本文深入探讨了开放式Agent与垂类Agent的区别指出照搬Claude Code架构导致业务复杂的原因在于忽略了两类Agent解决的本质问题。开放式Agent侧重探索未知需要不断规划而垂类Agent面向确定业务流程应围绕业务状态设计。推荐企业Agent架构分层明确各层职责实现业务知识、状态、能力编排与模型生成的解耦从而提升系统稳定性与长期演进能力。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 │ ▼ 重新规划整个 Agent 的核心能力是探索Exploration。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。可以发现这类 Agent 的核心并不是探索。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。最后最近两年互联网招人逻辑完全换了赛道只会写基础业务代码、天天做CRUD的传统开发岗位越来越少能落地AI大模型、帮公司做业务智能化的技术人成了各大大厂抢着要的香饽饽。2026年春招市场大模型相关岗位直接稳居招聘第一位AI相关岗位数量同比暴涨8.7倍在所有新经济岗位里占比从2.78%飙升到22.03%简单说10个技术岗2个都是AI大模型岗。头部大厂2026春招全员押注AI传统岗位持续缩编字节春招总共放出7000个名额研发岗480070%名额全部倾斜AI开发、AI产品人才缺口巨大腾讯春招扩招1万人技术岗扩招36%、产品岗扩招39%扩招核心全是大模型方向华为全年持续开放AI实习岗覆盖全赛道底层算力基建、大模型应用开发、LLM工程师、AI数据安全隐私等数据来源脉脉侵删不管你是写了多年代码的老程序员、刚入行的初级开发还是零基础想转行跨进互联网的普通人现在几乎所有企业招人都把 “会大模型落地” 当成硬性加分项。只会传统开发未来只会面临裁员、降薪、岗位缩减主动学大模型才能躲开内卷抓住持续多年的高薪风口。别等行业淘汰再补救现在入局正是红利期今天贴心为大家准备好了一系列AI大模型资源包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。有需要的小伙伴可以点击下方链接免费领取【保证100%免费】1、学习路线图2、视频教程网上虽然也有很多的学习资源但基本上都残缺不全的这是我自己整理的大模型视频教程上面路线图的每一个知识点我都有配套的视频讲解。都打包成一块的了不能一一展开总共300多集3、技术文档和电子书这里主要整理了大模型相关PDF书籍、行业报告、文档有几百本都是目前行业最新的。4、LLM面试题和面经合集这里主要整理了行业目前最新的大模型面试题和各种大厂offer面经合集。5、大模型项目实战配套源码学以致用在项目实战中检验和巩固你所学到的知识同时为你找工作就业和职业发展打下坚实的基础。6、大模型大厂面试真题面试不仅是技术的较量更需要充分的准备。在你已经掌握了大模型技术之后就需要开始准备面试我精心整理了一份大模型面试题库涵盖当前面试中可能遇到的各种技术问题让你在面试中游刃有余。以上资料如何领取为什么大家都在学大模型最近科技巨头英特尔宣布裁员2万人传统岗位不断缩减但AI相关技术岗疯狂扩招有3-5年经验大厂薪资就能给到50K*20薪不出1年“有AI项目经验”将成为投递简历的门槛。风口之下与其像“温水煮青蛙”一样坐等被行业淘汰不如先人一步掌握AI大模型原理应用技术项目实操经验“顺风”翻盘这些资料真的有用吗这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理现任上海殷泊信息科技CEO其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证服务航天科工、国家电网等1000企业以第一作者在IEEE Transactions发表论文50篇获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的技术人员这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。以上全套大模型资料如何领取