照着 Claude Code 的架构做业务 Agent为什么越做越复杂问题不在框架而在于两类 Agent 解决的是完全不同的问题。过去一年Agent 几乎成为了 AI 应用最热门的话题。从 ReAct、Function Calling到 MCP、Skills、Memory各种 Agent Framework 层出不穷。很多企业开始做自己的 Agent 时也会直接参考 Claude、Cursor、Devin、OpenAI SDK 等产品的架构。但随着项目深入很多团队都会发现一个现象为什么照着 Claude Code 的架构做业务却越来越复杂问题并不在于框架。而在于很多人忽略了一件事情开放式 AgentOpen-domain Agent和垂类 AgentVertical Agent本质上解决的是两类完全不同的问题。开放式 Agent探索未知先来看 Claude Code、Cursor、Devin 这类开放式 Agent。假设用户提出这样一个需求帮我定位这个项目为什么启动失败。对于模型来说下一步应该做什么它并不知道。可能需要阅读 README查看配置文件搜索日志查找依赖版本执行 Shell 命令修改代码再次运行测试整个执行过程充满不确定性。模型需要根据每一步得到的新信息不断重新规划下一步动作。因此它们通常采用类似下面的架构User │ ▼ Planner │ ▼ Skill Selection │ ▼ Tool Calling │ ▼ Observation │ ▼ 重新规划Planner 是整个系统的大脑。垂类 Agent执行确定业务流程再来看企业里的垂类 Agent。例如电商客服。用户说我的订单什么时候发货模型需要思考吗其实不需要。真正需要的是查询订单判断订单状态判断是否已经出库判断物流信息是否存在整个业务流程几乎都是确定的。模型真正负责的只有理解用户表达调用正确能力组织自然语言回复真正决定答案的是业务系统而不是模型推理。再例如企业知识库 Agent。用户说公司今年还有多少年假真正需要的是查询用户身份查询 HR 系统查询最新假期规则不是让模型根据经验回答。再比如企业报销 Agent。用户说我昨天打车能报销吗真正需要的是查询报销制度查询员工部门查询预算状态查询订单信息整个流程都是确定性的业务规则。而是连接业务系统执行业务流程。两类 Agent最大的区别在哪里很多文章把区别理解为一个 Tool 多一个 Tool 少其实不是。真正的区别在于系统究竟是谁在控制流程。开放式 AgentLLM 决定下一步应该做什么。垂类 Agent业务系统决定下一步应该做什么。这是两种完全不同的控制模式。为什么很多企业 Agent 越做越复杂因为很多团队把开放式 Agent 的 Planner直接搬到了企业业务里。例如用户问题 │ ▼ Planner │ ▼ Planner 判断调用哪个 Tool │ ▼ Planner 再决定下一步看起来很智能。实际上大量决策本来就是确定性的。例如用户是否登录是否有权限是否有订单是否已经付款是否已经退款是否已经审批这些根本不需要模型推理。程序查询即可。如果全部交给 Planner不但增加 Token 消耗还会增加系统的不确定性。企业 Agent 更应该关注 Business State在企业 Agent 中真正重要的是业务状态Business State。例如一个售后 Agent。用户说我的退款怎么还没到账真正决定回答内容的是退款申请 │ ▼ 审核状态 │ ▼ 支付渠道 │ ▼ 银行到账状态模型并不会创造新的事实。它只是根据业务状态把结果解释给用户。因此企业 Agent 更应该围绕业务状态设计而不是围绕 Planner 设计。我更推荐企业 Agent 的架构相比经典的 Planner我更推荐下面这种分层。User Query │ ▼ Intent SlotLLM │ ▼ Business Resolver │ ▼ Capability Router │ ▼ Dynamic Skills │ ▼ LLM Response这里每一层职责都非常明确。Intent负责理解用户想表达什么。Business Resolver负责查询所有确定性业务事实。例如数据库CRMERPHR工单系统权限系统Capability Router根据业务状态决定需要哪些能力。例如查询订单查询物流查询退款查询知识库Dynamic Skills动态加载对应业务知识。例如售后规则财务制度HR 政策商品知识最后再交给模型组织自然语言回复。Skill并不是 Prompt 的别名最近 Anthropic 提出了 Skills 的概念。很多人理解成Skill Prompt。我认为这种理解并不完整。Skill 更准确的定义应该是完成某一类业务能力所需要的知识和约束。例如退款查询是一种能力。物流查询是一种能力。合同解读也是一种能力。一个用户请求往往需要多个能力共同完成。因此Skill 更适合作为能力模块Capability Module而不是简单地与 Intent 一一对应。LLM 应该负责什么很多团队希望Planner 越复杂越智能。但企业 Agent 落地以后会发现真正稳定的系统反而越来越少让 LLM 参与业务决策。LLM 更适合负责理解自然语言理解上下文组织最终回复处理开放问题程序更适合负责查询业务数据判断业务状态权限校验Tool 路由Skill 加载工作流编排两者各司其职整个系统反而更稳定。写在最后开放式 Agent 与垂类 Agent并不是能力强弱的区别。它们最大的不同在于开放式 Agent 面向未知任务。因此需要不断探索、规划和试错。而垂类 Agent 面向的是确定性的业务流程。真正决定流程的不是模型而是业务状态。未来企业 Agent 的竞争未必是谁拥有更复杂的 Planner。更重要的是如何把业务知识、业务状态、能力编排和模型生成彻底解耦让每一层只做自己最擅长的事情。这或许才是企业级 Agent 能够稳定落地、长期演进的关键。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】