agentic-ai-developer

Agentic AI 开发者

适用场景

• 使用工具实现 Agent 循环：规划 → 执行 → 观察 → 停止
• 设计工具/MCP 架构、身份验证、超时和沙箱边界
• 构建包含路由、交接和扇出/扇入的多 Agent 工作流
• 持久化 Agent 状态、检查点、线程记忆和恢复语义
• 为高风险工具调用添加人在回路的审批、编辑或拒绝关卡
• 加固 Agent：重试、幂等键、取消和预算上限
• 为调试和评估记录跟踪、跨度和轨迹日志
• 在发布前运行轨迹评估、黄金测试集和回归关卡
• 通过 API、队列工作进程或持久化工作流引擎交付 Agent 应用

不适用场景

• 训练或微调基础模型、经典机器学习流水线 → ai-engineer、ai-researcher
• AI 运维节奏、供应商合同、没有实现工作的发布治理 → ai-lead-ops
• 内部开发者平台、黄金路径、Backstage——没有 Agent 运行时 → platform-engineer
• 没有 Agent 循环、工具或编排的通用服务/API 工作 → senior-software-engineer
• 仅进行对抗性红队行动和越狱测试框架 → ai-redteam
• 没有构建工作的企业 AI 政策、风险分级、模型卡 → ai-risk-governance
• 不涉及构建的预检架构或生产就绪性审查 → build-validator
• 在架构/工程深度上处理多 Agent 系统拓扑、路由、协议和集群级故障 → multi-agent-system-engineer
• 不涉及实现的高层多 Agent 白板讨论 → agent-designer（外部技能；可在概念层面使用）

相关技能

需求	技能
更广泛的大模型应用、RAG、模型路由、成本/延迟	ai-engineer
AI 生产运维、事件、发布关卡	ai-lead-ops
平台黄金路径、IDP、开发者门户	platform-engineer
不专注于 Agent 的服务设计、API、代码质量	senior-software-engineer
提示词注入、工具滥用、安全评估活动	ai-redteam
治理、风险等级、政策映射	ai-risk-governance
是否继续/停止的计划或架构验证	build-validator
持久化记忆存储和检索设计	ai-memory-developer
上下文打包和令牌预算	ai-context-engineer
提示词模板和评审标准	prompt-engineer
多 Agent 系统拓扑、路由、DAG、集群可观测性	multi-agent-system-engineer
不涉及代码的多 Agent 白板讨论（概念层面）	agent-designer（外部）

核心工作流

1. 明确 Agent 运行时

1. 定义用户任务、成功指标和停止条件
2. 选择运行时形态：单循环、监督者 + 工作 Agent，或图/DAG
3. 列出工具/MCP 服务；区分读取、写入和不可逆操作
4. 设置预算：每次会话的最大步数、令牌数、运行时间和成本
5. 决定检查点/恢复方案和租户隔离（thread_id、org_id）

有关范围边界和交付物，请参阅 references/agentic_ai_developer_scope.md。

2. 实现循环 + 工具

receive task → plan (optional) → select tool → execute → observe → repeat | finalize

检查清单：

• 工具架构应精简；描述中应说明何时不应调用
• 对副作用设置超时、重试和幂等性
• 错误只向模型呈现一次；不应无限重试
• 工具结果或跟踪信息中绝不返回机密

有关 MCP 和架构模式，请参阅 references/agent_loop_tools_and_mcp.md。

3. 编排多个 Agent

• 分配角色：规划者、执行者、评审者、专家
• 交接载荷：目标、约束、工件、待解决问题
• 除非操作具有幂等性，否则避免重复访问工具；集中管理危险工具
• 使用扇出/扇入并行开展研究；通过结构化归约器合并结果

有关路由和交接契约，请参阅 references/multi_agent_orchestration_and_handoffs.md。有关系统级拓扑、扇入策略和跨 Agent 故障矩阵，请使用 multi-agent-system-engineer。

4. 状态、记忆和 HITL

• 区分临时草稿区、持久化线程状态和长期记忆
• 在每批工具调用或子图节点后创建检查点，以便恢复
• 对 2 级及以上操作启用 HITL：批准、编辑参数，或拒绝并说明原因
• 为停滞的人为审批设置超时；超时后默认拒绝

检查 references/state_memory_and_hitl.md，了解检查点和审批模式。

5. 可靠性、可观测性和评估

• 跟踪信息：session_id、每个模型/工具步骤的 span，以及已脱敏的输入/输出
• 指标：成功率、完成所需步骤数、工具错误率、p95 延迟、成本
• 评估：黄金轨迹、工具调用正确性、任务成功率（由人工或评判器评估）
• 根据回归测试套件把关发布；对新的提示词/图版本进行金丝雀发布

检查 references/reliability_observability_and_evaluation.md，了解评估和 SLO 模式。

6. 安全和生产部署

• 在沙箱中执行工具；为每个工具配置最小权限凭证
• 将工具结果和检索到的文档视为不可信输入（注意防范注入）
• 部署：短任务使用同步 API；长时间运行的任务使用队列或持久化工作流
• 使用紧急停止开关、功能标志以及带版本的提示词/图定义

检查 references/security_and_production_deployment.md，了解部署拓扑。

何时加载参考资料

主题	参考资料
角色范围、交付物、边界	references/agentic_ai_developer_scope.md
Agent 循环、工具、MCP	references/agent_loop_tools_and_mcp.md
多 Agent 路由和交接	references/multi_agent_orchestration_and_handoffs.md
状态、记忆、检查点、HITL	references/state_memory_and_hitl.md
重试、跟踪、轨迹评估	references/reliability_observability_and_evaluation.md
沙箱、注入、部署	references/security_and_production_deployment.md

框架参考（可选）

使用框架文档了解 API 细节；本技能优先介绍模式：

模式	常见实现位置
有状态图、中断、检查点	LangGraph 风格的图
子 Agent、文件系统记忆、HITL 中间件	Deep Agents 风格的框架
以编程方式运行的云端/本地 Agent、CI 中的 MCP	Cursor SDK 风格的 Agent

不要重复完整的框架教程——在团队选择的技术栈中实现上述约定。