步骤1：明确应用场景、目标与验收指标
这个步骤，我们主要聚焦于需求层面，形成基于场景到业务闭环的链路，该链路应该包含：输入→处理→输出→验收。在此基础之上，需可量化明确验收指标。下面具体包含以下要做的要点。
要点
要点1：明确目标用户，梳理核心用户需求，整理出关键用例（需包含输入格式、处理、输出格式和预期收益），进行优先级排序，最终可以形成用户×场景×用例的矩阵。并且针对每个用例，需要明确哪些是AI范围，哪些是人工范围（例如哪些步骤是需要人工进行确认或审批等）。
要点2：明确验收标准，给出可量化的目标值与阈值范围，这里一般分为业务KPI和AI指标两个层面。例如系统可用性、自动化率、生成结果准确性、幻觉率、工具调用成功率等。
要点3：明确项目整体成本，梳理成本项分解清单，例如推理成本（Token消耗）、存储与检索成本、后期监控与运维开销等，最后需形成单任务成本上限与降级策略，进行合理估算，同时评估项目风险。
产出
产出1：《智能体应用场景说明书》，明确智能体需要做什么、为谁做、智能体边界在哪等内容，其中一定需包含用户×场景×用例的矩阵。
产出2：《智能体验收标准》，明确智能体的评估维度、量化标准与验收口径，为后续的评估体系设计提供直接依据。
产出3：《成本项分解清单》，评估项目整体经济层面可行性与资源消耗上限，并进行合理的估算和风险评估。
步骤2：明确关键干系人、任务边界与数据来源
基于上一步骤梳理出来的需求，在这个步骤，我们需要初步探寻该如何推进的问题。主要是在项目推进前期，我们需要明确，都有哪些部门的哪些人参与，各环节的负责人是谁，各自负责的边界在哪，谁可以提供什么样的数据，如何可以把数据流串起来等。这一阶段我个人感觉是非常重要的，但往往容易被人所忽视，因为跨部门协作和明确的责任划分，有助于项目健康的推进，否则会产生很多因“人”导致的各种问题，例如职责不清、数据不可用、权限不符等各类问题。
要点
要点1：识别关键干系人（负责人）和各部门负责任务的责任边界，例如各部门需明确各自负责的每个任务输入、输出和接口规范等，最后需形成任务确认单。同时还需协商建立合理的协作机制，例如大家日常沟通用什么，定例会如何开，文档如何管理等。
要点2：依据识别出来的智能体所需数据，明确这些数据应该从哪些关键干系人处获得，并初步对数据进行盘点（例如判断数据格式、数据的可用性、合规性、隐私性等）。
产出
产出1：《任务责任确认单》，明确项目中各关键干系人的职责范围、任务内容、输入输出与交付标准，避免后期因职责不清所导致的问题。
产出2：《项目协作机制与沟通规范》，顾名思义，就是明确项目中协作机制与沟通方式。
产出3：《数据资产盘点报告》，在现阶段只能进行一个初步的数据资产盘点，例如明确数据的来源、格式、合规性、可用性及责任人等，为后期RAG知识库的建立、模型的训练、数据接入等提供参考。
总结：这个阶段我们的目标，主要是需要明确业务背景、应用场景、预期目标、验收标准等，并且需要明确相关的干系人、任务边界与数据来源。其产出，可支撑后续的三个阶段，尤其对体系架构与模块设计阶段提供了重要依据。
步骤1：整体架构设计
在这个步骤中，我们需要完成对智能体系统的整体架构规划，其中包含了但不限于从以下各方面对智能体整体进行架构设计：智能体Infra设计、智能体间协同设计、模型训练与优化方案（非必需，看业务需求）、RAG知识库构建方案、智能体测试与评估体系方案、整体的可观测性与持续进化设计等。（这里只说跟AI相关架构设计部分，传统的工程化相关内容在此处未进行说明，但正常设计架构时需要有）
要点
要点1：智能体基础设施（Infra）设计，设计并构建支撑智能体运行的底层基础设施。注意，在这个阶段除了进行设计之外，还需要进行落地，打通关键流程，否则后续的PoC步骤无法开展。
要点2：智能体间协同设计，对智能体间、智能体与工具间的协作方式与通信机制进行设计，构建多智能体协同框架。（企业级智能体往往是由多智能体组成的智能体系统，所以这部分需要进行整体的架构设计）。
要点3：模型训练与优化方案，这部分非必需，并不是所有的业务场景，都需要对模型进行训练或微调，能用RAG知识库方式解决，就不要走模型训练这步。这一步，需要我们对模型训练环节进行整体设计，其中包含了模型训练数据、模型训练微调、模型评估与优化等环节。
要点4：RAG知识库构建方案，这一步很好理解，不同于模型训练环节，企业级智能体一定会用到基于RAG知识库的构建，所以这一步，就是对企业级知识增强（RAG）的体系结构与数据治理流程进行设计。
要点5：智能体测试与评估体系设计，基于需求阶段的验收标准，我们需要对智能体的测试和评估体系进行设计，其中会包含自动化与人工评测体系。
要点6：整体的可观测性与持续进化设计，这一步也很好理解，智能体上线后，需要具备“监控—分析—优化”的闭环机制，使智能体具备自我评估与演进能力。
产出
产出1：《智能体基础设施（Infra）实施方案》，其中需包含整体Infra的设计实施方案与费用信息。
产出2：《智能体整体架构方案》，其中需包含智能体系统整体的架构设计，包含所用到的中间件、存储服务和智能体间交互等内容。
产出3：《模型训练方案》，需包含微调模型时，从数据-微调-评估-优化整体的闭环可持续训练方案（可参照MLOps+LLMOps理念设计）。
产出4：《RAG知识库构建方案》，结合项目中数据资产，合理的设计构建基于RAG的知识库方案。
产出5：《智能体评测方案》，基于自动+人工相结合，设计智能体测试与评估方案。
产出6：《智能体可观测性与持续进化方案》，定义智能体上线后的全链路监控与自我演进机制，使系统具备“监控—分析—优化”的持续成长能力。
以上很多技术落地上，可以之前写的参照文章《万字长文解读AI原生（AI Native）应用架构新范式，架构师迎接的下一场科技革命》。
步骤2：技术难点PoC可行性验证
在上一步，我们完成了整体架构的设计，而在这一步骤中，我们需要对架构中存在高风险或不确定性的关键技术点进行PoC可行性验证，这样可以确保后续核心模块设计和开发能够在可控范围内顺利进行，降低项目风险。如果要是PoC验证过程中有哪些技术点行不通，需及时调整相关架构方案。注意，这一阶段PoC的重点并不是“功能跑通”，而是验证关键假设、量化风险与成本，最后产出决策依据。
当然，这个阶段还有一种PoC，是用最小的代价，最快的速度构建出一套可以跑通有核心业务流程的智能体，要是有精力可以把这个做了更好。
步骤3：核心模块设计与落地
在完成整体架构规划和PoC验证后，这一步骤，我们需要基于整体的架构设计蓝图，去细化一些核心技术模块和并进行技术落地，封装成可调用的公共组件或模块。例如对AI网关、安全模块、上下文与记忆模块、RAG知识库模块等进行细化设计与落地。举个例子，在这个阶段，我们可以细化RAG知识库模块，在不同场景下（提前需分析出有哪些不同类型），用什么方式进行Chunk、Embedding模型用什么、召回算法用什么、需不需要用ReRank、缓存策略怎么做等。对应的产出，需形成各类核心技术模块的《技术落地方案》说明文档集，为后续的具体业务开发调用和测试提供基础。
步骤1：智能体业务详细设计
因为业务与技术难题在前两个阶段都解决了，所以到了该步骤，就是专注于详细的业务设计。需要把一个大的智能体系统，拆分成各个子智能体（或子业务功能），并行对每一个子智能体进行设计，设计的内容应包含每个子智能体的业务目标、关键实现流程、输入与输出、边界与协作方式，每个子智能体都是可以进行MVP落地与可快速验证。
要点
要点1：MVP切片，基于价值和可行性的划分准则，拆分成可独立验证的子智能体，拆分后，需要对每个子智能体进行优先级排序。
要点2：对每个子智能体进行详细设计（依据项目需要，建议概要设计即可，但是肯定是越详细越好），其中应包含每个子智能体的核心工作流与业务逻辑设计，其中尤其要重点关注每个子智能体的输入与输出。
要点3：为每个可验证的MVP子智能体设定验收指标。
要点4：除具体业务外，别忘了一些公共功能的接入设计，如日志埋点等。
产出
产出1：各可进行MVP验证的子智能体《详细设计》与验收指标。
产出2：智能体系统整体的《详细设计》与验收指标。
步骤2：智能体落地
这一步需要做的，就是对每个子智能体进行落地与持续优化，要保证每个子智能体的可用性和稳定性。所以需要做的事也很清晰，就是参照上一步骤的详细设计文档，对子智能体进行开发和功能测试（测试数据这个阶段都是开发人员自己造，并且都是人工测试，暂不涉及自动化测试），并参照各个子智能体的验收指标，对测试结果进行评估，持续进行子智能体的优化。整体形成“开发→验证→优化→再验证”的闭环。这一阶段的产出，主要是各个子智能体的《运行验证报告》。
步骤3：智能体系统评估 & 改善
上一步的验证，我们重点关注的是每个子智能体的可用性，那么本步骤则聚焦于智能体系统的整体表现。
要点
要点1：建立评估体系，这里需包含自动化评测与人工评测两部分，形成综合的质量评估框架。
要点2：执行评估系统，参照制定的智能体系统整体的指标（一般分为业务指标与AI指标），对系统进行评估。评估时除了系统表面的输入输出，还需结合系统背后的日志与埋点数据（例如模型调用日志、知识检索命中率、失败场景等数据），并通过构建的可视化评估看板，进行分析，识别根因，持续进行系统优化。
步骤1：构建持续可观测性与自评测体系
在之前的步骤中，其实已经建立了初步的评测体系，但与之前不同的是，在生产环境下，我们的重点要放在构建可持续的，长期在线、持续感知、自动反馈的智能监控与自评体系，更进了一步。在这个体系中，我们要做的不再是单次评测，而是要把这种持续评测能力融入系统自身。
要点
要点1：构建持续可观测性，将日志、调用链、性能指标、成本指标、AI指标等全部纳入统一监控体系中，例如每个模型调用、RAG检索、知识召回、工具执行都能被追踪；每次异常、延迟都能被实时感知到；每个子智能体都有独立的健康评分等。
要点2：系统会自动执行周期性的质量检测任务，当监测到系统运行指标出现异常时，例如延迟升高、准确率下降、成本异常增长等，系统会自动触发告警机制，并根据之前预设置的一些策略，例如降级模型、切换RAG缓存等，实现自我修复。
步骤2：发布治理与持续演进
当智能体系统具备了自我监控与自评测能力后，下一步要解决的问题，就是如何让它在可控的前提下不断演化。
关于发布治理层面不过多解释，和传统系统一样，构建标准化的版本管理发布体系即可，除了传统的CI/CD流程外，这里还需要再融入LLMOps/MLOps部分。
而关于持续演进层面，关键在于让智能体系统通过数据驱动的方式不断自我成长，这里就需要我们可以收集到用户的反馈（例如用户对于生成内容的点赞操作等），再结合日常收集到的运行日志，让AI自动生成优化任务，并推入演进流水线执行，例如自动调整召回参数，微调模型或Prompt等。但是这一步不推荐完全自动化，针对AI自动生成的优化任务需要人工介入进行判断审核。
总结：这一阶段的核心，是为了确保系统的长期健康和不断优化，从人工逐渐演化为自动化监控和自评测机制，保证业务运行的稳定性和可持续性。
------
以上，我们主要从4大阶段、10个步骤，剖析了构建智能体的流程。但是不同的业务需求，不同的智能体规模，不同的组织文化，所采取构建智能体的策略是不同的，所以上面的内容仅供参考，希望对大家有所启发。
