99%新手忽略的关键设计，一文讲透事件驱动设计在AI Agent的应用，建议收藏！！

健忘的派大星

818人浏览 · 2025-08-14 13:54:05

健忘的派大星 · 2025-08-14 13:54:05 发布

前言

AI Agent的任务规划能力的突破，我向来认为这是决定Agent是否真的能从原有技术体系跳出，被定义为跨代变革的里程碑。不像现如今的各种散落的单点升级，它是能把业务能力串起来，实现业务流重组的存在。业务的构成、运行机制，如果没有发生变革，其实都是补丁式的更新。至少在我看来，是这样的。这有意义，但也仅限于此了，并不有趣。

过去很长一段时间里，大家思考了很多，也做了很多讨论，发布了许多概念和标准。反复的在讨论AI Agent和Agentic AI的区别，讨论COT（其实还有GOT、TOT，这里不展开了）和Workflow哪个才是正统，讨论智能体设计的原则，从定义工具层的Mcp协议，到智能体交互层的A2A协议，再到前端应用层的AG-UI协议。该怎么说呢，都很有意义，但似乎又都在刻意的回避，回避和原有技术体系之间的关联和传承。仿佛，定义出一套新的，就是新时代的产物了。曾经有人在和我讨论智能体的工作流的时候，特意强调了，智能体的工作流和传统工作流是不一样的，只是名字一样。我只是笑了笑，有种“白马非马”的即视感。

在讨论AI Agent和Agentic AI的区别之前，我们先明确两件事：

构建AI智能体的目的是什么——至少是达成某一特定的业务目标。

如何定义这是一个AI智能体——能根据设定的目标，全程代理完成目标。

然后，我们暂时放下AI这件事，来关注下事物的本质。因为AI Agent和Agentic AI是具体的操作层面的实现，属于技；AI也只是一种技术实现的方法策略，属于术。而基于构建AI智能体的目的的理解，由此产生的业务设计，才是法。因为这样才会有明确的目标，可以根据对业务的理解，进行问题拆解，将目标由复杂目标向若干个简单目标转化，形成任务规划的路径，分解成若干个清晰可执行的任务来完成，最后的结果进行规整输出，明确的结束工作。所以，我们进一步抽象后，可以总结出来的就是，这是围绕某一个固定目标来触发的一系列的事件的传递，最终得出结果的标准过程，这才是我们真正需要关注的道。至于我们是如何驱动的事件，每个时代有每个时代的术和技。比如，现如今，我们就希望AI，希望大模型是这里的术，去挖掘各种技来实现。

事件是怎么被驱动的，是通过固有的编排逻辑控制，还是通过AI的模型推理，这是一回事。总之，事件是通过一个“推手”驱动了起来。所以，在一味的深究“推手”是谁更合适之前，不如先标准化驱动的过程。这就是一个被规范了许久了的机制，继续用着就是了。如果因为“推手”变了，就改变了这一机制，其实，挺奇怪的。

那么，接下来，我们就先来聊下事件驱动的整体思路，拆解下里面的几个关键项。

我们先来想象一下事件流转的过程，其实就很像是在一个工作间里的多人协同工作机制。当有一个确定的工作目标产生的时候，会率先发起一个开始事件，标志着任务启动。然后，在任务运转的过程里，被拆解成多个工作项，然后被具体负责的人员领走，分别处理。每次都是如此的发布的事件或1个或多个，等待任务处理结束，再进入下一阶段。并且，过程里总是有一个协调者，他主要的工作就是在给每个人分派工作项，并且接收工作项的处理结果，当然在必要时也催办。在收到当前阶段的处理结果后，开启新的事件发布，不断循环，直至任务目标达成结束。那么，这里的每个负责具体工作的人，对应的是什么，自然是对应事件的处理器以及事件的订阅者。任务的流转，就好像是在这些人之间的跳格子游戏，不断流转，直至结束。

那么，至少事件驱动的机制，转起来了。至于转得好不好，是否合理，就是需要“推手”来解决的另一个问题了。

所以，这里的几个关键项，分别是：事件、订阅者、注册模块、分发模块、线程池和异常处理。

事件

完成某一项具体工作的指令集，表述动作的发生和状态的变化。需要有明确的事件来源、事件分类、输入和输出、事件数据以及对应的侦听器和处理器。每个指令其实就是对应一个函数实现。在AI智能体的场景里，事件可以被看作是一个工具或技能的使用，细分为工作流、插件、RAG检索、模型推理调用等。其中，工作流略为特殊，可以再向下分解到每个工作流的节点处理。

订阅者

负责在事件被发布后，主动通过侦听器订阅事件，并且根据事件的分类和描述投入到对应的处理器，进行事件的处理，输出事件处理的结果。

注册模块

负责将事件定义更新后，对新发布的事件进行建立侦听器以及绑定事件和订阅者的关联等操作，对准备停用的事件进行相应的反向操作。

分发模块

业务开始事件触发或是每个订阅者处理完当前事件后，进入到分发模块。由分发模块根据事件定义选择合适的处理方式。单个事件的处理通常会选择同步线程的处理方式；多个事件的并行处理通常会选择丢到一个异步的线程池里，然后等待多路事件的处理结果都返回，再合并。

线程池

区分同步线程池和异步线程池，进行分别管理。并且根据事件的分类进行多线程池的管理，设置线程池的大小、线程等待的策略、异常回收的机制等。

异常处理

针对事件的处理器分别设置不同的异常处理事件，针对异常情况进行补充机制的处理。在AI智能体的场景里，或许就是预警提示、自动尝试、反问提升、推送表单进行人工处理等手段。

所以，在理解了事件驱动的机制后，再来看下在AI智能体场景下，是如何来构建一个智能体的运行引擎的。

从交易流程分层的视角来看下：

我们再从功能调用的视角来看下：

说到这里，我想应该是大致聊明白了。我们原先在讨论的AI Agent和Agentic AI的区别、COT和Workflow哪个是正统，其实对于一个智能体的引擎来说，并没有那么的重要，毕竟这是一个可融合的实现。只是说，在具体的业务场景应用的选择上，我们用哪种实现来应对。想起了网络上的那个梗“小孩子才做选择，成年人是都要”。引擎，最需要和最确定的基础建设，是构建起一个稳定的、高性能的事件处理引擎。然后，再去思考和完善我们的“推手”，那么，自然的，我们在AI的技术背景下，当然希望是由思维链模式来成为这个“推手”，支撑任务规划的实现，因为那才是AI和大模型时代的技，那样去真正做到了才能形成跨代的变革。工作流则是没有AI和大模型的时代，我们就已经熟练掌握的用于解决业务实现的技，我想这只是现如今在很多场景落地时的不得已而为之。

如果我们想做一些更有趣的尝试，那么就必须把一些确定性的基础建设先构建好，并且保证真正需要思考的点尽可能的聚焦。因为，这样我们才能把精力更有效地花在它该花的地方。

最后

为什么要学AI大模型

当下，⼈⼯智能市场迎来了爆发期，并逐渐进⼊以⼈⼯通⽤智能（AGI）为主导的新时代。企业纷纷官宣“ AI+ ”战略，为新兴技术⼈才创造丰富的就业机会，⼈才缺⼝将达 400 万！

DeepSeek问世以来，生成式AI和大模型技术爆发式增长，让很多岗位重新成了炙手可热的新星，岗位薪资远超很多后端岗位，在程序员中稳居前列。

在这里插入图片描述

与此同时AI与各行各业深度融合，飞速发展，成为炙手可热的新风口，企业非常需要了解AI、懂AI、会用AI的员工，纷纷开出高薪招聘AI大模型相关岗位。
在这里插入图片描述
最近很多程序员朋友都已经学习或者准备学习 AI 大模型，后台也经常会有小伙伴咨询学习路线和学习资料，我特别拜托北京清华大学学士和美国加州理工学院博士学位的鲁为民老师给大家这里给大家准备了一份涵盖了AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频 全系列的学习资料，这些学习资料不仅深入浅出，而且非常实用，让大家系统而高效地掌握AI大模型的各个知识点。