AI Agent工程化的五个标志——从一篇Multi-Agent架构文章说起
光尘阁已经在AI Agent这条路上跑了一年多。我们自己的Clacky系统每天都在跑内容生产、数据备份、平台运维——不是"用AI"，而是"造AI"。
今天看到一篇讲Multi-Agent编排的文章，核心是OpenSpec + Superpowers + Harness三层架构。文章本身是框架推广文，但里面藏了一套工程化方法论，值得拆开看看。
一、文章在说什么
一个高速养护安全研判系统，5秒完成风险评估：输入隧道养护的作业参数，输出风险等级、关键因素、建议措施，中间跑一个6节点的DAG（有向无环图）。
架构分三层：
| 层 | 角色 | 类比 |
|---|---|---|
| OpenSpec | 通信协议，规定Agent间数据格式 | HTTP |
| Superpowers | 技能模块，封装原子能力 | 微服务 |
| Harness | 调度中心，编排多Agent协作 | K8s |
一句话：OpenSpec管"说什么"，Superpowers管"会什么"，Harness管"怎么干"。
二、真正有价值的是五个工程化标志
框架名称不重要——重要的是背后这套工程化原则。我提炼出五个标志，任何Agent系统做到这五点，就是工程化的：
标志一：白盒Agent，不是黑盒LLM
LangChain的AgentExecutor是黑盒——你给它工具，它自己决定怎么调用，不可控。LangGraph是白盒——你画好DAG，LLM只在节点内做局部决策，整体流程可观测、可调试。
核心原则：主流程由代码定义，LLM只在节点内做增强。不要让LLM决定"下一步做什么"。
标志二：配置即架构
加一个新的子Agent，只需要在YAML里写一段配置 + 把技能文件丢到目录。核心代码零改动。
光尘阁的Clacky Skills体系本质上也是这个思路——每个Skill是一个独立的markdown指令文件，加能力不改框架。差距在于我们的Skill注册是隐式的（靠prompt路由），不够结构化。
标志三：全链路降级——每个依赖都有备胎
这是ToB系统的基本素养，但大多数AI应用根本没做。文章的降级链：
LLM挂了 → 跳过LLM增强，用规则引擎
Embedding挂了 → 用Hash模拟向量
Milvus挂了 → 内存字典+手写相似度
五维评分挂了 → 缺失维度用默认值
Langfuse挂了 → 降级到本地日志
核心原则：生产级Agent系统必须假设每个依赖都会挂，每挂一个都有备胎。
标志四：横切关注点外置
9种Hook（BEFORE_LLM_CALL / AFTER_TOOL_CALL / ON_ERROR / ON_CONTEXT_INJECT...）是AOP思想在Agent系统的落地。
节点关心"做什么"，中间件关心"附带做什么"——日志、鉴权、熔断、上下文注入，全部外置。
Clacky目前没有这一层。invoke_skill直接调用，没有统一的Hook链。如果某个skill调用频繁失败，没有自动熔断；如果某个API超时，没有自动降级。
标志五：数据飞轮——让系统越用越准
四维评估器（风险等级40% + 格式20% + 规范20% + 评审20%）给每次输出打分，低于0.7的case自动入队人工标注，回流到训练集。
不是"跑一次就完了"，而是"每一次输出都在为下一次优化提供数据"。
三、光尘阁的对照：我们走到哪了
对照Clacky现状：
| 工程化标志 | Clacky现状 | 差距 |
|---|---|---|
| 白盒Agent | ⚠️ 偏向黑盒——靠prompt路由决策 | 关键流程可以考虑显式DAG |
| 配置即架构 | ✅ Skill体系符合，但注册表不够结构化 | markdown → 结构化配置 |
| 全链路降级 | ❌ 基本没有 | 每个关键依赖需要降级方案 |
| 横切关注点 | ❌ 无中间件层 | invoke_skill需要统一Hook |
| 数据飞轮 | ❌ 无评估体系 | skill质量靠人工判断 |
四、三个近期可做的
不需要等"大版本重构"，这三个是低成本的：
1. 给invoke_skill加一层Hook 每次skill调用前后自动记日志。如果某个skill连续3次失败，自动告警。改动量很小，收益很大。
2. Skill注册表结构化 把现有的markdown指令文件加一个YAML header，声明skill的名称、触发词、权限级别、降级策略。不改现有逻辑，只是加元数据。
3. 梳理Agent能力地图 把Clacky现有的150+ skills按领域画一张图谱——哪些是数据层、哪些是执行层、哪些是编排层。不画不知道，一画会发现大量能力重叠和空白。
Multi-Agent编排不是换个框架的事。工程化的本质是——把不确定性关进笼子里。LLM有不确定性，但系统不能有不确定性。代码控制流程，LLM只做增强，每个依赖有降级，每次调用有观测。
这才是2026年AI Agent工程化的分水岭。
光尘阁出品 | AI Agent工程化系列