在过去几年里，基于大语言模型构建的智能体经历了翻天覆地的变化。
最初只是用粘合代码拼凑起来的临时提示词，如今已逐渐演变为我们所说的智能体 Harness 框架，也叫结构化执行框架——它们围绕概率模型搭建起脚手架，让模型变得稳定、可观测，达到生产级水准。
这一演变并非一蹴而就，而是渐进式的，由真实业务场景不断增长的需求推动。
在这条变革弧线上，先后出现了三种截然不同的范式，每一种都反映出人们对如何约束非确定性智能、并将其落地为可靠软件系统更深的理解。
链式范式：提示词编排 最初的智能体系统围绕简单的线性工作流构建，我们称之为“链”。
这种方法直观、落地快，能够快速上线。
你把一系列提示词串起来，第一步的输出作为第二步的输入，依此类推。
Harness 框架不过是工具调用、对话记忆的粘合代码，最终把 LLM 当作一个黑盒函数来对待：文本进、文本出，外加一些语法糖。
例如在 LinkedIn，我们早期的一个生成式 AI 智能体就是基于 LangChain 框架构建的固定三步链式流程：
路由（Routing）：分类步骤，用于判断查询是否在范围内，以及应由哪个专门的 AI“专家”来处理。
检索（Retrieval）：以召回为导向的步骤，调用合适的工具（如必应网页搜索或 LinkedIn 内部 API）来收集特定信息，创建一份档案，为检索增强生成（RAG）提供事实依据。
生成（Generation）：以精度为导向的步骤，对检索到的数据进行过滤和综合，形成通顺的最终答案。
虽然构建和部署相对较快，但这种简单结构很脆弱。
该工作流（例如通过一系列工具调用、基于 LinkedIn 经济图谱回答用户问题）完全依赖前一步的文本保真度。
上游的一个错误会级联传播，使整个流程偏离轨道，因为系统没有内置机制来系统性识别错误或者自动修复。
这种方法体现了这些早期智能体产品“尽力而为”的特点。
构建最初 80% 的体验相对较快，但要弥合生产环境所需的最终质量，则需要通过严格的评估、提示词优化和持续的工程投入进行大量迭代。
🔗 原始来源
如果你要核对细节，可以再看原文： InfoQ AI原文链接