Agent开发与后台开发的核心差异，从规则驱动到观察循环的工程范式迁移

当一名资深后台开发者初次接触Agent开发时，常会感到熟悉：接收请求、查资料、调用接口、保存结果、返回响应——流程看似与传统业务系统一致。若仅看单次交互，确实如此。但真正的分水岭出现在运行过程中：下一步做什么，不再完全由代码预设，而可能由模型基于实时观察临时决定。这一转变，使Agent工程成为在稳固后台架构之上，接纳一个具有语义不确定性的动态决策层。

图1清晰呈现了两种范式的根本差异。左侧“规则驱动路径”依赖业务规则明确分支、异步与恢复逻辑；右侧“观察驱动的Agent回路”则以“模型提出下一步→宿主检查动作权限与预算→工具执行并回传真实结果→新观察触发再决策”为闭环。关键在于：模型负责提议，系统负责把关。例如，模型可能建议“读取第5页补充数据”，但宿主必须校验该页是否在授权范围内、参数是否越界、资源是否充足。一次调用失败后，是重试、补偿还是转人工，也需依据接口语义与上下文综合判断，而非简单按错误码跳转。

这种结构并非凭空出现。主流Agent框架如Claude Agent SDK、OpenAI Agents SDK和LangGraph已封装基础循环机制，开发者无需从零构建观察-执行-反馈链路。以公开教学项目Open ETF Agent v0.19.0（2026年11月3日核对版）为例，其核心流程即为典型观察循环：模型可提议读取某页、执行计算或保存报告；工具宿主则负责检查文档范围、记录实际派发与结果，并确保“模型声称已保存”与“系统留下可回读文件回执”二者证据一致——前者是语言幻觉风险点，后者是工程可靠性基石。

更深层的挑战来自任务的时间维度。后台系统通常以“请求-响应”为单位完成事务，而Agent任务可能持续数小时甚至数天，涉及多次模型调用、人工介入与状态延续。图2展示了“一项任务，三种时间尺度”的设计视角：长期目标需保留方向与限制，允许跨多次Run；单次Run则聚焦本轮有限上下文，执行后可重新构造；成果需独立保存以便后续复读，且触发条件必须精准——停机后恢复不应依赖模型常驻内存。

这意味着工程设计必须处理三类状态：业务对象与流程进度（如“报告生成中”）、模型输入/提案/原始结果（用于追溯与调试）、以及用户可感知的交付物（如PDF报告）。当用户隔日追问“昨天那份基金对比报告为何结论不同”，系统需能区分：是模型依据新摘要调整了推理路径，还是因记忆版本更新导致建议偏移。这引出第三个关键差异：记忆的版本化与授权边界管理。

图3揭示了个性化与事实更新的平衡机制。Agent的记忆并非静态缓存，而是分层结构：有“偏好与有来源观察”（保留出处与确认状态）、“有版本的记忆”（标注作用域与当前有效性）、以及“当前上下文”（仅限本轮相关事实）。重要原则是：记忆影响建议与表达，但不会自行成为新的授权。例如，用户曾说“偏好用年化收益率”，此偏好可指导模型表述，但不能绕过权限校验直接调用未授权的财务API。若后续输入删除旧事实，系统还需主动使依赖旧版本的摘要失效，避免“记忆污染”。

工具设计亦随之重构。传统API契约面向确定性程序，而Agent调用工具时需通过名称、参数说明与返回格式推断用途。一个名为query的万能接口，若不明确限定资源范围、分页逻辑与失败语义，极易引发模型误判。相比之下，“读取已授权文档的某一页”这类具名工具，配合返回版本号、页码与完整性标识，显著提升可核查性。Open ETF Agent中read_result工具即体现此思想：它不仅返回文本，还附带元数据，使后续步骤能验证数据来源可靠性。

成本控制同样复杂化。后台系统成本主要来自请求量与资源配额；Agent系统则叠加了搜索、摘要、子任务拆解与人工复核等隐性开销。一次看似简单的“生成报告”请求，可能触发三次文档检索、两次交叉验证计算与一次人工审核，累计成本远超预期。工程上需在请求入口、队列调度与工具调用层设置多级熔断与预算约束，防止模型“探索欲”失控。

值得注意的是，Agent与后台并非对立体系。工作流引擎早已支持动态分支与长期任务，Agent完全可嵌入固定流程中作为智能决策模块。变化的本质在于：部分控制权从代码移交至模型，而模型的判断依据本身处于持续演化中。开发者角色因此扩展——不仅要写逻辑，还要设计观察边界、定义拒绝出口、构建可解释的中断机制，并确保每次行动“有范围、可中断、能取得”。

在私有研究应用中，团队已实践异步交付、人工回复介入、记忆消费与每日复读等模式。成功案例显示：当模型提议动作被严格校验、历史状态版本可控、且用户反馈闭环及时时，Agent能有效辅助复杂分析；反例则多源于授权模糊、记忆未隔离或成本无监控——例如模型反复调用同一工具补全缺失字段，却未意识到原始文档本就存在口径矛盾，最终产出“流畅但错误”的结论。

这些经验指向一个共识：Agent工程不是“用LLM替代程序员”，而是构建一种新型人机协作基础设施。它继承后台开发的严谨性与可观测性，同时为语义不确定性预留弹性空间。正如Open ETF Agent所示范的，最小可行Agent即是一个受控观察循环，真正的难点不在循环本身，而在循环之外的交接设计、状态持久化与长期一致性保障。

随着Claude Code、Codex等实际产品落地，此类工程实践正从教学场景走向生产环境。对开发者而言，理解规则驱动与观察驱动的范式迁移，比掌握某个SDK语法更为关键。毕竟，当模型开始“自己想下一步”时，系统的责任不是放任，而是为其划定安全、可溯、可控的探索疆域。