构建可信AI：企业级Agent架构与应用实践 | TF技术前线185期回顾

新加坡科技研究局（A*STAR）人工智能高级研究员、ADPS（Agent设计模式社区）共同发起人黄佳以《Agent 设计模式：让任务走到可验收的结果》为题，围绕企业真实场景中的对象、规则、状态与异常，介绍如何通过设计模式补足Agent执行过程中的可靠性。

他从ADPS“认知功能×执行拓扑”双轴框架切入，将Agent承担的职责与步骤之间的连接方式分开讨论，并强调可观测性、评测与验证、安全与身份是贯穿系统的工程要求。设计模式的价值，在于把人能够默认理解的责任和约束，转化为系统中的显式结构与可检查的契约。以企业售后退款为例，他串联了提示链、规划执行、进度追踪、交接链、审批门与护栏三明治等模式。

他指出，Agent降低了部分编码成本，但并未消除系统复杂性，交接、验证和责任边界反而需要更细致的设计。企业应从端到端的最小可运行方案出发，识别任务中的缺口，再选择少量适用的模式组合；对于路径明确的流程，固定工作流仍然是有效选择。

CCF TF多智能体系统SIG执行委员、自如技术副总经理应阔浩以《自如AI租房Agent架构演进》为题，分享了AI找房业务从固定工作流走向任务型Agent的迭代过程。

在1.0阶段，团队将意图识别、参数抽取、位置处理、房源搜索与回复等环节组织为16个固定步骤，跑通找房、咨询与预约等主流程。

2.0阶段，团队拆分Java业务服务与Python语义处理服务，重点增强地点理解和上下文管理，将地点表达细化为正向、排除、多地点等不同含义，并引入覆盖400多万实体的地点库。据应阔浩在分享中介绍，这一阶段的位置召回率从86%提升至98%。

3.0阶段，团队围绕任务构建Harness，采用规划与执行分离的方式，将原有固定步骤重组为16个Skills，并以AgentScope作为运行时。模型先提出对用户意图与条件的理解，再由系统进行策略校验、地点核验和前后轮计划差异比对，随后调用业务工具执行，并在输出前再次检查结果。

他指出业务Agent的演进不仅是替换框架，更需要将Agent、Skills、Harness与评测闭环结合起来。

英特尔边缘AI解决方案软件研发总监李雪峰以《边缘AI智能体技术平台探索与实践》为题，结合与企业伙伴的合作，介绍边缘智能体应用在数据安全、隐私保护、响应效率与云端调用成本等方面的需求，以及相应的部署和开发思路。

他介绍了端—边—云协同的混合部署方案：在本地工作站和企业边缘服务器上承载适合本地处理的数据与任务，对于超出本地能力的复杂需求，再结合数据脱敏等保护措施调用云端模型。这样的设计旨在根据业务条件分配算力，在智能能力、运行效率与成本之间取得平衡。

在软件架构上，他从基础设施、推理框架、智能体服务、智能体与AI应用五个层次展开，介绍推理路由、Token压缩、文本与视频处理微服务，以及通过标准MCP接口对接不同Harness框架的方式。

他指出企业不仅需要验证模型能否运行，还应结合实际业务流程与目标硬件开展Benchmark评测，逐步完成从评估、开发到部署的验证。

腾讯专家工程师、AI Infra负责人张栋以《从能力 Demo 到生产可托付：企业级 Agent 可信架构的工程实践》为题，从工程实践中提炼通用方法，讨论企业放权给Agent之前需要建立的可信机制。

他指出，Agent落地的门槛正在从“能不能完成任务”转向“敢不敢让它自主执行”。概率性的模型输出进入多步任务与多Agent协作后，错误可能被后续环节当作事实继续放大。因此，上游输出应作为有待验证的主张，携带来源与信任信息，而不是被无条件接受。

围绕身份授权、运行时管控、风险限界与审计评测四条主线，他提出：为Agent建立独立、可追溯的身份与任务范围授权；将策略落实到网关和Harness的实际执行边界，区分指令与外部数据；依据动作的影响范围和可逆性设置自动执行、审批与禁止边界；记录真实执行日志和上下文，并将线上失败案例持续纳入评测与发布门禁。

在规则、模型与人的分工上，他强调将确定性问题交给规则，将模糊问题交给模型，将不可逆的关键操作交给人。治理的目标不应只是要求模型永不犯错，还要通过最小权限、隔离、回滚与影响范围限制，让错误造成的损害受到约束。