深度解析 AI Agent 架构演进：从 Prompt 到 Loop 工程

在当今的 AI Agent 开发圈，你一定被海量的名词轰炸过：ReAct、Plan-and-Execute、RAG、MCP、Doom-loop、Maker-checker、LangGraph、状态图…… 这些概念往往是散乱的，导致我们在遇到“AI 表现不好”时，只能凭直觉去盲目修改 Prompt。

本文将结合行业最新的工程实践与深度思考，为你梳理出一条清晰的因果链。你将看到，AI Agent 的开发经历了四次范式转移：Prompt 工程 -> Context 工程 -> Harness 工程 -> Loop 工程。

这并不是四种截然不同的技术，而是**“控制面外推”的四个嵌套层级**。每一层都在试图解决上一层留下的结构性盲区。

---

零、原点与困境：ReAct 架构的四大顽疾

一切的起点是 2022 年提出的 ReAct (Reasoning + Acting) 架构。它用极简的三步逻辑（Thought -> Action -> Observation）让大模型具备了与环境交互的能力。

然而，将 ReAct 投入真实的、长程的生产环境中，它暴露出了四个无法单纯通过“模型变聪明”来解决的结构性顽疾：

1. 误差累积 (Error Compounding)：概率的铁律。每一步 95% 的正确率，在 20 步之后整体成功率仅剩约 36%。长程任务必须有纠错机制，而不是单向累积。
2. 死亡循环 (Doom-loop)：模型遇到失败后，由于上下文中塞满了“失败”的记录，反而强化了它继续盲目重试的倾向。没有外部打断机制，Agent 可能会陷入无限重启或重复调用同一工具的崩溃螺旋。
3. 上下文爆炸与污染：每一次尝试的中间产物都被追加进历史记录，导致上下文越来越脏。模型的注意力被严重稀释，表现出现可测量的断崖式下跌。
4. 缺乏独立验证：ReAct 架构中，模型既是“运动员”又是“裁判”。工具调用成功并不代表任务朝正确方向推进，模型容易陷入“盲目自信”。

为了解决这四大顽疾，Agent 工程体系开始了向外扩展的四次演进。

---

第一层：Prompt Engineering（控制“怎么说”）

• 核心动作：通过 Few-shot、Chain of Thought (CoT)、角色扮演等技巧，调整大模型的条件概率分布，收窄采样空间的方差。
• 控制面：消息层 (Message Layer)。你控制的是这一轮对话中，指令如何被精准表达。
• 致命盲区：Prompt 是一份静态说明书。当系统需要处理实时数据源、更新的代码库时，写得再好的 Prompt 也无法应对动态的信息变化。你无法用静态指令应对动态世界。

---

第二层：Context Engineering（控制“看到什么”）

为了解决信息过时和缺失，工程师们开始构建 RAG（检索增强生成）、记忆管理系统和渐进式披露机制。

• 核心动作：用恰到好处的有效信息填充上下文窗口。通过召回（Recall）和重排（Rerank），过滤掉会分散注意力的噪声 Context。
• 控制面：会话层 (Session Layer)。你控制了模型在推理前能够获取到的数据源。
• 致命盲区：看到正确的信息 ≠ 做出正确的决策。即使 Context 喂得极其精准，模型也可能基于正确的知识做出越权、危险或多余的操作（例如看懂了架构图，然后自作主张执行了删库跑路）。它缺的不是信息输入，而是行动约束。

---

第三层：Harness Engineering（控制“怎么做”）

“Agent = Model + Harness”

到了这一层，开发重点转移到了围绕模型搭建的安全线束/脚手架 (Harness) 上。例如利用 LangGraph 等框架设计严格的状态机边界。

• 核心动作：引入权限控制、工具标准化（如 MCP 协议）以及最重要的 Maker-Checker 分离（执行与验收分离）。
• 运行机制：模型（Maker）只负责生成产物（如一段代码），Harness 负责在沙箱里执行真实验证（如跑 npm run test），测试套件（Checker）给出客观物理判断，而不是让模型自己说“我觉得写好了”。
• 控制面：系统层 (System Layer)。Agent 只能在白名单内操作，所有的行动被物理事实（如 Exit code 0）所锚定。
• 致命盲区：Harness 是一条完美的质量检测线，但它不是生产调度系统。它可以防止 Agent 在每一步犯错，但它不知道什么时候该停止任务。只要没有叫停，Agent 可能会在一个合规的范围内疯狂烧掉成千上万美元。

---

第四层：Loop Engineering（控制“何时停”）

“你不再是给 Agent 写提示词，你是设计一个循环，让这个循环去提示 Agent。”

真正的 Loop Engineering 绝对不是简单地写一个 while(true)。它是一个收敛控制系统 (Convergence Control System)。一个生产级的 Loop 必须由以下五个组件严密构成：

1. 目标与终止条件 (GOAL)： 必须是可以被机器和代码客观判定的指标（如：所有测试通过且覆盖率 > 90%）。这是 Loop 的灵魂，写不出终止条件，就绝对不要启动循环。
2. 驱动器 (DRIVE)： 根据当前状态自动组装 Prompt，驱动下一步行动。
3. 执行约束 (HARNESS)： 沿用第三层的所有安全防护、工具调用和沙箱执行机制。
4. 独立裁判 (CHECKER)： 隔离上下文的独立验证节点。评估者不能看到 Agent 的原始推理路径，只能看最终产物和评分标准，以此消除模型的认知偏差（避免模型被自己此前的错误推理“说服”）。
5. 安全闸门 (GATES)： 终结 Doom-loop 的终极武器。必须设置最大迭代次数（Max Iterations）、预算上限（Max Budget）和无进展检测（检测到连续循环调用则强制阻断，请求人类介入 / Human-in-the-loop）。

• 控制面：生命周期层 (Lifecycle Layer)。你设计的是任务从启动到收敛结束的全过程。

---

终局：四层嵌套与排错指南

理解了这四层的演进，你会发现它们是嵌套的： Loop 内部跑着 Harness -> Harness 的每一步在组装 Context -> Context 组装好最终构成 Prompt。

掌握了这个因果链，下次遇到 Agent 翻车时，你就不需要盲目地去改 System Prompt 了。请对照以下速查表进行降维打击：

你遇到的症状 (Symptom)	问题大概率所在的层级	推荐的修复手段 (Solution)
Agent 答非所问、输出格式错乱、扮演角色不对	Prompt 层	修改指令措辞，增加高质量的 Few-shot 示例，强制使用 JSON 模式。
Agent 自信地编造事实、引用了过期的文档或接口	Context 层	优化 RAG 的召回率和重排策略，清理向量库中的脏数据，裁剪无关上下文。
Agent 越权操作、无视错误继续执行、自己验证自己	Harness 层	搭建明确的 Maker-Checker 分离验证链；收紧工具的权限白名单（MCP 鉴权）。
Agent 陷入死循环重复同一报错、无人值守时烧光 Token	Loop 层	完善终止条件(Goal)；增加硬性迭代次数上限、状态去重检测和人机介入(HitL)断点。

结语

从“怎么说”到“何时停”，AI 工程正迅速向传统的软件工程靠拢。未来的优秀 Agent 开发者，必然是精通状态管理、收敛判定和系统架构的 Loop 工程师。