Agent 架构的核心不是提示词技巧,而是状态、控制流和评估器的设计。围绕 Reflection、Tool Use、ReAct、Planning、PEV、多 Agent、记忆、搜索、模拟和安全闸门等 17 种模式,系统拆解它们解决的问题、拓扑结构、适用场景和工程代价。
Claude Code 的多 Agent 机制可以拆成常规 Subagent、Fork Subagent 和 Coordinator 三套设计。核心在于工具隔离、上下文隔离、异步消息通信、Prompt 缓存复用以及协调者并行调度。
Claude Code 不只是一个命令行编程助手,更像一套面向复杂任务的 Agent Runtime。这里从启动链路、REPL 控制面、Query Loop、工具运行时、权限系统、多 Agent 任务系统和 MCP 扩展层拆解它的架构设计。
办公 Agent 的瓶颈已经从“能不能生成内容”转向“能不能把结果交付到真实工作流”。围绕 QClaw V2 的 Connector 和 Multi-Agent 能力,讲清 AI 办公自动化如何从对话框输出走向文档、邮件、会议和多角色协作。
讲解如何用角色拆分、文件系统协作、质量门控和人工决策,把超大代码库中的设计模式提炼为可复用的 Agent Skill。重点覆盖多 Agent 编排、handoff 文档、Just-in-Time Context 和 review-action 收敛流程。
OpenClaw 把 IM 网关、Agent workspace、Skills、Session 和 Memory 组合成一套个人 Agent 运行框架。围绕部署、单 Agent 启动、多 Agent 通信、记忆压缩、Skills 管控和安全边界,讲清它如何运作以及如何落地。
Spring AI Alibaba 在框架层提供了 ReAct Agent、Graph 编排和 Multi-Agent 支持。围绕 ReAct、顺序/并行多智能体、Plan-Execute 三阶段架构,讲清 Java 项目中如何用它搭建可扩展的智能体系统。
Claude Skills 把 Agent 能力封装成可选择、可执行的技能,但技能库规模和语义相似度会直接影响路由准确率。围绕单智能体技能系统的扩展边界和 SkillScan 的大规模安全扫描结果,系统讲清技能系统什么时候适合替代多智能体,以及上线前需要做哪些安全检查。
Prompt 设计不只是把要求写清楚,还要处理上下文长度、状态传递、边界意图和输出格式稳定性。围绕四类常见错误,给出可落地的拆分、状态管理、示例构造和测试优化方法。
LangGraph 用有向图组织大语言模型应用的执行流程,适合构建有状态、可分支、可循环、可人工干预的多智能体系统。内容覆盖 State、Node、Edge、Reducer、条件边、检查点、时间旅行、人机协作、MCP 集成,以及 Supervisor、Swarm 和 Java 版本 LangGraph4J 的使用方式。