智能选择与机制设计
Key takeaway: 本文详细阐述了前线部署工程师（Forward Deployed Engineer, FDE）的核心理念：智能体是运营软件系统中的组件，而非系统库。文章核心是“最小充分机制”（Smallest Sufficient Mechanism）原则，即在默认使用复杂的智能体循环之前，必须优先选择最经济、可解释的方法来实现业务成果。为此，文章提供了一个从确定性代码、优化算法、经典机器学习、检索增强生成（RAG）、基础模型、智能体工作流到人类决策的七层选择矩阵，明确了每种机制的适用场景、决策形态和必需的防护栏。此外，文章介绍了“智能选择记录”模板，要求工程师在做出任何关键路由选择时，必须记录被否决的更简单替代方案及其被否决的测量原因。文章还包含“混合智能系统蓝图”，定义了如何将这些机制编排到单一工作流中，采用串行路径默认设置，仅在约束合理时添加并行或多智能体循环。系统架构上，强调了工作流编排器、确定性策略、工具与效果网关和运营本体论四大组件的职责分离，并严格规定了状态转换和信任边界，即模型只能建议状态转换，但不能执行，所有凭证、权限和隔离都在智能层之外的可信服务中执行，最终构建了超越12要素方法的云原生基线。
- 提出“最小充分机制”原则，强调在采用复杂AI智能体前优先使用最经济、可解释的解决方案。
- 提供了一个七层智能选择矩阵：从确定性代码到人类决策，覆盖了固定策略、优化算法、经典ML、RAG、基础模型和智能体工作流。
- 要求使用“智能选择记录”模板来记录路由决策，必须包含被拒绝的更简单方案及其不充分的测量原因。
- 混合智能系统蓝图采用串行为默认逻辑，仅在有约束要求时才引入并行或多智能体循环。
- 在系统架构上严格分离关注点，明确基础模型或智能体不能直接执行状态转换，必须由领域模型和确定性策略控制。
- 在信任边界设计中强调身份、隔离和关注点分离，将凭证和权限保存在智能层下方的可信服务中。
- 提出超越12要素的云原生基线，将标准软件工程严谨性应用于AI组件，包括依赖固定、无状态、并发控制和遥测等。
在 AI 工程化如火如荼的今天，大量团队急于拥抱“智能体”范式，却忽视了最基础的工程经济学问题。这篇文章是 FDE 知识库中的精华，它提出的“最小充分机制”原则直击行业痛点——不要用造火箭的预算解决自行车能完成的事。其七层智能选择矩阵是一个可以直接落地的决策框架，而强制记录拒绝理由的“智能选择记录”则是对工程师决策严谨性的硬性约束。这不仅仅是一篇技术指南，更是一份关于如何在生产环境中负责任地使用 AI 的哲学宣言。我推荐给每一位正在构建 AI 产品的架构师和资深工程师阅读，它能帮你省下可能被浪费的数万美元的推理成本。
提出“最小充分机制”原则，强调在采用复杂AI智能体前优先使用最经济、可解释的解决方案。
—— 络石智能编辑部 · Editor's Pick智能选择与机制设计
智能选择与机制设计 Copy link to header
Forward Deployed Engineer（FDE）的核心哲学是，Agent是操作软件系统中的组件，而非系统库。生产级AI需要明确的边界、数据契约和交付纪律，与任何云原生工作负载等同。
本页详细阐述了最小充分机制原则：在默认采用复杂的智能体循环之前，选择最经济且可解释的方法来实现业务目标。
最小充分机制原则 Copy link to header
工程师不应问“在哪里使用大语言模型（LLM）”，而必须问“什么机制能安全且经济地做出特定决策”。单个工作流通常组合多种机制。
选择矩阵 Copy link to header
| 决策形态 | 默认机制 | 用例 | 所需护栏 | | --- | --- | --- | --- | | 固定策略、计算或验证 | 确定性代码 | 已知输入和分支 | 测试和策略所有权 | | 调度、路由或规划 | 优化算法 | 明确的目标/约束 | 可行性检查和回退 | | 预测、排序或欺诈信号 | 经典机器学习 | 存在已标注证据 | 漂移监控 | | 语义查找 | 检索（RAG） | 依赖于受管内容 | 来源和引用 | | 非结构化解释 | 基础模型 | 语言/图像模糊性 | 类型化输出和人工升级 | | 开放式多步协调 | 智能体工作流 | 路径基于反馈变化 | 工具上限和停止规则 | | 高风险判断 | 人工决策 | 系统无法验证 | 审查面和问责制 |
来源：library/12-software-architecture-and-intelligence-selection.md 13-21
智能选择记录 Copy link to header
每次重大路由选择都必须使用 intelligence-selection-record.md 模板记录。该记录要求说明被拒绝的较简单替代方案以及被判定为不足的测量原因。
混合智能系统蓝图 Copy link to header
hybrid-intelligence-system.md 蓝图定义了如何将这些机制编排到单个工作流中。默认采用串行路径；只有在约束条件证成时，才添加并行或多智能体循环。
系统架构与数据流 Copy link to header
下图将混合系统的逻辑流程映射到代码库中定义的架构组件。
混合智能数据流
来源：library/12-software-architecture-and-intelligence-selection.md 66-79 blueprints/hybrid-intelligence-system.md 7-18 library/08-agent-systems-mind-map.md 96
组件职责 Copy link to header
- 工作流编排器：负责持久状态、预算和路由。它不能绕过策略。
- 确定性策略：在模型生成之外应用业务不变性。
- 工具与效果网关：在外部系统中执行变更。它强制实施身份、租户隔离和回读验证。
- 操作本体：负责业务对象、状态转换和允许操作的定义。
状态转换与信任边界 Copy link to header
基础模型或智能体可以建议状态转换，但不能引发状态转换；域模型和确定性策略拥有状态机。
状态转换逻辑
来源：blueprints/hybrid-intelligence-system.md 35-40 library/12-software-architecture-and-intelligence-selection.md 31
- 身份：将凭据和权限保存在智能层下方的可信服务中。
- 隔离：在具有显式出口控制的受限环境中运行代码执行和数据转换。
- 关注点分离：将评估数据和发布审批者保持在被测量系统之外。
云原生基线（超越12-Factor） Copy link to header
FDE解决方案建立在云原生基线之上，将标准软件工程严谨性应用于AI组件。
| 因子 | FDE实现 | | --- | --- | | 依赖 | 固定构建、SBOM和兼容性测试 | | 无状态性 | 持久工作流状态保持在模型内存之外 | | 并发 | 有界并行性和幂等性租约 | | 遥测 | 路由级质量、成本和价值归因 | | 认证/授权 | 在操作边界实施最小权限 |
Tags
Related Topics
Expert Comment
This article is curated by the editorial team from public sources for reference only.