软件架构师罗小东，多年架构和平台产品设计经验，目前在Agent场景落地结合中。
背景
这里针对的是AI体验版的数据，因为要迁移数据库，刚好做了一个统计，临时记录，会偏向于口语化一些。
当前一直是AI平台体验版对外，更多是合作伙伴还有部分注册用户使用，前期一直专注于产品的开发，没有太多体验用户，在这一年里面积累下来的体验数据。这里拿了两个数据，一个是AI写方案的数据，一个是AI对话的，目前后台对话的次数是605987次，然后生成的AI文档数据是161122份。当然还有其它的场景，这里就不做统计。
因为前期更多是为了给有合作的伙伴、兴趣的朋友、用户体验进行体验，这个量确实有点超过我们的预期。
但总的来说，这个数据体验还比较少，但是对于AI平台来说，或者对我们团队来说，是一个阶段性的反馈，因为我们每次对话更多的是Agent对话，文档是多Agent来(多循环)处理的，可能数据级来说，应该还会更多出几个级别。
我们是自研的Agent平台，使用SpringBoot技术，底层框架(类似于langchain)也是我们自己搭建，包括前端。相对来说，可能会其它使用开源平台的有些不一样的（比如Dify），记录的经验大概有以下几个点：
- Agent前期稳定性及上下文
- 自定义全局Prompt及优化
- Agent的对话和工具优化
- 多Agent和后台任务的管理
你会发现这里很少讲Token费用的问题，主要是国内的Token成本比较低，另外就是AI文档的输出价值性较高（类似于你熬夜写方案还是AI写一份方案的对比）。这里的经验更多偏向于Agent平台过程问题及经验总结，每个架构师有自己的思路，我有我思。
过程记录
Agent并不是大模型，这里是 AI 工程化，并不是大模型的，类似于我们不做电厂，但是我们会用电来做特斯拉工厂，而Agent就是我们的 Model3 产品。
前期稳定性及性能问题
稳定性是我们最大的忌讳之一，不管是模型还是Agent，基本上你很难接受执行过程中出现断掉的，这好比看电影，可以接受画质模糊一些，但是不能接受一卡一卡的，特别是完全卡死的情况。
前期这个问题主要出现几个地方，一个是模型能力，另一个是底层框架，还有一个是上下文的处理。
在Agent处理上，仅仅是简单的对话，这个可能相对来说会好一些，但是Agent的操作过程中多步的，有推理的，这个时候，就需要高级的模型能力，另外在多Agent的时候，还会存在并发的问题。比如Planing模式，规划出来了很多步骤，执行的时候几十个任务执行 …. 前期的稳定性问题，会造成是否可用的关键点。
在工程上做了限制，由并行改成成串行，避免了多线程并发问题，可以慢一些，因为有可能会同时执行十几个Agent，考虑到稳定性，将所有的都改成串行，要保障使用性上能稳定。
另外就是底层框架上不要使用外部的开源框架，重新封装，然后做好多个场景下的异常重试机制。这个前期的时候，也是考虑了很久，维护一个框架的成本并不低，但是后面的时候，优势就比较体现，比如可以随时加可观测能力，还有用户权限的控制等。
在模型的选择上，目前只考虑阿里或者字节两家，其它的基本上不考虑，在体验环境里面，印象里除了一两次敏感字眼出现异常以外，其它基本上都是比较稳定，至少没有反馈说无法使用的情况，还有后台报异常的时候，是模型的无响应或者限流等异常，有过，但是概率很低，基本不会出现。
再有一个是交互也是类似，如果卡住无响应，这也是很难以让人接受的，包括过程缺少步骤，看不出AI思考过程等，这个过程ManusAI效果就是很好。
接下来就是上下文的技巧，这里主要是压缩，还有上下文窗口丢弃策略，目前的大模型上下文长度比较大，这里主要是聚焦和过程压缩，还有去掉多余历史记录。如果长任务使用规划再到执行，单个Agent对话每次不能超过15次迭代，超过的就做防御性总结。当然还有很多上下文技巧，比如Skill技巧，约定规则，任务模版，动态拼接、历史顺序，知识库处理，内置工具工具等，主要还是是稳定性为主。
自定义全局Prompt及优化
这个是主要的点，优化的内容很多。
一个是约束和自定义底层框架。目前实现Agent的思路，前期主要是ReAct和CodeAct两个结合，后面再加上了部分System 2 ，这样从防御性原则上，该有执行能力上，通用能力做好约束，无论如何，就是不要让太多的Prompt和历史对话混乱在一起，如果任务点比较多的，就会分开执行不同的任务，比如CodeAct触发的时候，会跟主线的Agent分开，做好之后结果再返回给主Agent，后面很多思路都是这个。按场景加载，另外就是子任务（也可以理解成subagent）的上下文分开，不要污染主任务。
优化的部分，还有各个工具的优化包括Sandbox还有预装环境，包括Python还有docker，数据的预先解析，比如OCR，主要是能做到先做，合并起来，这个有好有坏，会消耗很多上下文，但是耐不住速度快还有稳定，就是能固定程序的就固定，还有提供出来。
这些就需要过程中调试好Prompt，基础的Prompt模版，前期看过其他开源项目的prompt，但是你会发现，不同的工具他们本身结合的工具，Prompt都是互相匹配的，比如CrawAI、LangGraph、GaminaCli等，也尝试过直接参考，但是调试下来，基本上都是千差万别的。
在这个过程中，定义好全局的Prompt模版、动态拼接过程优化也是消耗了不少时间。
Agent的对话和工具优化
在自研Agent平台的实际体验版运行中，对话与工具的联动效果直接决定用户可用感，我们围绕思考可见性、执行流畅度、工具可靠性、对话可控性做了大量针对性优化，核心经验如下：
对话过程可视化，避免“黑盒卡顿”，参考ManusAI等优秀产品的交互逻辑，放弃纯结果输出模式，把Agent推理、工具调用、步骤执行的中间状态流式推送前端。用户能清晰看到AI在思考什么、调用了哪个工具、执行到第几步，既解决无响应焦虑，也方便排查异常。同时对长对话做步骤分段，单轮对话迭代严格控制在合理区间，超出则自动触发阶段性总结，防止上下文膨胀导致的响应变慢。
工具调用规范化，减少无效执行，统一工具入口与调度逻辑，内置工具（知识库、沙箱、OCR、代码执行等）与自定义工具做标准化封装，避免工具参数混乱、调用失败。针对Sandbox、Python环境、Docker等执行环境，提前做好预装与预热，数据解析（如文档OCR、格式转换）前置处理，减少Agent实时计算压力，提升工具调用成功率。
对话与工具解耦，防止互相干扰，主对话Agent专注意图理解与任务分发，工具执行交由专用子Agent处理，执行完毕后只把精简结果回传主Agent，不把工具执行日志、冗余参数带入主上下文。同时建立工具调用失败兜底策略：异常自动重试、超时自动终止、失败给出明确提示，避免单次工具异常导致整段对话崩溃。
动态Prompt适配工具场景，不同工具匹配专用对话Prompt模板，而非一套通用Prompt适配所有场景。比如代码工具触发时自动加载CodeAct专属Prompt，规划任务时切换为Planning模式Prompt，通过动态拼接保证对话指令与工具能力高度匹配，既提升执行准确率，也降低上下文混乱概率。
用户交互体验优化，支持对话中断、重新提问、步骤回退，避免一旦启动多步执行就无法干预的问题；对敏感内容、模型限流、无响应等异常做友好提示，而非后台静默报错；同时对AI文档生成这类重工具场景，对话只保留核心指令，减少无关闲聊占用上下文，保障工具执行效率。
多Agent和后台任务的管理
体验版中大量AI文档为多Agent循环协作生成，对话也存在主从Agent配合，因此多Agent调度与后台任务治理是保障平台稳定的核心，相关实践总结如下：
串行优先，严控并发，保障稳定性，早期多Agent并行执行（Planning模式批量任务）频繁出现线程冲突、资源抢占、模型限流叠加等问题，直接导致任务中断。后续全部改为串行执行，放弃并行速度换取整体可用度，即使同时触发多个Agent任务，也按队列依次执行，避免并发带来的不可控异常。
主从Agent架构，职责清晰不污染，采用“主Agent统筹+子Agent专项执行”模式：主Agent负责用户意图解析、任务拆解、结果汇总与上下文管理；子Agent（SubAgent）专注单一任务，如代码执行、文档生成、数据解析、规划落地等。子任务独立上下文、独立生命周期，执行完成后销毁，不污染主Agent对话历史，也避免多任务之间互相干扰。
后台任务队列化，支持异步与可观测，对耗时任务（长文档生成、多步骤规划、批量工具执行）统一放入后台任务队列，前端展示任务进度，不阻塞前端对话。任务状态实时同步：待执行、执行中、成功、失败、异常终止，支持查看执行日志。同时自研框架内置任务可观测能力，可追踪每个Agent的调用链路、耗时、异常点，方便快速定位问题。
任务超时与防御机制，防止死循环，为每个Agent任务设置执行超时时间，单Agent迭代次数上限、多Agent循环次数上限，超出则强制终止并做防御性总结，避免因模型思考发散、工具死循环导致资源耗尽。后台任务支持手动取消、自动重试，对无响应任务做主动中断，释放服务器资源。
资源隔离与权限控制，不同Agent任务做资源隔离，防止单个任务异常影响整个平台；结合用户权限体系，对后台任务做权限校验，避免越权调用工具或执行高危操作。自研框架的灵活性在此体现明显，可快速适配多Agent场景下的权限、资源、日志等管控需求。
总结
这一年AI平台体验版的运营数据与实际落地经验，虽整体体验用户规模仍偏初期，为自研Agent平台交出了阶段性的实践反馈。目前更专注于AI工程化落地与Agent体系打磨，全程围绕稳定性优先、体验可控、架构自主可控的思路推进。
每个产品设计思路不一，这个是建设Agent平台的一些经验，期望给有兴趣的朋友参考，也欢迎交流。
