最近我一直在想一个问题：Claude Code、Codex 这类通用 Agent 都已经这么强了，我们还有必要从 0 到 1，自己造一个 Agent 吗？

这个问题不是凭空来的。我们内部也在做研发 Agent（强烈安利，很有必要），按业务域部署在云端，主要用于研发答疑、问题排查和需求开发。

我们没有从 LangChain、LangGraph 开始写 Planner 和 Tool Router，而是把 Claude Code 放进云端沙箱，按业务域配置 Agent。它负责规划、编码和工具调用；我们负责企业系统接入、Skills、MCP、权限、会话和可观测性。

做了一段时间，我的判断越来越明确：企业当然要做 Agent，但第一版不该从重写 Agent Loop 开始。

所以这篇文章不只讨论“为什么不用造”。我把现在的做法收敛成三样可以直接拿走的东西：一套默认架构、一张七问清单，以及一套决定是否升级到自定义 Loop 的验收方法。

1. 第一版先搭什么，我现在有个明确答案

---

如果今天有人跟我说“我们这个业务要做一个 Agent”，我不会先问用 LangGraph 还是自己写状态机。我会先把通用 Agent 跑起来，再补企业真正缺的部分。

我们现在的研发 Agent，大体就是下面这套结构：

以 Claude Code 为通用 Runtime，在云端沙箱中按业务域配置研发 Agent，企业能力横向共享

图里最重要的不是订单、支付、客服这几个名字，而是职责被拆开了。

Claude Code 负责推理、规划、编码和工具调用。企业共享层提供 Skills、MCP、Hooks、权限、会话和可观测性。业务域 Agent 只装配自己能访问的 Repo、工具和规则；到了具体任务，再用独立的 Worktree 和 Session 隔离代码现场与上下文。

这套第一版里，我不会先做自定义 Planner、Router、Critic，也不会因为要接一个内部系统，就顺手造一套 Runtime。先复用通用 Agent 的 Loop，把企业能力放到正确的位置。

2. 一个需求进来，我先问这七个问题

---

架构有了，接下来是怎么用。现在我拿到一个 Agent 需求，会按下面的顺序往下问：

企业 Agent 建设七问：先补知识、系统、边界、隔离、约束、流程和环境，再评估自定义 Loop

这个顺序是故意的。前面的办法改动小，也更容易复用；越往后，成本和维护责任越重。只有七项都补过，问题仍然落在运行时调度本身，我才会讨论自定义 Loop。

任务复杂也先这样拆。比如 Deep Research 要求“每个结论有多个来源、必须找反方证据”，这是研究规范，适合放进 Skill；“取数 → 脱敏 → 审批 → 写入工单”是固定步骤，交给 Workflow；至于下一步搜什么、冲突出现后查哪条线索，仍然让通用 Agent 判断。

复杂不是一个架构层。先拆清楚缺的是知识、确定性流程，还是自主决策。

3. 用 SRE Agent 把这套方法跑一遍

---

拿一个公司内部的 SRE Agent 来说，它确实很“特殊”：有自己的监控、日志、CMDB、发布系统，还有一整套排障和生产操作规范。

但按七问拆完，落点其实很清楚：

• 排障 SOP 和历史经验，做成 Skill。
• 日志、监控、CMDB、发布能力，接成 MCP 或内部 Tool。
• 应用范围、可用工具和数据边界，收进 SRE 业务域 Agent；账号授权仍由企业权限系统执行。
• 修改生产配置前的风险检查和人工审批，放进 Hook / Policy。
• 修改后的监控验证、失败重试和工单回写，用 Workflow 固定。
• 命令执行放进 Sandbox；每次故障使用独立 Session，涉及代码修改时再分配 Worktree。

这里真正需要通用 Agent 判断的，是“下一步先查指标、日志还是最近变更”。其他能确定的东西，都在 Loop 外变成工具、边界和门禁。

高风险操作和结束校验都在 Agent Loop 外设置确定性门禁

这样搭出来的 SRE Agent 业务很特殊，但 Loop 并不特殊。它已经能访问内部系统、遵守生产规则、隔离执行环境，也能在高风险操作前停下来等审批。

这也是我现在更愿意采用的默认方案：让通用 Agent 处理不确定的判断，企业负责把确定的知识、能力和约束接牢。

4. 什么时候我才会把 Loop 拿回来

---

七问都走完以后，如果通用 Agent 仍然不够，我会继续看两个条件。

第一个，Loop 本身就是产品的核心算法。团队确实做出了一套专用的 Planner → Worker → Critic → Replan 策略，而且它决定了最终效果，不只是把通用 Agent 的调用换了个写法。

第二个，任务足够固定、调用量足够大，通用 Agent 的 Token、时延或人工介入成本已经不可接受。通过裁剪上下文、减少模型轮次和固定部分路径，专用 Loop 可能更划算。

但“感觉更快”不算证据。我会用同一组真实任务做一次对比：模型、工具和成功标准保持一致，一边跑通用 Agent，另一边跑专用 Loop，再看成功率、平均 Token、P95 时延和人工介入率。

用同一任务集对比通用 Agent 与专用 Loop，按四项指标决定是否升级

目标值要在测试前定好。只有收益稳定、可以重复，并且足以覆盖专用 Loop 的开发和维护成本，我才会升级。某几个样例跑得更快，或者只是流程图画得更可控，都不够。

分界线不是“我们能不能写 Loop”，而是“我们能不能证明拿回 Loop 有收益”。

5. LangGraph 不是起点，而是通过验收后的升级项

---

所以我并不觉得 LangGraph 没用了。它的位置变了。

我现在更认可的建设顺序是：

业务需求→ 先跑通 Claude Code / Codex→ 用七问补齐企业能力→ 在固定任务集上建立基线→ 仍然不够，并且专用方案能证明收益→ 再用 LangGraph 或自研 Runtime 控制 Loop

回头看我们自己的研发 Agent，真正需要长期建设的不是几十套 Planner 和 Tool Router，而是能被不同业务域复用的 Skills、Tools、Sandbox、权限、会话和可观测性。

以后再有人说“这个业务需要做一个 Agent”，我会先把七个问题走一遍，再问一句：通用 Agent 到底还差什么？

如果答案只是知识、工具、规则、流程或环境，就把那一层补上。只有问题最终落在 Loop 本身，而且数据证明值得，才从 0 到 1 自己造。

学AI大模型的正确顺序，千万不要搞错了

🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！

有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！

就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋

📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇

学习路线:

✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经

以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！

我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】