🧭 基于小红书笔记《一张图看懂 Agent 架构演进路线》深度拆解

Agent 架构演进之路：从固定流程到自治集群

沿"自主性 × 协作规模 × 系统复杂度"三条主线，拆解 Agent 系统从 1.0 Workflow 到 4.0 AgenticCluster 的四个关键阶段，以及每个阶段的架构模式、代表系统、工程难题与不变量。

阶段 4 个 核心范式 Workflow / ReAct / MultiAgent / Cluster 代表系统 15+ 参考论文 ReAct · Reflexion · ToT · AutoGen 源笔记 小红书 6aa4ba11…4c13
00

一张图看懂的演进公式

四个阶段并非彼此孤立，而是沿"控制逻辑从人写死 → 模型自主 → 平台调度"的主线逐步演化。

1.0 Workflow→ 2.0 ReAct→ 3.0 MultiAgent→ 4.0 AgenticCluster =自主性 × 协作规模 持续提升
四阶段演进全景 · 决策主体、协作规模、控制流
1.0 Workflow 固定流程自动化 · 2024 决策: 人（设计期） 协作: 单流程 控制流: 写死的 DAG 成本: 低 代表: DB-GPT LangChain Chain 2.0 ReAct 单 Agent 自主决策 · 2024 决策: 单 Agent 协作: 单 Agent + 工具 控制流: 模型动态决定 成本: 中 代表: AutoGPT Function Calling 3.0 MultiAgent 多 Agent 分工协作 · 2025 决策: Lead Agent 编排 协作: 数个 Sub-Agent 控制流: Plan→Exec→Reflect 成本: 高 代表: MetaGPT / Manus AutoGen / LangGraph 4.0 AgenticCluster 分布式 Agent 集群 · 2026+ 决策: 平台调度 + Lead 协作: N Agent 跨组织 控制流: 注册/发现/调度 成本: 极高 代表: OpenAI Swarm AgentScope / 蚂蚁 AU 控制逻辑：人写死 → 模型自主 → Lead 编排 → 平台调度 协作规模：单流程 → 单 Agent → 数个 Sub-Agent → N 个 Agent 跨组织
💡
一句话总结：Agent 正从「执行预设流程的自动化工具」，演进为「能够自主决策的单智能体」，再发展为「多个专业智能体协作的系统」，最终走向「具备分布式调度和自治能力的智能体集群」。控制逻辑、协作规模、系统复杂度三条主线同步提升。
01

1.0 Workflow · 固定流程自动化（2024 前后）

本质上不是 Agent，而是「被 LLM 增强的自动化工作流」。所有步骤、分支、工具调用顺序都由开发者在设计期写死，运行时严格按图执行。

🏗️ 架构模式：Workflow-Oriented

用户输入
   ↓
固定流程编排器（Orchestrator）
   ↓
┌──────┬──────┬──────┐
│ 工具  │ 数据库 │ 脚本  │
└──────┴──────┴──────┘
   ↓
格式化输出

控制反转点（IoC）在编排器而不在模型。模型只承担局部职责（NL2SQL、文本摘要），不决定走哪条分支。

🧩 图中识别到的关键模块

模块作用代表
Workflow 编排器按固定 DAG 串联工具LangChain Chain
DB-GPT 全流程NL2SQL 全链路DB-GPT / SQLCoder
数据存储中心结构化 + 向量数据底座PostgreSQL / Milvus
传统框架与工具早期"框架化 Agent"LangChain / MetaGPT

✅ 优势

  • 确定性 100%，可复现、可测试、可审计
  • 性能稳定，延迟可预测
  • 适合合规报表、固定 ETL、客服 FAQ
  • 工程成本低，团队上手快

⚠️ 局限

  • 不能处理流程外情况，需求变更需改代码
  • 无法做开放式探索、复杂推理、多轮决策
  • 灵活性差，难以应对动态环境
  • 不是真正意义上的"Agent"
📊
为什么 2024 年 70% 的"Agent 项目"实质是 Workflow？ ① 模型能力不足：GPT-4 级模型多步推理成功率仅 30-50%（WebArena/WorkArena 基准）；② 合规要求：金融/政务必须可审计；③ 成本约束：自主 Agent token 消耗是固定流程 10 倍以上。Workflow 是对模型能力不足的务实妥协。
02

2.0 ReAct · 单 Agent 自主决策（2024）

ReAct = Reasoning + Acting。来自 2022 年 Google Brain 论文，2024 年随 GPT-4 / Claude 3 工具调用能力成熟而成为单 Agent 主流范式。

ReAct 循环 · Thought → Action → Observation
用户目标 Goal Thought 思考 分析下一步 Action 行动 调用工具 Observation 读取结果 未完成 → 继续思考 完成 模型判断结束

🧱 单 Agent 三大基础（图中红色模块）

① Prompt 提示词

  • 角色定义、任务目标
  • 工具列表 + 使用说明
  • 输出格式（JSON Schema）
  • 反思规则、安全边界

② 工具 Tools

  • 搜索：Web / 企业搜索
  • 数据：数据库、API、向量库
  • 计算：Python REPL / SQL
  • I/O：文件、浏览器、邮件

③ 记忆 Memory

  • 短期：当前对话上下文
  • 工作：中间推理结果
  • 长期：用户偏好、历史任务
  • Episodic：成功/失败案例

🎯 代表系统

  • AutoGPT（2023.03）：第一个现象级 ReAct Agent
  • LangChain AgentExecutor：工业界最广泛使用
  • Claude Tool Use / GPT-4 Function Calling：协议级工具调用
  • OpenHands / SWE-Agent：软件工程 Agent

⚙️ 三大工程难题

  • 错误传播：Self-Refine / Reflexion / Verifier 模型
  • 上下文爆炸：压缩、分层记忆、子任务隔离
  • 工具选择错误：工具检索、分层工具、描述工程
🔑
ReAct 的本质意义：控制逻辑第一次从"人写死"转移到"模型自主决策"。这是 1.0 到 3.0 的分水岭——从此 Agent 的边界不再由开发者的想象力决定，而由模型的推理能力决定。
03

3.0 MultiAgent · 多 Agent 分工协作（2025）

当一个 Agent 要同时扮演"产品经理 + 数据分析师 + 程序员 + 文案 + 审核员"时，上下文混杂、职责不清、错误累积急剧放大。解法：Lead Agent 编排 + 专业 Sub-Agent 分工。

MultiAgent 运行链路 · Lead 编排 + Sub 执行 + ReAct 反思 + 人在回路
Lead Agent 主智能体 拆解 / 调度 / 汇总 / 判断完成 Plan 计划管理 拆解 / 依赖 / 并行 / 改计划 Execute 执行 调用 Sub-Agent 与工具 ReAct 反思 检查结果 / 回退 / 重规划 反思结果回流 获取数据 Sub-Agent DB / 搜索 / 文档 Workflow + ReAct 混合 脚本分析 Sub-Agent Python / SQL / 统计 专业化计算 生成报告 Sub-Agent MD / Word / PPT / HTML Plan-Execute 模式 Human-in-the-Loop 人在回路 审批 · 授权 · 纠偏 · 审核

🧬 三种主流 MultiAgent 编排范式

范式代表优点缺点适用
中心化
Lead 主导		 MetaGPT / Manus / DSH 控制流清晰、易审计、易实现 HITL Lead 是单点瓶颈；上下文集中 任务边界清晰、需审计的企业场景
去中心化
P2P		 AutoGen GroupChat / Swarm 无单点瓶颈、自由对话 易陷循环、对话爆炸、难审计 探索性研究、头脑风暴
状态机
显式图		 LangGraph / LlamaIndex Workflow 控制流可见、可单测、可暂停恢复 灵活性受限，需预定义状态 长流程、合规要求、需可靠回滚

🎯 代表系统

  • MetaGPT：SOP 驱动，模拟软件公司多角色
  • AutoGen（Microsoft）：多 Agent 对话协作
  • CrewAI：Role-based + 任务委托
  • LangGraph：状态机 + 图编排
  • Manus：通用 Agent + 多工具 + 多 Agent
  • Devin：软件工程师 Agent + 子任务 Agent
  • DeepSeek Harness：事件驱动 + Bundle + Sub-Agent

⚙️ 四大工程难题

  • 上下文隔离/共享：摘要传递 / 引用传递 / 共享黑板
  • 通信协议：MCP（工具/数据）· A2A（Agent 互调）
  • 失败处理：重试 / 换人 / 回退重新规划
  • 成本与延迟：并行化 / 小模型分工 / 结果缓存
🛡️
Human-in-the-Loop 是被低估的关键组件。当 Agent 跨越"完全自动化"边界时，人机协同反而成为系统可靠性的关键。典型场景：审批、授权、纠偏、审核。工程要点：异步等待、超时回退、审批粒度可配。在金融、医疗、政务等高风险场景，HITL 不是可选项而是合规底线。
04

4.0 AgenticCluster · 分布式 Agent 集群（2026 及未来）

MultiAgent 仍围绕"一个任务"组织几个 Agent。AgenticCluster 把它推向平台化：大量 Agent 长期在线、动态加入退出、跨任务跨组织协作，由集群层统一调度。

☁️ 类比云计算的演进

单机应用          →    分布式微服务        →    Kubernetes 集群
单 Agent         →    MultiAgent          →    AgenticCluster

🏗️ 平台层需要解决的核心问题

问题云原生对应Agent 场景的特殊性
Agent 注册与发现Service Registry（Nacos / Consul）能力动态，需语义化描述
任务调度K8s Scheduler按"能力匹配"调度，不只是资源
负载均衡LoadBalancer按 token 消耗、上下文窗口负载
状态管理StatefulSet / PV长期记忆、工作记忆持久化
消息通信Service Mesh（Istio）A2A 协议、语义路由
权限隔离RBAC / Namespace数据访问权限、工具调用权限
失败恢复Health Check + Restart任务断点续传、记忆回放
监控审计Prometheus / OTelToken 成本追踪、决策路径审计
弹性扩缩容HPA / VPA按任务量动态启停 Agent 实例

🎯 早期探索（2025-2026）

  • OpenAI Swarm + Agents SDK：研究原型 → 可部署集群
  • Microsoft Agent Framework：AutoGen 0.4+ 分布式 Runtime
  • LangGraph Platform：商业化 Agent 编排
  • 蚂蚁 AgentUniverse、阿里 AgentScope：国内大厂基础设施
  • Cloudflare Agents / Vercel AI SDK：边缘侧 Agent 集群

⚠️ 三大新挑战

  • 语义化能力发现：能力描述语言 + 语义索引 + 信誉系统
  • 跨组织信任与计费：DID / 零知识证明 / 按结果质量计费
  • 治理与合规：完整决策链审计 / 可解释性 / 熔断机制
🌐
AgenticCluster 与 MultiAgent 的本质区别：从「围绕单个任务临时组队」演进为「长期在线的 Agent 池 + 平台级自动调度」。治理复杂度从单系统权限扩展为跨组织权限、计费、合规。类比从"一个项目组"到"一个公司 + 外部协作网络"。
05

四阶段横向对比

把四个阶段放在同一张表里，才能看清每次跃迁真正改变了什么。

维度 1.0 Workflow 2.0 ReAct 3.0 MultiAgent 4.0 AgenticCluster
决策主体 人（设计期） 单 Agent（运行时） Lead Agent（编排时） 平台调度器 + Lead
控制流 写死的 DAG 模型动态决定 Lead 拆解 + Sub 执行 调度器分发 + Lead 编排
协作规模 单流程 单 Agent 数个 Sub-Agent N 个 Agent + 跨组织
上下文管理 静态 prompt 单 Agent 窗口 分层 + 摘要传递 分布式记忆 + 黑板
失败处理 预定义异常分支 自我反思 Lead 重新规划 平台级重调度
可审计性 高 中 中高 挑战大，需专门基础设施
成本 低 中 高 极高
典型场景 报表 / ETL / FAQ 客服 / 个人助理 研究报告 / 代码生成 / 数据分析 企业 Agent 平台 / 跨组织协作

🧭 贯穿四个阶段的四大不变量

① 模型能力

模型每提升一档，架构就能简化一层。Workflow 是对模型能力不足的妥协。

② 工具接口

工具是 Agent 与世界的唯一接口，工具设计的质量比模型选择更重要。

③ 记忆

记忆决定 Agent 的"人格"与"经验"，没记忆的 Agent 每次都从零开始。

④ 人在回路

关键决策人工确认、异常人工介入，在任何阶段都是可靠性的底线。

06

给工程师的实践建议

如何选择架构阶段？如何避开常见踩坑？

🧭 架构选择决策树

任务边界清晰、合规要求高、成本敏感
   → 选 1.0 Workflow（别用 Agent）

任务开放、需要动态决策、单 Agent 上下文够用
   → 选 2.0 ReAct（先把单 Agent 做到极致）

任务复杂、可拆解为独立子任务、需要专业化分工
   → 选 3.0 MultiAgent（注意控制 token 成本）

需要长期运行、跨团队复用、平台化治理
   → 选 4.0 AgenticCluster（先建基础设施）

⚠️ 五个常见踩坑

过早跳到 MultiAgent

单 Agent 都没做好就上多 Agent，问题会被放大 N 倍。先把单 Agent 的 ReAct 循环、工具调用、记忆管理做到极致。

把 Agent 当 Workflow 用

写了 ReAct 但用 prompt 把所有路径写死，等于回到 1.0。要么信任模型自主决策，要么老实写 Workflow。

忽略工具描述工程

模型选错工具，80% 是工具描述写得差。写清楚"何时不应该用此工具"比"何时应该用"更重要。

不做评估（Eval）

没有 eval 集的 Agent 项目，每次改动都在赌运气。建立覆盖典型任务 + 边界情况的评估集是工程化的第一步。

忽视成本

Multi-Agent 一次任务跑下来 $5-50 不罕见。没有成本预算、没有 token 监控、没有缓存策略的项目跑不远。

07

参考资料

📄 核心论文

  • ReAct：Yao et al., ICLR 2023
  • Reflexion：Shinn et al., NeurIPS 2023
  • Tree of Thoughts：Yao et al., NeurIPS 2023
  • AutoGen：Wu et al., 2023

🛠️ 开源项目

  • LangChain / LangGraph
  • AutoGen（Microsoft）
  • MetaGPT（DeepWisdom）
  • CrewAI / OpenHands（SWE-Agent）
  • DeepSeek Harness（abcamus）

📡 协议与标准

  • MCP（Model Context Protocol，Anthropic）：Agent 访问工具/数据
  • A2A（Agent2Agent，Google）：Agent 之间互相调用

📊 行业报告

  • LangChain State of AI Agents（2024 / 2025）
  • Anthropic《Building Effective Agents》（2024）
  • Google《Agents Whitepaper》（2024）
📌
源笔记：小红书《一张图看懂 Agent 架构演进路线》（笔记 ID: 6aa4ba110000000028034c13），本文档在笔记内容基础上做了系统性拓展与工程化补充。
Agent 架构演进之路 · 基于小红书笔记 + 行业公开资料系统性整理
生成于 2026-09-13 · 配套 MD 文档：01_Agent架构演进之路_深度分析.md