深度智能体

当下的多数智能体仍然比较“浅”。

遇到深度研究、智能体编程等耗时较长、步骤较多的问题时，它们很容易失效。

这种情况正在快速改变。我们正在进入“深度智能体”的阶段：系统会有策略地规划、记忆和委派工作，以解决非常复杂的问题。

AI 课程平台、LangChain、Claude Code，以及近期的 Philipp Schmid 等人，都在记录和探索这一思路。

下面是一个深度智能体示例，用于 AI 课程平台 的客户支持系统，帮助学员查询培训与课程信息：

原文课程信息

本文基于原作者的课程《使用 n8n 构建有效的 AI 智能体》。课程提供深度智能体设计与实现方法、可下载模板、提示词和进阶技巧。

以下是作者结合自身实践和他人笔记整理出的深度智能体核心思路。

规划

深度智能体不会只在一个上下文窗口里临时推理，而是维护可以更新、重试和恢复的结构化任务计划。可以把它理解成一份不断调整的待办清单，引导智能体朝长期目标推进。作者建议尝试 Claude Code 或 Codex 的规划功能：在执行任务前启用规划，通常能改善结果。

作者近期还讨论了在 Claude Code 中花更长时间进行头脑风暴的作用。这说明了规划、专家上下文以及人工参与的价值：与深度智能体协作时，你的专业知识能带来重要优势。规划对长周期问题同样关键，例如接下来可能出现的科学发现智能体。

编排器与子智能体架构

仅靠一个拥有很长上下文的大智能体已经不够。虽然有人反对多智能体系统、支持单体系统，作者对此持保留态度。

编排器与子智能体的架构是一种很有潜力的模型应用架构，可以用于多种领域。编排器管理搜索、编码、知识库检索、分析、验证和写作等专门的子智能体，每个子智能体都有独立、清晰的上下文和专业分工。

编排器负责合理委派，子智能体高效执行，再由编排器整合输出，形成连贯的结果。Claude Code 在编程场景中推广了这一方法。通过分离职责，子智能体尤其有助于高效管理上下文。

作者在这条笔记和这条笔记中进一步讨论了编排器与子智能体的作用。

上下文检索与智能体搜索

深度智能体不只依赖对话历史。它们会将中间结果保存到文件、笔记、向量存储或数据库等外部记忆中，从而按需引用重要信息，避免模型上下文过载。高质量的结构化记忆非常有价值。

ReasoningBank 和智能体上下文工程等近期研究，提供了优化记忆构建和检索的方法。编排器与子智能体架构也支持混合记忆技术，例如将智能体搜索和语义搜索结合，并让智能体决定采用哪种策略。

上下文工程

与这类智能体交互时，一个严重的问题是指令或提示词定义不充分。提示工程依然重要，而上下文工程这个术语进一步强调了为智能体构建上下文的重要性。

指令应明确、详细且有目的：何时规划、何时使用子智能体、如何给文件命名、如何与人协作，都需要说明。上下文工程还包括结构化输出、系统提示词优化、上下文压缩、上下文有效性评估，以及工具定义优化。

更多内容见上下文工程深入指南。

验证

除了上下文工程，验证也是智能体系统最重要的组成部分之一，尽管它较少被讨论。验证的核心是检查输出，可以自动执行，例如让大语言模型充当评审，也可以由人完成。

现代大语言模型在数学、编程等领域生成文本的能力很强，容易让人忽略它仍存在幻觉、迎合、提示注入等问题。验证可以提高智能体的可靠性，使其更接近生产环境要求。系统化的评估流程有助于构建有效的验证器。

结语

这意味着智能体构建方式的一次重大变化。深度智能体也可能成为下一阶段的重要基础：能够主动代表用户行动的个性化智能体。作者计划在后续文章中继续讨论主动式智能体。

作者已在过去几个月向智能体开发者教授这些方法。如需动手学习深度智能体构建，可以查看学院课程。

本文图示描述的是课程结课项目要求学员构建的智能体 RAG 系统。

原文课程信息

本文基于《使用 n8n 构建有效的 AI 智能体》，提供深度智能体的设计与实现思路、可下载模板、提示词和进阶技巧。

作者：Elvis Saravia，提示工程指南 创建者、AI 课程平台 联合创始人。