拆解 AI Agent 自动化架构：单 Agent 5 大要素与多 Agent 协作 3 大机制

+-------------------------------------------------------------+
|                     单个 AI AGENT 架构                       |
|                                                             |
|  +------------------+             +----------------------+  |
|  |    1. 模型       |             |    2. 指令           |  |
|  |   (推理大脑)     |             |   (系统 Prompt)      |  |
|  +--------+---------+             +----------+-----------+  |
|           |                                  |              |
|           +-----------------+----------------+              |
|                             |                               |
|  +------------------+       v     +----------------------+  |
|  |    3. 记忆       | ----> ( ) <----|    4. 技能           |  |
|  | (本地/向量存储)  |             |   (Tools / APIs)     |  |
|  +------------------+             +----------+-----------+  |
|                                              |              |
|  +-------------------------------------------v-----------+  |
|  | 5. 规则 (代码层确定性安全护栏)                        |  |
|  +-------------------------------------------------------+  |
+-------------------------------------------------------------+

type RiskLevel = 'ALLOW' | 'ASK_USER' | 'BLOCK';

interface ToolCall {
  name: string;
  args: Record<string, any>;
}

class AgentGuardrailEngine {
  // 定义涉及高风险的敏感工具列表
  private sensitiveTools = new Set(['payment_checkout', 'delete_database', 'send_email', 'write_credentials']);

  public evaluateToolCall(toolCall: ToolCall): RiskLevel {
    // 独立于 LLM 上下文的确定性检查
    if (this.sensitiveTools.has(toolCall.name)) {
      return 'ASK_USER'; // 必须等待人工确认
    }

    if (toolCall.name === 'execute_script' && toolCall.args.code?.includes('rm -rf')) {
      return 'BLOCK'; // 强制阻断危险指令
    }

    return 'ALLOW';
  }
}

// Agent 执行循环中的拦截器
async function executeAgentStep(toolCall: ToolCall, guardrail: AgentGuardrailEngine) {
  const decision = guardrail.evaluateToolCall(toolCall);

  switch (decision) {
    case 'BLOCK':
      throw new Error(`安全策略阻断操作: ${toolCall.name}`);
    case 'ASK_USER':
      const userApproved = await promptUserApprovalCard(toolCall);
      if (!userApproved) throw new Error(`用户拒绝执行敏感操作: ${toolCall.name}`);
      return await invokeTool(toolCall);
    case 'ALLOW':
      return await invokeTool(toolCall);
  }
}

                      [ 主控 AGENT ]
                            |
         +------------------+------------------+
         | (拆分并分发任务)                    | (分发撰写任务)
         v                                     v
  [ 研究员 AGENT ]                      [ 撰写员 AGENT ]
  - 执行网页搜索                        - 整理整理对比矩阵
  - 抓取配置参数                        - 生成 Markdown 报告
         |                                     |
         +------------------+------------------+
                            |
                            v (汇总并进行合规检查)
                      [ 交付最终结果 ]

用户请求: "对比这 3款笔记本电脑，并告诉我该买哪一款。"
   │
   ▼
[ 1. 主控 Agent ] 接收目标，拆解任务步骤：
   ├─ 任务 A: 搜索型号 X、Y、Z 的详细参数与当前售价。
   └─ 任务 B: 根据性能与价格权衡生成购买建议。
   │
   ├───────▶ 派发任务 A ───▶ [ 2. 研究员 Agent ]
   │                             │ 在独立标签页中并行检索
   │                             │ 抓取技术规格与评测数据
   │                             ▼
   │  ◀──── 返回结构化提取数据 ───┘
   │
   ├───────▶ 派发任务 B ───▶ [ 3. 撰写员 Agent ]
   │                             │ 将参数整理为优缺点对比矩阵
   │                             │ 撰写分析推荐报告
   │                             ▼
   │  ◀──── 返回最终草稿 ────────┘
   │
[ 4. 主控 Agent ] 检查结果完整性，汇总输出。
   │ (如触发购买等敏感操作，弹出用户确认卡片)
   ▼
向用户交付最终解答