从前端视角看 Agent 开发：从 SOP 到“三点一线”优化法
最近看完了吴恩达的 Agentic AI 课程，对 Agent 开发有了大概的了解。作为一个前端工程师，我想用我们熟悉的语境来聊聊这个话题。
长按识别二维码查看原文https://www.deeplearning.ai/courses/agentic-ai/
Agent 在我眼里就是一个有专业技能的 AI。它服务于特定业务，核心是一个或多个 LLM（大脑），加上 Context 工程（记忆与感官）、Prompt 工程（指令） 和一些 反馈/监控/路由模块（中枢神经）。
如何创建一个优秀的 Agent？我们需要从“构建”和“优化”两个维度来看。
构建阶段：像画 SOP 一样建模
开发 Agent 的第一步是任务分解。
我们需要对事情建模，分析哪些步骤用 LLM，哪些部分用第三方工具，哪些部分需要写逻辑代码。这本质上就是 SOP（标准作业程序）。把一个以前由人干的活儿用流程记录下来，然后再依次转化为 Agent 的逻辑。这有点像我们刚学编程时画的软件流程图。
关于设计阶段的两点建议：
别做“门外汉”： Agent 的上限取决于你对业务 SOP 的理解深度。如果你不熟，至少找个领域专家合作。
万物皆可 SOP： 平时工作时多思考，哪些重复性劳动可以被抽象成 SOP。
核心组件：Function Call 与 MCP
1. Function Call：Agent 的“JSONP”
函数调用（Tool Use）是让 AI 走向生产力的第一步。逻辑很简单：告诉 LLM 我有一个函数，如果你需要调用，就按约定的格式喊一声。我监听输出，匹配后去执行代码，再把结果塞回上下文。
这瞬间让我想到了前端的老古董：JSONP。 本质上都是通过“约定 + 注入”完成的远程调用。
2. MCP：Agent 时代的“BFF”
当 Function Call 变多时，维护成本会爆炸。于是出现了 MCP (Model Context Protocol)。
目前我把它理解为 Function Call 的标准化集合。如果 LLM 是前端，工具是后端，MCP 就是 BFF (Backend for Frontend)。它把凌乱的工具接口标准化，让不同的大模型能以统一的协议进行调用。
组织架构：线性 vs 树形
有了大脑（LLM）和工具（Tool），怎么组织它们？
线性架构： 像流水线，前一个 Agent 的输出是下一个的输入。
树形/Boss 架构： 一个中心化的“指挥官” Agent 调度多个子 Agent。这其实是把 Agent 当作 Tool 来使用。
优化阶段：我的“三点一线”理论
吴恩达说，做 Agent 就像做软件，需要不断迭代。我总结了一个“三点一线”优化模型：评估工程（一线）串联起 Prompt、Context、路由（三点）。
零、评估工程：Agent 的单元测试（一线）
这是所有优化的基石。Agent 带有概率性，如果没有评估，你根本不知道你的改动是在优化还是在劣化。
类比测试工程： 评估就像软件测试。E2E 测试评估最终结果，单元测试评估中间环节。
量化打分： 不同于测试的“非黑即白”，评估是打分制。我们要不断提升分值。
保留第一现场（Traces）： 我们要对所有的中间产物进行存档。就像 Chrome 的 Network 面板一样，分析每个 Span（环节）的输入输出，方便复盘调优。
一、 Prompt 工程：节点的“职能说明书”
模型选型： 术业有专攻。简单的任务用便宜模型，复杂任务用旗舰模型。各个模型也有自己擅长的领域。
量化打分技巧： * 二元评分法： 不要打 1-5 分，而是拆解为多个 $0/1$ 指标（格式对吗？逻辑对吗？），最后求和。
- 避开 Position Bias： LLM 做选择题有“位置偏好”，尽量让它针对单个输出打分，而不是做对比。
任务拆分： 如果一个节点的 Prompt 太长，说明它承载了太多压力，拆了它。
二、 Context 工程：节点的“外部感知”
Context 就是 LLM 的“参考书”。
精细化检索： 并不是把所有信息都塞进去，而是通过 RAG 等技术，只给它最相关的部分。
边界条件： 在上下文里增加边界样本，告诉 AI“什么不能做”。
三、 路由工程：图的“控制流”
路由决定了任务如何在节点之间流动。
并行优化： 能并行的步骤绝不串行，这是提升响应速度（Latency）的关键。
反思环路： 增加一个“自检”节点。AI 输出后先自我审查，不达标就打回去重写。
Plan 模式（代码化）： 这是目前最火的模式。让 AI 先写 Plan（Step by Step），然后依次执行。
Tip： Plan 结果如果是可执行代码，效果通常最好，但一定要放在沙箱环境运行，注意安全。
结语
作为一名程序员，我发现 Agent 开发正变得越来越“软件工程化”。
我们要写“单元测试”（评估），要搞“分布式追踪”（Trace），要搞“BFF”（MCP）。虽然 LLM 节点带有不确定性，但我们可以通过路由工程和评估机制，在不确定性之上盖起一座确定性的高楼。
我希望这篇文章能给对AI 不太了解的工程师一些基本概念，我也是刚开始学，很多都不了解，后续我会继续分享我作为一个前端工程师学习AI的心得，共勉。
