从 LLM 到 Agent：2025 年智能体架构师的完整技术栈与成长路径

一、 技术背景：Why Agent?

在过去的开发模式中，我们将 LLM 视为一个且只能处理文本的无状态函数（Stateless Function）。但在实际的企业级场景（如腾讯云的某些客户落地场景）中，我们需要模型具备连续执行和**副作用（Side Effects）**的能力。

这就是 Agent 的本质——它是 LLM + Memory + Planning + Tool Use 的集合体。

对于开发者而言，这不仅仅是 API 的调用，而是系统设计思维的转变：从面向过程编程，转向面向目标（Goal-Oriented）编排。

二、 技能图谱：Agent 架构师的三层能力

基于我个人的工程实践，我将 Agent 开发者的技能树划分为三个层级：

Level 1: The Glue (胶水层与编排)

这是入门的基础。你需要掌握如何用代码将 LLM 与世界连接。

• 核心语言：Python (绝对统治地位) / TypeScript / Go。
• 编排框架：深入理解 LangChain 或 LlamaIndex 的 Chain 和 Graph 概念。
• 实战痛点：不是会调库就行，而是要理解 DAG（有向无环图）的执行逻辑，处理上下文窗口（Context Window）溢出的问题。

Level 2: Memory & Retrieval (记忆与检索工程)

Agent 的智能很大程度上依赖于它“记得什么”。

• 向量数据库：熟练使用 Tencent Cloud VectorDB、Milvus 或 Pinecone。
• RAG 进阶：掌握分块（Chunking）、重排序（Re-ranking）以及混合检索（Hybrid Search）策略。
• 关键问题：如何防止“长短期记忆”污染？如何保证检索的准确率（Recall/Precision）？

Level 3: Stability & Eval (工程化与评估)

这是 Demo 和 生产级应用的区别。

• 评估体系：建立基于 Ragas 或自研的自动化测试集，量化 Agent 的表现。
• 鲁棒性设计：当模型出现幻觉（Hallucination）或死循环时，系统是否有熔断机制？
• 微调（Fine-tuning）：在必要时，针对特定 Task 微调小参数模型（SLM）以降低成本。

三、 核心架构思维：ReAct 与 Plan-and-Solve

在架构设计中，你需要理解以下两种主流模式：

1. ReAct (Reasoning + Acting)：让模型在每一步行动前先输出思考过程。
   • Code Logic: Thought -> Action -> Observation -> Thought...
2. Plan-and-Solve：先生成完整的步骤清单，再逐一执行。

伪代码示例：

Python

class Agent:
    def run(self, goal):
        plan = self.planner.create_plan(goal)
        for step in plan:
            # 检索上下文
            context = self.memory.retrieve(step)
            # 执行工具
            result = self.tools.execute(step, context)
            # 反思与修正
            if not self.critic.verify(result):
                self.planner.adjust_plan()

四、 职业建议

2025 年，Backend Engineer + AI Logic 将是极具竞争力的组合。

建议大家利用腾讯云等平台提供的 Serverless 能力或高性能 GPU 实例，动手搭建一个属于自己的 Agent——比如一个能自动根据报警日志排查故障的“运维智能体”。

Talk is cheap, show me the Agent.