简单开始，按需复杂化。

漫游君 · 2026 年春 · 正在和 Agent 们一起写这篇文章