Rin06

web3 冲浪中～

[Rin06 @Rin1785342]

挤破头进大厂的人，常常把平台的光环误当成了自己的实力。AI 正在让小团队甚至一个人做出过去要一个部门才能做的产品，名片上的公司名称撑不了一辈子，能被人点名找上门的才是真本事。平台可以借力，但别把它当成你的简历本身。

[Rin06 @Rin1785342]

不敢裸辞的人，怕的往往不是没收入，而是离开工牌之后不知道自己还值多少钱。AI 让一个人就能完成过去一个小团队的交付，先在业余时间验证自己能独立赚到第一块钱，比任何辞职信都有底气。走不走都行，但别让恐惧替你做决定。

[Rin06 @Rin1785342]

为了躲开就业而读研的人，常常是花三年时间推迟一个迟早要做的决定。AI 正在把很多岗位的门槛从学历换成作品，毕业时手里只多了一张更贵的文凭，未必比早三年上手的人更有底气。学历可以加分，但别把它当成避难所。

[Rin06 @Rin1785342]

疯狂考证的人，常常把收集证书当成了积累能力。AI 已经能在几秒内答对大部分证书考试的题目，雇主越来越想看的是你用它做成过什么。证书可以敲门，但别指望它替你开口。

[Rin06 @Rin1785342]

说用 AI 写东西就是作弊的人，当年大概也觉得用计算器算账不算本事。工具从来不决定作品的高低，决定高低的是你提的问题和你做的取舍。真正该担心的不是别人用了 AI，而是你还在假装自己不需要。

[Rin06 @Rin1785342]

觉得必须留在一线城市才有机会的人，可能还在用十年前的地图找路。AI 和远程协作让很多能力不再绑定工位和户口，在小城用大城市的报价接活已经不是新鲜事。城市可以选，但别把房租当成入场门票。

[Rin06 @Rin1785342]

把在一家公司干满十年当成资历的人，可能只是把一年的经验重复了十次。AI 每半年就在改写一次工作方式，留在原地的人最先感受到的不是安稳，而是落后。忠诚可以给公司，但成长得留给自己。

[Rin06 @Rin1785342]

@wasabi1029 互关！

[Rin06 @Rin1785342]

有求不一定能应，但有关注必回

#浇朋友 #蓝V互动

[Rin06 @Rin1785342]

@zhangyifk 互关！

[Rin06 @Rin1785342]

@ailiangzi 已落地，在生产中使用！

[Rin06 @Rin1785342]

从零设计一个 Agent 后端：一套能移植到任何系统的设计思路

都说 Agent 就是一个循环，看起来很简单。但真要自己做一个，要考虑的事情不少：怎么适配多家模型，怎么保证命令执行安全，在模型快速进化的今天，又要怎么设计 Harness 才能一直扩展下去。

这篇我从零设计一个 Agent 后端。比"Agent 怎么写"更重要的是，这套思路可以搬到任何系统上。

一、先把流程理清楚

一个 Agent 后端大致这样工作：
1. 新建一个对话，或者继续之前的对话。
2. 收到前端发来的用户消息。
3. 把指令、可用工具、历史消息组成上下文。
4. 把上下文发给模型，拿到回复。
5. 如果回复里有工具调用，就再调一次模型，审核这次调用是否合理（审核要单独组织一份上下文）。
6. 审核通过就执行工具，把结果连同之前的上下文一起再发给模型；审核不通过就返回拒绝原因。
7. 重复第 3 到第 6 步，直到模型不再调用工具，或者循环次数到了上限，再把结果返回前端。

过程中每条消息产生时都要持久化存储。

这个流程实现起来不难。不做任何设计，一个函数负责一步也能跑起来，但代码会很难维护、很难测试。想把模型从 OpenAI 换成 Anthropic 的协议，要改好几个地方；想测一下流程，就得真的调用模型，又贵又慢。

所以我们把系统分成三层，每层负责一种性质的工作。

二、三层结构

领域层：定义系统自己的语言。什么是对话，什么是工具，什么是上下文。每个系统对这些概念都有自己的理解，怎么定义它们，就决定了这个系统长什么样。

应用层：把这些概念编排成完整的应用。先做什么、后做什么，什么时候继续循环，什么时候结束。

适配层：把外部的东西翻译成我们自己的语言。外部存储、外部模型对概念的定义肯定和我们不一样。比如我们的对话是一个 Session 对象，存进 JSONL 文件是一行行 JSON，存进数据库是表里一条条记录。适配层负责来回翻译，让 Session 能在系统和外部之间流动。

你会发现，应用层和适配层都是为领域层服务的。确实如此，因为怎么定义领域，就是一个系统的本质。

三、对话：Session

对话是整个系统最重要的概念，因为系统的表现形式就是对话。

Session 里装：
- id：字符串，方便以后继续这个对话。
- messages：消息列表，会随对话增长，所以再配一个 append 方法加入新消息。

消息有三种：
- UserMessage：用户发的文本。
- AssistantMessage：模型的回复，除了文本还可能有工具调用。工具调用用 ToolCall 包装，包含 id、工具名和参数。
- ToolResult：工具执行结果，用 tool_call_id 说明是哪次调用的结果，content 存结果内容。

存取对话，在应用层定义一个 SessionStore，规定需要哪些方法：列出对话、保存对话、读取对话。

你可能会问，不是说和外部打交道的事放适配层吗？因为 SessionStore 只是一个接口，它只说明应用层需要什么。具体实现放在适配层，比如我用 JSONL 存，就写一个 JsonlSessionStore，多一个文件路径字段。这样编排流程时只依赖接口，不依赖具体实现：换技术很方便，测试时也能换成一个假的存储。这就是依赖倒置。

四、工具：Tool

组织上下文时要告诉模型有哪些工具，第 6 步还要真正执行工具。所以在领域层定义 Tool：
- name：让模型能指定工具。
- description：让模型知道工具的用途。
- parameters：让模型知道要传什么参数。
- execute 方法：输入模型给的参数，输出 ToolResult 的 content。工具最重要的意义就是能被执行。

具体工具在适配层直接实现这个接口就行，比如一个让模型执行命令的 BashTool。

五、上下文：Context

调用模型时发的上下文到底是什么？在领域层定义 Context：
- instruction：告诉模型这次做什么、守什么规则。
- tools：可用工具。
- messages：历史消息。
- output_type：规定模型返回什么类型的对象。

当然还可以加记忆、AGENTS.md 之类的字段，这里先保留最基础的四个。

因为 Context 会用在不同任务上，输出类型也不同：回复用户时要的是 AssistantMessage，审核工具调用时要的是审核结论。所以输出类型用泛型来定义。

六、调用模型：ModelClient

和 SessionStore 一样，在应用层定义一个 ModelClient 接口，只有一个方法 generate：传入 Context 和模型设置，返回 Context 里 output_type 指定的类型。

模型设置用 ModelSettings 包装，里面是用哪个模型和思考深度 effort，因为这两个参数总是成对出现。effort 我们自己定义了 6 档，和各家厂商的说法不一样，交给适配层翻译。

适配层实现三个主流协议：OpenAI、Anthropic 和 Google。光是"思考深度"这一个参数，三家叫法就不同：OpenAI 叫 reasoning_effort，Anthropic 叫 output_config.effort，Gemini 叫 thinking_level。以后出现新协议，在适配层再写一个类就行。只要实现了 ModelClient 接口，应用层一行代码都不用改。

七、两个角色：Assistant 和 ToolCallReviewer

回复用户和审核工具调用，需要的上下文不一样，所以定义两个角色来生成各自的上下文。

Assistant：负责回复用户。有自己的 instruction 和 tools，context 方法输入 Session，输出一个 output_type 为 AssistantMessage 的 Context。

ToolCallReviewer：负责审核工具调用。有自己的 instruction，但不需要工具。context 方法输入 Session 和待审核的 ToolCall，输出一个 output_type 为 Decision 的 Context。

Decision 是新定义的类型，包含两样东西：这次调用能不能执行，以及拒绝原因。被拒绝时，这个原因会作为 ToolResult 的 content 返回给模型。

到这里，领域层该定义的都定义完了。

八、编排：AgentService

在应用层定义 AgentService 包装整个流程。它持有：
- ModelClient 和 SessionStore，用来调用外部服务。
- Assistant 和 Reviewer 两个角色，以及各自的模型设置。两个角色可以用不同的模型和思考深度，Reviewer 完全可以用更便宜、更快的模型。
- max_iterations：循环次数上限，防止模型反复调工具停不下来。

前端要用的功能都在 AgentService 里定义，比如新建对话、列出对话、发送消息。前端是命令行还是网页，应用层不关心，那是适配层的事：网页就提供一个 HTTP 接口，把请求转成对 AgentService 的调用；以后加命令行前端，再加一个适配器就行。

九、组装根

三层写完，还差最后一步：把它们接起来。现在各层只通过抽象打交道，AgentService 只认识 ModelClient 和 SessionStore，不知道有 AnthropicClient 和 JsonlSessionStore。

需要一个地方把具体的类创建出来、接到一起，这就是组装根，也是启动服务的地方。它是整个系统里唯一知道所有具体类的地方。以后换模型、换存储、换入口，都只改这一个文件。比如从 Claude 换成 GPT，只要改一行。

设计完成后，你可以把这些设计结论整个丢给 AI，让它帮你实现。记得加上 TDD 的策略，先写测试再实现。接口都限定好了，AI 只需要填功能，代码质量就不会差到哪去。

十、总结这套思路

先梳理流程，建立系统自己的语言作为领域层。再在应用层编排流程，并为外部服务定义接口。然后在适配层实现这些接口。最后用组装根把具体的类接起来。

这套思路可以用在任何系统上，不只是 Agent。

留两个作业

如果你想沿着这个例子练练设计能力，下面两个现在很流行的功能我没写进去，可以试试怎么设计：

分叉对话：用户从已有对话的某条消息开始，分出一个新对话。新对话带着这条消息之前的全部历史，之后两边各走各的，互不影响。

对话压缩：对话越长，发给模型的上下文越大，费用和延迟都会上升。压缩就是在对话变长后，让模型把较早的消息总结成一段摘要，之后发给模型的是摘要加最近的消息。

你会怎么设计？欢迎在评论区聊聊你的思路。

[Rin06 @Rin1785342]

觉得有了 AI 翻译就不用学英语的人，只看到了工具替你说话，没看到它也在替你思考。能直接读懂一手资料的人，永远比等翻译的人早一步拿到信息。AI 可以当拐杖，但别因此忘了怎么走路。

[Rin06 @Rin1785342]

把35岁当成职场死线的人，常常把年龄焦虑当成了自己不学习的借口。AI 把很多新技能的上手时间从一年压到一个月，真正被淘汰的不是年纪大的人，而是停止更新的人。年龄挡不住你，停下来才会。

[Rin06 @Rin1785342]

把加班到深夜当成努力的人，常常是在用时长掩盖效率。AI 能把很多重复活从三小时压到十分钟，还在手动熬夜的人，拼的其实是体力不是能力。勤奋值得尊重，但别把低效感动成奋斗。

[Rin06 @Rin1785342]

非要找专业对口工作的毕业生，常常把四年前填志愿时的决定当成了一辈子的合同。AI 让跨行业学习的成本降到了历史最低，转行不再需要从头读一个学位。专业可以是起点，但别让它替你决定终点。

[Rin06 @Rin1785342]

觉得币圈全是骗局的人，和觉得币圈遍地黄金的人，犯的是同一个错：都没花时间弄懂它。AI 已经能帮你几分钟读完一份白皮书，信息差正在被抹平，剩下的是判断力差。不碰可以，但别用无知当风控。

[Rin06 @Rin1785342]

把每月记账省下几十块当成理财的人，常常省了小钱却错过了最该投资的自己。AI 工具一个月的会员费，可能换来你多出一项能报价的技能。节俭是美德，但别把对自己的投入也算成浪费。

[Rin06 @Rin1785342]

给孩子报满补习班的家长，常常是在用金钱购买自己的心安。AI 已经能一对一讲题，标准答案越来越不值钱，值钱的是孩子会不会提出好问题。分数可以追，但别把好奇心卷没了。

[Rin06 @Rin1785342]

把考公上岸当成人生终点的人，常常把稳定误认成没有风险。AI 正在重写大量流程化的文书工作，体制内也在算效率账。编制可以是选择，但别把一纸录用当成从此不用再学习的免死金牌。

[Rin06 @Rin1785342]

真诚出摊！

出摊了兄弟们！

❗️在这里提个醒❗️

X新号想最快拿工资 原来真不能只顾着发帖

得疯狂串门 + 疯狂互动评论！！！
这流量直接起飞

有关必回！

#蓝v #蓝v互关 #新人蓝v #真诚交友 #浇朋友

[Rin06 @Rin1785342]

@Soul5089 科技在于人怎么使用，危险的是人不是科技本身。