LangChain创始人的核心观点,并融入了AI创业
在构建 AI 系统时,提及“持续学习”,业界往往优先考虑更新模型权重(微调)。然而,LangChain 创始人 Harrison Chase 指出,这种思维存在局限。对于 AI Agent(智能体)而言,其学习与进化过程实则发生在三个截然不同的层级。厘清这一架构,将从根本上改变构建可持续进化 AI 系统的方式。
01AI Agent 进化的三层架构
Harrison Chase 将 AI Agent 的能力体系划分为“底层模型”、“核心框架”与“外部上下文”三个维度。每一层承担着不同的职能,共同决定了 Agent 的最终表现。
三层架构详解
底层模型 (Model)
纯粹的模型权重本身,决定了基础智力水平。
- 类似人类的“基础智商”
- 代表实例:GPT-4.5, Gemini, GLM-5 等基座模型
核心框架 (Harness)
驱动 Agent 运转的底层代码与内置指令,决定了思考模式。
- 类似“操作系统”或“肌肉记忆”
- 决定了 Agent 如何调用工具及执行流程
- 代表实例:DeepAgents, Claude Code, 自研底层流程
外部上下文 (Context)
独立于框架之外的附加指令与技能库,提供动态配置能力。
- 类似“临时操作手册”或“外挂知识库”
- 可灵活挂载精准的业务数据和工具
- 代表实例:AGENTS.md, /skills, mcp.json 等配置文件
02实战架构建议
在实际的 AI 架构设计中,开发者常将框架逻辑与上下文混淆,或在效果不佳时盲目尝试微调大模型。基于“三层模型”进行解构,可以更清晰地定位问题。
- 优化 Harness(核心框架)
通过改进流程代码与内置指令,使 Agent 的思考路径更聪明,无需动用高昂的模型训练成本。 - 丰富 Context(外部上下文)
挂载更精准的业务数据与工具,以极高的性价比实现 Agent 表现的质变。 - 避免盲目微调
除非基础智力不足,否则应优先通过调整框架与上下文来解决问题。
这种分层优化方式不仅显著降低了成本,也使得系统迭代更加敏捷。在 Agent 开发与优化过程中,合理分配精力至这三层,是实现高效 AI 落地的关键。
当前文章无评论,是时候发表评论了