devlab-ai-agent-engineeringlisted

# devlab-ai-agent-engineering ## 用途 把"要做一个 AI 智能体应用"从零散试错升级为**可复用的工程化方法论**。回答两类问题： 1. **拆分**：一个 AI Agent 应用应该拆成哪几层/哪几块？各层职责与边界是什么？ 2. **避坑**：LLM/Agent 工程里反复踩的坑，如何在设计期就规避（不是给某个具体 bug 的补丁，而是给方法论原则）。 > 本技能是**方法论层**（讲原则与结构），具体某个技术栈的落地细节交由 AI Agent 结合项目给出选项/建议；各业务领域的落地范例见 `references/`。 ## 适用场景 - 新建 NL2SQL / Text2SQL、RPA、语音数字人、RAG 问答等任意 LLM 驱动应用，需要先定架构。 - 现有 Agent 应用"越改越乱"、规则与 LLM 边界混乱、Prompt 散落、模型成本失控，需要重新梳理分层。 - 评审一个 AI 应用设计方案是否踩了已知的结构性坑。 ## 不适用场景 - 纯粹的模型微调/训练（本技能聚焦**应用工程**，非模型训练）。 - 具体某框架的 API 用法（交由 `-usage` 类技能或 AI 现场给建议）。 - 非 AI 的普通后端/前端架构（用对应 devlab-srv-* / devlab-web-* 技能）。 ## 输入 - 业务目标与输入/输出形态（自然语言查询？桌面操作？语音对话？）。 - 现有代码/架构现状（可选，用于重构场景）。 - 约束：延迟预算、成本预算、可解释性/审计要求、私有化程度。 ## 输出 - Agent 分层架构方案（各层职责 + 边界 + 数据流）。 - 规则 vs LLM 的分工决策 + 兜底/超时/缓存策略。 - 多模型触点路由表（每个触点的 primary/fallback 模型与选型理由）。 - Prompt 治理方案（统一注册/版本/复用）。 - 结构性风险清单（对照"已知坑方法论"）。 ## 核心方法论 ### 1. 分层管道（Layered Pipeline） 把 Agent 拆成**单向、可独立测试**的阶段，每阶段有明确输入/输出契约： ``` 输入理解 → 信息抽取 → 策略决策 → 执行/编译 → 结果验证 → 输出 │ │ │ │ │ 意图识别 槽位/条件 按类型选策略 调用/生成 正确性校验 知识增强检索 metric抽取 strategy- (SQL/动作/ (schema/ 实体消歧 per-type TTS) 断言) ``` - **中间表示解耦**：在"理解"与"执行"之间引入中间表示（如 DSL），让 NLP 层与工程实现层解耦，便于多目标复用（如一份 DSL 编译到多种 SQL 方言）。 - **按类型分策略**：先做**请求分类**（如明细/指标/排名/对比），再路由到 strategy-per-type，避免一个巨型分支处理所有情况。 - **每层可独立评测**：每个阶段都能单独喂输入、断言输出，是后续评测闭环的基础。 ### 2. 规则优先 + LLM 兜底（Hybrid） - 默认 **rule_first**：规则/检索能确定的走确定性路径（快、稳、可解释、零成本）。 - 规则**置信度低于阈值**或产出不足时，才触发 LLM