一、单 Agent 的应用逻辑五个模块怎么咬合2026 年业界对单 Agent 的共识架构已经收敛成感知 → 规划 → 执行 → 记忆 → 反思五模块闭环比早期的感知-行动多走了三步。用户指令 / 环境反馈↓【感知】接收结构化文本/多模态/工具返回↓ 检索长期记忆【规划】拆解子任务、选工具、排顺序CoT/ToT↓【执行】调 API、跑代码、操作浏览器↓ 结果回流【反思】Critic 评估 → 修正 → 更新记忆↓【记忆】短期上下文窗 长期向量库↓下一轮感知 ←───────每个模块的应用逻辑要点• 感知不是收消息那么简单——要能把用户指令、工具返回、环境状态、隐式反馈任务完成度、后续交互统一转成结构化语义喂给规划模块。多模态进来图/音/视频还要先做对齐。• 规划是大脑但别神化它——主流就两条路ReAct 式走一步想一步Plan-and-Execute 式先拆再跑。复杂任务通常是宏观 Plan 微观 ReAct 混着用。• 执行的关键不是能调工具是沙箱重试——工具调用失败率 2026 年 still ~15-30%不挂重试和熔断Agent 跑不长。• 记忆分四档2026 年生产级基本都这么拆• 工作记忆Working当前上下文窗• 情景记忆Episodic跨轮对话历史• 语义记忆Semantic知识库/RAG• 程序记忆ProceduralSOP、反思沉淀的规则• 反思是 2025-2026 的新一等公民——以前 Agent 跑完就完现在关键节点必挂一个 Critic可以是另一个小模型也可以是同模型 self-critique错了回滚、对了沉淀到长期记忆。 一套能跑的生产级 Agent推理内核 / 上下文记忆 / 工具行动 / 驾驭控制这四层是底子五模块是上头的业务逻辑——别搞反了层级。二、三种主流决策框架选错等于白干光有五模块不够规划模块用哪种决策框架直接决定 Agent 的脾气和成本。2026 年主流就这三个框架 逻辑 适合场景 缺点ReAct Thought → Action → Observation 循环 探索性开放任务、客服、需动态应变 LLM 调用次数多、成本高Plan-and-Execute 先全局拆步骤再逐个执行 目标明确的长任务报告生成、数据 pipeline 中途出错难自救Reflexion 执行完加一轮 Critic 自评 → 重跑 代码生成、写得对不对很关键的场景 多一轮 LLM 调用实战里 90% 是混着用宏观用 Plan-and-Execute 拆写一份 Q3 竞品分析报告→ 拆成数据抓取/清洗/可视化/成文微观每个子步骤用 ReAct 跑抓数据时遇到反爬要换策略关键交付物代码、财报数字挂 Reflexion 做质检。腾讯云那个超级团队和 Agentic RAG 平台用的就是 Plan-and-Execute 模板 规划者(Planner) 分发到 Search/Code/Summary 子 Agent——这是 2026 年企业级最主流的编排形态。三、多 Agent从单兵到编队的逻辑跃迁单 Agent 跑通闭环后下一步才是多 Agent。这里的应用逻辑完全不一样——不再是我怎么想清楚一件事而是谁负责想、谁负责干、谁负责查、出错了找谁。三种主流协作拓扑① Supervisor supervisor 管 N 个 specialist最稳的架构。一个总控 Agent 做 Planner底下挂专业子 Agent数据/代码/检索/合规…内存共享失败回 supervisor 重派。• 西门子安贝格工厂12 个专业 Agent3 个设备监控 4 个供应链 5 个质检故障响应 2h → 15minOEE 78% → 92%• 摩根大通 COIN法律解析 合规 风控三 Agent年处理 36 万页合同② Plan-and-Execute 分发PE 的多 Agent 版腾讯云 / AutoGen 主推的模板Planner 拆任务 → 分给 Search/Code/Summary Agent 并行 → 汇总。适合一个大任务能拆成几块独立干的场景。③ A2A MCP 跨平台2026 协议层默认• MCPAnthropic2025.12 捐给 Linux 基金会管 Agent 怎么接工具• A2AGoogle2025.4管 Agent 之间怎么互相发现、调用• 两家协议 LangGraph / Pydantic AI / AutoGen 编排层已经是 2026 企业部署的参考栈几个能说服老板的落地数据• 亚马逊云内部 Kiro 项目30 人 18 个月 → 6 人 76 天效率 ×10• 联想乐享超级智能体20 场景日均 100 万交互创收 18.9 亿订单转化 30%• 某车企研究院试制参数设计5 天 → 4 小时错误率 -67%• TiDB CTO 黄东旭“一个人 一个 Agent 团队搞了几百万行代码的基础软件已上线生产——人从写代码退到设 Goal / Context / Constraints”四、生产级七层架构照这个自查光有应用逻辑还不够2026 年能上生产的 Agent 系统基本都长这样模型层动态路由简单任务小模型复杂才上大模型 降级记忆与状态层Redis 向量库混合工具与数据层MCP Server 集群 API 网关编排与工作流层LangGraph / AutoGen / 腾讯云 Agent 平台可观测性层Token 成本、延迟、成功率、全链路追踪——必须从 day 1 就接安全与治理层OWASP LLM Top 10、GDPR、数据不出域评估与测试层Evals 一等公民持续跑基准⚠️ 成本这一段必须提模型降级 Prompt 压缩 语义缓存 批处理能把推理成本再砍 70-90%——很多团队 Agent 跑不起来的真原因不是模型不行是没做这一层。五、给企业读者的一个判断回到应用逻辑这四个字。2026 年做 Agent 项目顺序别反先单 Agent 跑通感知-规划-执行-记忆-反思闭环——选 ReAct 还是 PE 看场景别贪心再加反思/Critic——这一步是从 demo 到生产的分水岭最后才上 Multi-Agent——Supervisor 拓扑最稳A2AMCP 留好接口可观测和成本优化 day 1 就埋进去不然跑到 Q3 账单会教你做人反过来的团队上来就搞 12 个 Agent 协作、模型天天换最新款我 2026 年上半年见了不下二十家成活率不到两成。