新闻详情

新闻详情

首页 / 资讯中心 / 详情

DeepSeek-Agent-Harness-2026终极指南-第2章第8节-认知升级-六层架构解剖图:一个生产级Agent的完整剖面

发布时间:2026/11/16 21:59:23来源:尧图网络
DeepSeek-Agent-Harness-2026终极指南-第2章第8节-认知升级-六层架构解剖图:一个生产级Agent的完整剖面
六层架构解剖图一个生产级 Agent 的完整剖面网上讲 Agent 的教程十个有九个只教你调个 API 就完事。但一个能上线的 Agent底层是六层堆起来的山。这一节我把整座山解剖给你看每一层是什么、干什么、对应课程哪几章一次讲透。本文导航为什么是六层总纲六层架构全景图第一层模型接入层第二层工具系统层第三层上下文引擎层第四层安全权限层第五层编排层第六层可观测性层这张图就是课程地图小结下节预告上一节我们用操作系统的思维重新认识了 Agent工具是系统调用、权限是访问控制、上下文是内存、编排是调度。这一节我把这台微缩操作系统从纵向剖开——它到底由哪几层堆起来答案是六层。这六层是我做了不少 Agent 项目之后回头抽象出来的稳定骨架。不是学术概念是实战打出来的。很多教程爱讲Agent LLM 工具 循环这种三件套够用但不够撑起一个生产级系统。生产级意味着能跑、敢跑、跑不崩、跑了还有据可查。这四点正好对应六层里后四层。为什么是六层先给你这根通读全文的脊椎骨——六层架构全景图六层架构用户/入口CLI / 网页 / IDE 插件 / API第六层 可观测性日志留痕/成本分析/回溯第五层 编排Agent Loop/多Agent调度/终止第四层 安全权限权限白名单/工具校验/降级第三层 上下文引擎窗口管理/摘要/RAG第二层 工具系统工具注册/执行器/返回解析第一层 模型接入OpenAI兼容/流式/重试DeepSeek / 任意 OpenAI 兼容模型从下往上就是一次模型坐到用户面前的数据之旅。下面我逐层拆并顺手标注每一层对应课程的哪几章——这张图同时也是你的课程地图。第一层模型接入层最底下一层负责跟模型说话。它要搞定三件事协议统一不管后面接的是 DeepSeek、Qwen 还是本地 vLLM全部走 OpenAI 兼容协议换模型只换base_url和 Key零改业务代码传输细节流式SSE、超时、连接池、自动重试遇到 5xx 或限流要退避重试统一返回把各家的返回差异抹平成同一个结构上层不用关心底层是哪个模型# 第一层示意一个薄薄的模型客户端封装classLLMClient:def__init__(self,base_url,api_key,model):self.clientopenai.OpenAI(base_urlbase_url,# 换模型只改这里api_keyapi_key,timeout60.0,)self.modelmodeldefchat(self,messages,toolsNone,streamTrue):# ...组装请求、处理流式分片、处理重试...returnresponse# 统一结构返回给上层⚠️ 这一层最容易踩的坑是重试写不好不区分限流(429)“和服务错误(5xx)”或者不接退避backoff一抖就直接崩。第 3 章协议内幕 第 19 节重试设计都在啃这块。第二层工具系统层第二层给模型手对应第 9 章工具集。核心是注册表 执行器注册表把一个个普通函数描述成toolsJSON函数名、参数 schema、说明告诉模型你有哪些工具可以用执行器当模型返回tool_calls时把参数解析出来、安全调用真实函数、把结果转成tool角色的消息塞回对话# 第二层示意注册表 执行器classToolRegistry:def__init__(self):self._tools{}# name - callabledefregister(self,func,schema):self._tools[schema[name]](func,schema)defto_openai_spec(self):return[sfor_,sinself._tools.values()]defexecute(self,name,arguments):func,_self._tools[name]returnfunc(**arguments)# 真实执行结果回填第二层的灵魂是工具要有明确的成功/失败返回——不要抛裸异常要么返回结构化错误给模型看要么返回请重试。这样模型才知道自己失败了、还能怎么调整。第三层上下文引擎层第三层给模型记忆对应第 11 章上下文工程。它的职责是让模型在有限窗口里看到它最该看的东西。管理 messages 列表的增删、截断装不下时做摘要压缩或从向量库做 RAG 检索把工具结果、系统提示、历史对话、外部检索结果按正确顺序拼装成一次请求# 第三层示意负责拼装这一轮要发出的 messagesdefbuild_request_messages(task,history,tool_results,memory):msgs[{role:system,content:SYSTEM_PROMPT},{role:system,content:f[相关工作区]{memory.retrieve(task)}},# 历史可能已被截断/摘要*history.visible(),# 最近的工具执行结果*tool_results,]returnmsgs这一层做不好常见症状上下文越来越长越来越贵、模型忘了早期约束、或者被垃圾信息带偏。它是性价比和效果的双重杠杆值得花整章第 11 章打磨。第四层安全权限层第四层是闸门对应第 10 章安全权限。它管两件事哪些工具能碰、哪些命令能跑。权限白名单默认拒绝、显式放行危险操作拦截拒绝rm -rf、sudo、脱离工作区的路径写入参数校验用 pydantic 校验所有工具入参防止模型吐出畸形参数# 第四层示意兜底的权限闸门defguard(tool_name,args):iftool_namenotinALLOWED_TOOLS:raisePermissionError(工具未授权)iftool_namewrite_file:abspathos.path.abspath(args[path])ifnotabspath.startswith(WORKSPACE):raisePermissionError(禁止写工作区之外)returnpydantic_validators[tool_name].validate(args)# 参数强校验生产级 Agent 和玩具 Agent 的分水岭就在这一层。上不了线、不敢放手让它跑的项目八成是这层没做好。后面第 10 章我会带你把权限模型、危险命令拦截、降级策略全部实现一遍。第五层编排层第五层是大脑的中枢对应第 8 章 Agent Loop、第 12 章子 Agent。它决定什么时候思考、什么时候行动、什么时候停。维护 Agent Loop 主循环思考 → 调工具 → 看结果 → 再思考处理终止条件max_iters、模型喊停、超时熔断在多 Agent 场景下做调度编排对应操作系统的进程调度# 第五层示意Agent Loop 主循环核心中的核心defrun(self,task):messagesself.ctx.build(task)foriinrange(self.max_iters):# 缰绳respself.llm.chat(messages,self.tools.spec())ifresp.finish:# 模型给出最终答案returnresp.content resultself.tools.execute(*resp.tool_call)self.permission.guard(*resp.tool_call)# 过闸messagesself.ctx.append(messages,resp,result)returnself.fallback()# 超时兜底这条循环就是整个课程的主心骨。你在第 8 章DeepPilot v0.3会把上面这段从零手写出来并且补上流式、异常、重试、计量等所有生产细节。第六层可观测性层最后一层对应第 7 章调用留痕、以及贯穿全课的五条铁律负责让系统被看见。别小看它你前面为 Agent 花的每一分钱、踩的每一个坑都得靠这层捞出来。每次模型调用留痕base_url/端口、Key 末 6 位、模型名、输入输出长度、起止时间、耗时原始 prompt 落盘方便日后追溯、复现、分析日志按月分割、控制台 文件双输出、保留 12 个月退出时打印量化总结输入输出 token 的最大/最小/平均、耗时统计# 第六层示意留痕核心课程的五条铁律之一dataclassclassCallRecord:ts_start:datetime ts_end:datetime base_url:strmodel:strinput_len:int# 提示词 文件字节output_len:intcost_ms:float# 每次调用都记录App 结束时统一打印汇总没有这一层你只是一个在烧钱但看不见账本的盲人。有了它你能回答平均一次调用多快哪个环节最贵输入长度和速度到底是什么关系——这些都是可以拿一句提示词分析的硬数据。这张图就是课程地图把六层往回对照你会发现整门课 80 篇就是按这六层纵向铺开的再加上开篇的认知和收尾的商业课程结构引爆区第1-2章为什么学理论区第3-5章每个零件想明白实战区第6-14章逐层手写DeepPilot商业区第15-18章变现第六层 可观测性 第7章第五层 编排 第8/12章第四层 安全 第10章第三层 上下文 第11章第二层 工具 第9章第一层 模型接入 第3/6章看懂这张总纲你心里就有了一张进度图每写一篇你知道自己在填哪一层、补的是哪块拼图。这就是造系统和堆代码最大的区别——前者心里有地图后者走一步算一步。小结生产级 Agent 是六层堆起来的不是LLM 工具 循环三件套那么简单。六层从下到上模型接入 → 工具系统 → 上下文引擎 → 安全权限 → 编排 → 可观测性一层承载一层。安全权限层是分水岭能不能放心上线、敢不敢放手跑就看这层做没做好。可观测性层是账本无留痕 盲人烧钱有留痕才能分析、复现、优化。这张六层图就是课程地图每篇文章都能定位到具体某一层。下节预告讲了这么多层架构你要是不亲手跑一次模型说了一句人话的瞬间前面的理论都是纸上谈兵。下一节我们来点真格的——五分钟体验你的第一个 DeepSeek 回合。我直接甩给你一个能一键运行的 uv 单文件让你亲眼看到 deepseek-flash 回你第一句话。那种它真开口了的实感比任何理论都顶用。如果觉得本文对你有帮助欢迎点赞、收藏、关注三连本系列持续更新中80篇硬核实战关注不迷路~
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/15 4:54:16

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/15 2:04:12

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/16 19:23:38

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/16 6:47:19

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/14 16:35:50

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/16 17:28:18

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉