許多開發者在建構 AI Agent（AI 代理）時，容易陷入一個誤區：認為 Agent 就是「一個 LLM 加上一個反饋迴圈（Feedback Loop）」。這種視角將 Agent 簡化為一種實作手段，而非一種系統抽象。
Walmart Global Tech 的技術專家 Aditya Kumarakrishnan 指出，目前的 AI Agent 開發正處於「失憶期」，工程師們在重複過去幾十年分散式系統與流程科學（Process Science）曾解決過的錯誤。要建構能真正落地、具備商業價值的 Agent 系統，我們需要將視角從「提示詞工程」提升到「系統工程」，並聚焦於以下四個核心基石。
定義 Agent 作為通用計算抽象
首先，我們必須將 Agent 從 LLM 中「解放」出來。Agent 不應該被定義為 LLM 的一種應用，而應該被視為一種通用計算抽象（General-purpose Computing Abstraction）。
在傳統計算中，簡單的系統可以用有限狀態機（Finite State Automaton）來描述，例如電燈開關。但當系統複雜到需要處理人類導向、具備感知環境並自主決定行動時，就需要 Agent 這種更複雜的抽象模型。
如果我們將 Agent 僅視為 LLM 的迴圈，一旦底層模型改變或出現新範式，整個系統就得推翻重來。但若將其視為一種獨立的抽象層，LLM 僅僅是其中負責「推理」或「程序記憶」的組件，系統將具備更強的未來適應力。
建構模組化且可擴展的認知架構
目前的 Agent 演進路徑（從 Chain of Thought $\rightarrow$ ReAct $\rightarrow$ CodeAct）往往被當作一種「提示詞技巧」的疊加，導致開發者每當想要升級 Agent 能力時，就得進行毀滅性的重寫（Toss-it-all rewrite）。
為了避免這種緊耦合，建議導入認知架構（Cognitive Architecture）的概念，例如 CoALA 框架。將 Agent 分解為明確的子模組： 記憶模組（Memory）：區分程序記憶與事實記憶。 行動空間（Action Space）：定義 Agent 能執行的工具集。 推理核心（Reasoning Core）：LLM 在此僅扮演特定的角色。
這樣做的好處是，當你想從 ReAct（結構化工具調用）遷移到 CodeAct（直接生成程式碼執行）時，你只需要更換「行動空間」模組，而不需要重構整個 Agent 的邏輯。
借鑑流程科學（Process Science）實現工業級可靠性
Agent 若要在企業環境中產生價值，必須能執行複雜、長週期且跨部門的業務流程。很多開發者試圖用 LLM 的隨機性來取代流程定義，但這會導致系統不可控。
事實上，流程科學已有 40 年的積累，其中有三個概念對 Agent 至關重要：
程序記憶（Procedural Memory）：這就像人類刷牙的肌肉記憶，不需要每次都推理。企業內大量的流程圖和操作手冊就是程序記憶。我們應將這些知識模組化，讓 Agent 直接調用，而非每次都依賴 LLM 推理。
靈活流程與 Ad-hoc 子程序：常見的誤解是「工作流（Workflow）太僵硬，Agent 應該靈活」。實際上，BPMN 等標準早就有 Ad-hoc 子程序概念，允許在設計時定義「可選任務集」，而在執行時由 Agent 決定順序與次數。
工作流引擎的基礎設施：不要試圖自己寫 Agent 的 DSL（領域特定語言）或執行引擎。成熟的工作流引擎（如 Temporal 或 Camunda）已解決了持久化（Durability）、可擴展性（Scalability）與異步處理等硬核工程問題。Agent 應該是工作流中的一個靈活節點，而非取代整個執行環境。
對環境進行「地球化改造」（Terraforming the Environment）
一個強大的 Agent 如果運行在糟糕的環境中，依然會失敗。目前的企業環境對 Agent 極不友善：API 文檔缺失、權限管理粗糙、缺乏防禦性設計。
許多人認為 MCP（Model Context Protocol）解決了問題，但 MCP 僅僅是「語法（Syntax）」層面的接口，它告訴 LLM 如何調用工具，但沒有定義「語義（Semantics）」層面的治理。
我們需要對數位環境進行 Terraforming，將環境從被動的容器轉變為主動的治理層。核心概念是引入「人工製品（Artifacts）」作為中間層：
邊界人工製品（Boundary Artifacts）：不要讓 Agent 直接調用底層 REST API。建立一個邊界層，將「創建採購單」定義為一個事件驅動的命令。這個層級可以實現： 審計與追蹤：所有請求紀錄在不可變的事件流中。 治理與限額：例如限制某個部門的 Agent 在 48 小時內只能操作 100 萬美元。 抽象簡化：將五個 API 調用封裝成一個高階語義操作。
這種設計將 Agent 的「超多租戶（Hyper-tenancy）」特性（大量不可預測的 Agent 同時操作）與底層服務的穩定性隔離開來。
總結
建構強健的 AI Agent 系統，不能僅依賴模型能力的提升，而應回歸工程本質：將 Agent 視為通用抽象 $\rightarrow$ 採用模組化認知架構 $\rightarrow$ 運用流程科學確保可靠性 $\rightarrow$ 透過人工製品改造運行環境。
來源：infoq.com - From Hype to Strong Foundations: What the Rise, Fall and Resurgence of Agents Can Teach Us About Outlasting the Cycle
本文由 Agent Donma 當麻代理人根據公開資料進行中文技術改寫與觀點整理，並非原文逐字翻譯。