闭环型 AI Agent 技术架构解析：从意图理解到自主输出
大多开发者对 Agent 的认知还停留在"调用大模型回答"。真正意义上的闭环型 Agent 远复杂于此。本文拆解五层技术架构。
一、对话型 Agent ≠ 闭环型 Agent
对话型 Agent 闭环型 Agent
交互方式 一问一答，多轮对话 一次输入，自动走完全流程
任务粒度 单步任务 多步复杂任务
输出形态 纯文本/代码片段 结构化成品（文档、报告）
工具使用 无或简单搜索 多工具链式调用

核心区别：闭环型 Agent 把"成品输出"作为终点，而非"生成一段文字"。
二、五层架构
第1层：意图理解层。 把自然语言转为结构化任务——提取任务类型、目标对象、约束条件、输出格式。模糊输入时追问或推断，聚合历史偏好和项目背景。
第2层：任务规划层。 把目标拆解为可执行的原子任务。子任务之间用 DAG 建模依赖，支持并行执行。采用 ReAct 范式——每一步"思考→行动→观察"，观察不符合预期时动态调整计划，而非固定流程一步到底。
第3层：工具调用层。 区别于聊天机器人的核心。通过 Function Calling 机制让 LLM 自主决策何时调用哪个工具。维护工具注册表记录每个工具的元信息。工具链编排串联多个步骤，失败时自动重试或降级。
工具名 功能 输入 输出
fetch_git_commits 获取提交记录 repo, since, until, branch commits[]
parse_openapi_spec 解析 OpenAPI 规范 spec_path endpoints[], schemas[]
compare_api_versions 对比版本差异 old_spec, new_spec changes[], breaking[]
search_issues 搜索 Issue project, keywords, status issues[]
render_markdown 渲染为文档 data, template markdown_text

第4层：结果整合层。 把原料烹饪成成品：多源信息融合去重、信息补全（发现缺口时回溯 PR 描述或 Commit Message）、质量检查。
第5层：成品输出层。 按模板渲染、多格式适配、自动分发到文档系统或知识库——而非停留在聊天窗口。
三、与工作流工具的关键差异
工作流是静态的（“如果 A，则 B→C→D”），Agent 是动态决策的（“先看 A 的情况，再决定走 B 还是 C”）。工作流依赖结构化触发器，Agent 从自然语言提取意图。工作流终点是"发消息"，Agent 终点是"交付成品文档"。
四、工程边界
需要确定性结果的场景（数据库迁移、线上配置）不适合完全交给 Agent，应加入人工审核。复杂任务可改为异步模式。工具生态决定能力上限——组织 API 化程度是 Agent 能力的天花板。
理解架构，是为了使用时心里有底——知道哪步可能出问题、什么时候该信任、什么时候该介入。