摘要Agent 从「能对话」演进为「能行动」,应用设计逻辑发生根本变化——从「Prompt → 回答」走向「感知 → 思考 → 工具调用 → 行动 → 反馈」的闭环。本文系统拆解智能体的 3 大核心能力:工具调用(Function Call)、记忆管理(Memory)、多 Agent 协作(Multi-Agent),并给出 4 个真实落地架构。所有数据与代码均来自 2026 奇点智能大会确认嘉宾张钫、郑耀威的公开技术分享。SEO关键词:AI Agent / 智能体开发 / 多 Agent 协作 / MCP 协议 / 工具调用 / 记忆管理 / Agent UX / 2026 奇点智能大会一、为什么 2026 是「智能体应用元年」过去 18 个月,大模型的能力跃迁已经触及天花板——单纯靠模型变大带来的边际收益迅速下降。但「让模型能用工具、能记住对话、能跟其他 Agent 协作」的能力,正在打开一个全新空间。2026 奇点智能大会把这一议题命名为「智能体应用创新与开发实践」,由张钫(上海 AI Lab 智能体中心负责人)与郑耀威(开源 Harness 作者)担纲,核心回答 3 个问题:工具调用:Agent 怎么用工具?Function Call 协议怎么设计?记忆管理:Agent 怎么记住历史?短期记忆 vs 长期记忆怎么权衡?多 Agent 协作:多个 Agent 怎么协作?通信协议怎么设计?二、核心能力 1:工具调用(Function Call) 协议设计:OpenAI Function Call 规范工具调用是 Agent 能力的基石。当前主流的 OpenAI Function Call 协议规范:{name:get_weather,description:获取指定城市的天气信息,parameters:{type:object,properties:{city:{type:string,description:城市名称,如北京},unit:{type:string,enum:[celsius,fahrenheit],description:温度单位}},required:[city]}}Agent 收到用户 query 后,会判断是否需要调用工具,并返回结构化参数:{tool_calls:[{id:call_abc123,type:function,function:{name:get_weather,arguments:{\city\: \北京\, \unit\: \celsius\}}}]}️ 工程实现:工具注册与执行# 伪代码:Agent 的工具调用核心classAgentToolRegistry:def__init__(self):self.tools{}self.schemas[]defregister(self,name,func,schema):注册一个工具self.tools[name]func self.schemas.append(schema)defexecute(self,tool_call):执行工具调用nametool_call.function.name argsjson.loads(tool_call.function.arguments)try:resultself.tools[name](**args)return{tool_call_id:tool_call.id,result:result}exceptExceptionase:return{tool_call_id:tool_call.id,error:str(e)}# 真实使用示例agentLLMAgent(modelgpt-5)agent.tool(description查询订单状态,schema{...})defquery_order(order_id:str)-dict:查询订单状态的工具returndb.orders.find_one({_id:order_id})agent.tool(description发起退款,schema{...})defprocess_refund(order_id:str,reason:str)-dict:发起退款流程returnpayment.refund(order_id,reason)# 用户 query: 帮我看看订单 12345 的状态,如果 7 天还没发货就退款# Agent 自动拆解为:# 1. query_order(order_id12345)# 2. 判断发货时间,如果 7 天则 process_refund(order_id12345, reason超时未发货)张钫(上海 AI Lab 智能体中心负责人)对工具调用的关键判断:「工具原子化」是工具调用设计的核心原则——每个工具只做一件事,不要做大工具。原子化让 Agent 更容易理解,出错时更容易定位。三、核心能力 2:记忆管理(Memory) 3 层记忆架构智能体的记忆分为 3 层:层级容量速度用途L1 短期记忆128K-1M token极快(显存)当前会话上下文L2 工作记忆100K-1M 条快(向量数据库)跨会话的关键事实L3 长期记忆无限较慢(数据库)用户画像、领域知识、ADR# 伪代码:3 层记忆架构classAgentMemory:def__init__(self):self.short_termConversationBuffer(window20)# 20 轮对话self.workingVectorStore(embedding_modelbge-large)# 向量库self.long_termPostgreSQL()# 关系数据库defadd(self,message):添加一条对话到记忆self.short_term.add(message)# 提取关键事实到工作记忆factsself.extract_facts(message)forfactinfacts:self.working.upsert(fact)defretrieve(self,query,top_k5):根据 query 检索相关记忆# 1. 短期记忆:返回最近 20 轮recentself.short_term.get()# 2. 工作记忆:返回最相关的 top_k 条relevantself.working.search(query,top_ktop_k)# 3. 长期记忆:根据 query 提取用户画像user_profileself.long_term.get_user_profile(query.user_id)return{recent:recent,relevant:relevant,user_profile:user_profile}️ 记忆压缩与摘要长期记忆会随时间膨胀,需要定期压缩:# 伪代码:记忆压缩classMemoryCompressor:defcompress(self,conversations,target_token2000):把长对话压缩为摘要,保留关键信息# 1. 用 LLM 提取每段对话的关键事实facts[]forconvinconversations:factself.llm.extract(f从以下对话中提取关键事实:\n{conv})facts.append(fact)# 2. 合并相似事实merged_factsself.deduplicate(facts)# 3. 生成压缩摘要summaryself.llm.summarize(factsmerged_facts,target_tokenstarget_token)returnsummary郑耀威(PenguinAI Harness 作者)对记忆管理的关键判断:「记忆不是越多越好,是越相关越好」——一个 Agent 塞满 1M token 的记忆,实际推理时只会用其中 1%。工程上的关键是精准检索,而非全量记忆。四、核心能力 3:多 Agent 协作(Multi-Agent) 3 种主流协作模式模式原理适用场景代表项目主从模式1 个 Planner Agent N 个 Worker Agent任务可清晰拆解OpenAI Swarm、MetaGPT对等模式N 个 Agent 平等协作,无中心创造性任务、辩论AutoGen、CrewAI分层模式多级 Agent 嵌套,上层 Agent 调度下层复杂企业级应用LangGraph、AgentVerse️ 工程实现:主从模式 Multi-Agent# 伪代码:主从模式 Multi-AgentclassPlannerAgent:负责拆解任务、调度 Worker Agentdef__init__(self,workers):self.workersworkers# 注册的 Worker Agent 列表self.history[]defplan(self,task):把任务拆解为子任务序列planself.llm.generate(f把以下任务拆解为可并行/串行执行的子任务:\n{task})returnself.parse_plan(plan)defexecute(self,task):sub_tasksself.plan(task)results{}forsubinsub_tasks:ifsub.parallel:# 并行执行results[sub.id]self.parallel_execute(sub)else:# 串行执行results[sub.id]self.workers[sub.agent].run(sub.input,contextresults)returnself.synthesize(results)classWorkerAgent:负责执行具体子任务def__init__(self,name,tools,system_prompt):self.namename self.toolstools self.system_promptsystem_promptdefrun(self,input,contextNone):执行子任务messages[{role:system,content:self.system_prompt},{role:user,content:f输入:{input}\n上下文:{context}}]whileTrue:responseself.llm.generate(messages,toolsself.tools)ifresponse.tool_calls:forcallinresponse.tool_calls:resultself.execute_tool(call)messages.append({role:tool,content:result})else:returnresponse.content# 真实使用:多 Agent 协作完成「代码评审」任务plannerPlannerAgent(workers{code_analyzer:WorkerAgent(name代码分析员,tools[read_file,search_code,run_linter],system_prompt你是代码分析员,负责检查代码质量、安全、性能),test_runner:WorkerAgent(name测试执行员,tools[run_test,run_coverage],system_prompt你是测试执行员,负责运行测试用例并生成报告),review_writer:WorkerAgent(name评审撰写员,tools[write_file],system_prompt你是评审撰写员,负责综合分析结果,撰写 PR Review 评论)})resultplanner.execute(审查 PR #1234 的代码质量)# Planner 自动拆解为:# 1. code_analyzer 分析代码(并行)# 2. test_runner 跑测试(并行)# 3. review_writer 综合 12 写评审(串行,依赖前两步)张钫对多 Agent 协作的关键判断:「多 Agent 不是越多越好,而是越『边界清晰』越好」——每个 Agent 的职责、能力、接口必须严格定义,否则 Agent 之间的通信开销会指数级增长。3-5 个 Agent 是大多数场景的最佳规模。五、4 个真实落地架构️ 架构 1:客服 Agent(单 Agent 工具)用户 → Agent(意图识别) → 工具调用(订单/退款/物流) ↓ 知识库 RAG(常见问题) ↓ 不确定 → 转人工️ 架构 2:研发 Agent(主从 Multi-Agent)Planner ├── Code Generator(写代码) ├── Test Runner(写测试) ├── Code Reviewer(代码审查) └── Deploy Agent(部署)️ 架构 3:数据分析 Agent(对等 Multi-Agent)Question Agent(理解问题) SQL Agent(写 SQL) Data Analyst(分析结果) Visualizer(生成图表)️ 架构 4:企业级 Agent 网(分层)L1 决策 Agent(CEO/部门级) ↓ 调度 L2 业务 Agent(HR/财务/产品) ↓ 调度 L3 执行 Agent(具体任务执行)六、Agent UX 设计的关键挑战张钫特别强调:「智能体时代,UX 设计发生了根本变化」。传统 UXAgent UX用户操作固定流程用户描述意图,Agent 自主决策错误可预测错误不可预测,需要「兜底」设计反馈即时反馈延迟(多步推理)确定性结果不确定性结果(同一 query 可能不同答案)UX 设计的 4 个关键原则:永远给用户「取消」按钮——Agent 跑偏时,用户要能立即打断永远展示 Agent 的「思考过程」——让用户知道 Agent 在做什么、为什么这么做永远提供「人工接管」入口——任何 Agent 决策,关键节点都要能转人工永远设置「置信度阈值」——置信度低时主动告知用户,而非强行给出答案七、常见问题 FAQQ1:Function Call 协议有标准吗?有。OpenAI 在 2023 年 6 月推出 Function Call 规范,现已成为事实标准。Anthropic、阿里通义、DeepSeek 等都兼容。Anthropic 在 2024 年还推出了更结构化的「Tool Use」协议。Q2:多 Agent 协作的最大挑战是什么?通信开销与状态同步。N 个 Agent 之间是 O(N²) 的通信复杂度,Agent 数量超过 5 个后,通信开销会指数级增长。工程上必须严格定义每个 Agent 的边界。Q3:智能体时代,前端工程师会被取代吗?不会。Agent UX 反而需要更多前端工程师——可视化 Agent 思考过程、人类反馈回路、置信度展示等都是新的前端课题。想深入了解张钫、郑耀威等智能体方向嘉宾的完整工程实践,可前往奇点大会官方渠道免费领取大会 PPT 详细资料。