Agent Architecture Patterns

MCPAI代理

提供方 jaredtribe

AI代理 未标注 会话登录 社区 / 第三方

一份关于构建健壮AI代理系统的实用指南,涵盖代码模式、MCP集成、模块化提示架构、内存层和多代理协调等技术。

一句话选型结论

按资料字段整理

Agent Architecture Patterns 属于AI代理类 MCP 服务器,传输方式未标注,会话登录,没有现成安装命令,需按官方文档接入。接入前先确认权限范围;涉及写入、删除或付款的操作,建议先在测试环境验证。

分类AI代理 传输方式未标注 鉴权会话登录 部署方式未标注
GitHub 星标 1 仓库热度,无公开仓库时显示未标注
工具数 未标注 暴露给模型的工具数量
资源 / 提示词 0 / 0 资源与提示词模板数量
维护方 社区 / 第三方 核验等级 仅资料核对

工具与能力

AI代理
数量来自来源目录的标注,具体工具清单以官方文档为准
工具数量未标注暴露给模型可调用的工具个数
资源数量0可读取的资源条目
提示词数量0内置提示词模板数量

能力标签

适用场景

AI代理本地部署系统架构模块化设计内存管理多代理协调

安装与配置

未标注 会话登录
上游未给出传输方式
  1. 1
    准备运行环境

    按官方文档确认运行环境(常见为 Node.js 或 Python),装好后再执行安装命令。

  2. 2
    安装服务

    复制上面的安装命令执行;命令里带占位符的位置,换成自己的密钥或路径。

  3. 3
    写入客户端配置

    在客户端的 MCP 配置里填好启动命令和参数,保存后完全退出客户端再打开,让新配置生效。

  4. 4
    验证是否可用

    连接成功后随便调一个只读工具,确认能返回结果,再接入正式流程。

典型使用场景

3 类
按分类与标签整理的常见用法,具体以官方文档为准
给代理接外部能力

让代理在任务中途调用搜索、数据库等真实工具。

多步任务编排

把一串操作拆成步骤,由代理按顺序执行。

自动化重复流程

把固定流程交给代理跑,减少手工操作。

选择建议

选之前先看这几条
按条目字段给出的判断,不替你决定用不用

值得选的地方

  • 基础信息齐全,可以先按官方文档接入试跑。

先想清楚的地方

  • 没有现成安装命令,需要按官方文档自己填启动命令和参数。
  • 使用前要准备好会话登录对应的凭据,并按最小权限配置。
  • 资料没标注工具数量,实际能力要装好后确认。
  • 版本更新与行为细节以官方仓库为准。

更适合

  • 需要在AI代理场景里让模型直接调用外部能力的人。
  • 想先快速试一下、能接受在本地或自有环境跑服务的人。

不太适合

  • 不方便管理密钥或第三方授权的人。
  • 需要厂商级 SLA 和技术支持的生产环境。

同类对比

6 个同类
同分类里挑最接近的几条,字段以各自详情页为准
MCP 服务器工具数传输方式部署方式安装命令最后核验
Agent Architecture Patterns当前 未标注 未标注 未标注 无 2026-05-17
Filesystem 560c4363 13 未标注 本地部署 无 2026-05-17
Server Everything (everything) 11 stdio · 本地进程 本地部署 有 2026-05-17
Time 7365cb6d 2 SSE · 服务端推送 远程部署 有 2026-05-18
Everything Claude Code 未标注 stdio · 本地进程 本地部署 有 2026-05-17
Openmemory 557e1585 未标注 stdio · 本地进程 本地部署 有 2026-05-17

服务器档案

AI代理
字段来自项目仓库与公开索引,中文说明由本站标注
提供方jaredtribe上游标注的维护方 jaredtribe
分类AI代理本站按上游分类展示
连接方式未标注上游未给出传输方式
鉴权方式会话登录远程服务建议用最小权限凭据
维护方社区 / 第三方核验等级 仅资料核对
包名 / 运行时未标注 · 未标注本地安装时用到的包标识与运行时
部署类型未标注上游给出的部署形态
最近核验2026-05-17上游最后核验时间

详细介绍

14.7 KB
来自项目仓库与上游目录的原文,未做删改

代理架构模式

构建强大AI代理系统的实用指南。除了即时工程,这是代理的系统工程。

Brendan之间的合作 @阿扎巴兹 Jared(Clawdbot人工智能代理)

目录

  1. 代码模式 --令牌高效工具执行
  2. MCP集成 --标准化工具接口
  3. 模块化提示架构 --代理身份关注点分离
  4. 内存层 --上下文、持久性和检索
  5. 多智能体协调 --Swarms、层次结构和审批流

1.代码模式

问题

传统的代理工具调用成本很高。每次工具调用都需要:

  • 上下文中的完整架构
  • 详细的JSON响应
  • 每次操作的往返延迟

对于需要搜索、过滤和处理数据的代理,这会快速消耗令牌。

模式:搜索()+执行()

Cloudflare的代码模式模式将数据密集型操作的令牌减少了99.9%:```
┌─────────────┐ ┌─────────────┐ ┌─────────────┐
│ search() │ ──► │ Filter │ ──► │ execute() │
│ (explore) │ │ (in code) │ │ (act) │
└─────────────┘ └─────────────┘ └─────────────┘


**它是如何工作的:**

1. `search(query)` 返回轻量级引用(ID、名称、元数据)
1. 代理在代码中过滤/选择(不是通过LLM推理)
1. `execute(action, target_ids)` 执行批量操作

**例子:**```python
# Instead of: "Find all users who signed up last week and send them email X"
# Which requires the LLM to see every user record...

# Code Mode approach:
users = search("signups last 7 days")  # Returns IDs + minimal metadata
target_ids = [u.id for u in users if u.plan == "free"]  # Code filtering
execute("send_email", template="welcome", targets=target_ids)  # Bulk action

何时使用:

  • 数据探索(日志、用户、记录)
  • 批量操作
  • 在采取行动之前进行过滤的任何工作流程

关键见解: LLM决定 什么 do,代码句柄 多少 涉及数据。


2.MCP集成

问题

每个代理框架都发明了自己的工具接口。切换提供者意味着重写集成。

模式:模型上下文协议

MCP规范了代理与外部工具和数据源的交互方式:```
┌─────────────┐ ┌─────────────┐ ┌─────────────┐
│ Agent │ ──► │ MCP Layer │ ──► │ Tools │
│ (any) │ │ (standard) │ │ (any) │
└─────────────┘ └─────────────┘ └─────────────┘


**核心概念:**

- **工具**:代理可以调用的函数(使用类型化架构)
- **资源**:代理可以读取的数据(文件、API、数据库)
- **提示**:可重复使用的提示模板

**优点:**

- 编写工具一次,与任何MCP兼容的代理一起使用
- 声明性模式(代理无需探测即可知道功能)
- 内置身份验证/权限处理

**MCP工具定义示例:**```json
{
"name": "github_create_issue",
"description": "Create a new GitHub issue",
"inputSchema": {
"type": "object",
"properties": {
"repo": { "type": "string" },
"title": { "type": "string" },
"body": { "type": "string" }
},
"required": ["repo", "title"]
}
}

何时使用:

  • 构建可重用代理工具
  • 需要共享工具的多代理系统
  • 任何需要清洁工具边界的生产代理

3.模块化提示架构

问题

单片系统提示变得无法维护。个性融入规则,规则融入程序。

模式:灵魂/代理/身份分离

受Clawdbot架构的启发,将系统提示符拆分为可组合的模块:```
┌─────────────────────────────────────────────────┐
│ System Prompt │
├─────────────┬─────────────┬─────────────────────┤
│ SOUL.md │ AGENTS.md │ IDENTITY.md │
│ (personality│ (rules, │ (who am I, who │
│ & tone) │ procedures) │ do I serve) │
└─────────────┴─────────────┴─────────────────────┘


**SOUL.md** --The *如何* 沟通的

- 语气和口吻
- 幽默风格
- 反应模式
- 什么不该说

**代理商.md** --The *什么* 行为

- 审批流程(不问、获得批准、从不批准)
- 预定任务
- 工具使用规则
- 错误处理

**身份.md** --The *谁* 和 *边界*

- 代理人的姓名和身份
- 代理人为谁服务
- 隐私规则(在哪里分享什么)
- 上下文感知(我在哪个聊天室?)

**优点:**

- 在不违反规则的情况下改变个性
- 跨不同角色重用AGENTS.md
- 明确行为变化的审计跟踪

**示例结构:**```
workspace/
├── SOUL.md        # "You're a cheerful ship's computer..."
├── AGENTS.md      # "Get approval before sending external messages..."
├── IDENTITY.md    # "You are Jared, running on Alex's WhatsApp..."
├── USER.md        # Owner profile and preferences
└── TOOLS.md       # Environment-specific tool notes

4.存储层

问题

上下文窗口是有限的。特工们忘记了。长时间运行的代理需要持久的内存。

模式:三个内存层```

┌─────────────────────────────────────────────────┐
│ Working Memory (Context) │
│ Current conversation + recent tools │
├─────────────────────────────────────────────────┤
│ Session Memory (Logs) │
│ Daily logs, session notes, recent state │
├─────────────────────────────────────────────────┤
│ Long-term Memory (Curated) │
│ Key facts, preferences, relationships, todos │
└─────────────────────────────────────────────────┘


**第1层:工作记忆(上下文窗口)**

- 当前对话中的所有内容
- 由模型自动管理
- Volatile——上下文重置时消失

**第2层:会话内存(结构化日志)**

- 每日降价文件(`memory/2024-01-15.md`)
- 会话状态(`memory/session-state.json`)
- 可搜索、带时间戳、仅可追加

**第三层:长期记忆(精心策划的知识)**

- `MEMORY.md` --人工整理的关键事实
- 关系图、偏好、重复模式
- 定期更新,不是每条消息都更新

**内存操作:**```
┌──────────┐     ┌──────────┐     ┌──────────┐
│  Recall  │     │  Store   │     │  Forget  │
│ (search) │     │ (write)  │     │ (prune)  │
└──────────┘     └──────────┘     └──────────┘

召回模式:```python

Before answering questions about past work:

results = memory_search("project X status")
if results:
context = memory_get(results[0].path, lines=results[0].lines)
else:
say("I checked my notes but don't have that recorded.")


**店铺模式:**```python
# After completing significant work:
append_to_log(f"## {timestamp}\n- Completed {task}\n- Decision: {why}\n")

何时使用每一层:
需求 · 等级
当前对话 · 工作记忆
今天发生了什么 · 会话记忆
这个人是谁?长期记忆
持续的偏好 · 长期记忆
调试出了什么问题 · 会话内存


5.多智能体协调

问题

单个代理达到了极限:上下文窗口、专业化、并行性。复杂的任务需要多个代理协同工作。

模式A:分层委托```

┌─────────────┐
│ Leader │
│ (orchestrator)
└──────┬──────┘
┌─────────────┼─────────────┐
▼ ▼ ▼
┌─────────┐ ┌─────────┐ ┌─────────┐
│ Worker │ │ Worker │ │ Worker │
│ A │ │ B │ │ C │
└─────────┘ └─────────┘ └─────────┘


**何时使用:** 任务分解、并行执行、领域专业化

**实施(MUSE模式):**```bash
tribe muse start                    # Leader agent
tribe muse spawn "Fix auth bug" auth-worker
tribe muse spawn "Write tests" test-worker
tribe muse spawn "Update docs" docs-worker
tribe muse status                   # Monitor all

主要特点:

  • Git工作树隔离(每个worker都有自己的分支)
  • tmux会话管理(监视、提示、终止)
  • 用于低延迟产卵的暖池

模式B:审批层次结构

并非所有代理行为都是平等的。实施分级审批:```
┌─────────────────────────────────────────────────┐
│ Do Without Asking │
│ - Read data, search, summarize │
│ - Draft responses (but don't send) │
│ - Update internal state │
├─────────────────────────────────────────────────┤
│ Get Approval First │
│ - Send external messages │
│ - Create/modify resources │
│ - Make commitments on behalf of user │
├─────────────────────────────────────────────────┤
│ Never Do │
│ - Delete important data │
│ - Share private information │
│ - Make purchases │
│ - Impersonate the user │
└─────────────────────────────────────────────────┘


### 模式C:对抗性亚主体(本我/自我/超我)

为了在决策中避开局部最优解:```
┌─────────────┐   ┌─────────────┐   ┌─────────────┐
│     Id      │   │  Superego   │   │    Ego      │
│  Temp 1.2   │   │  Temp 0.1   │   │  Temp 0.7   │
│ (creative)  │   │ (strict)    │   │ (synthesis) │
└─────────────┘   └─────────────┘   └─────────────┘
│                 │                 │
└────────────────►├◄────────────────┘
│
┌─────────────┐
│   Output    │
└─────────────┘

它是如何工作的:

  • ID (高温):产生创造性的替代方案,打破假设
  • 超我 (低温):强制约束,验证正确性
  • 自我 (中温):将两者综合成实际解决方案

死锁处理: 当本我和超我不能达成一致时,升级到人类(就像参议院的副总统决胜局)。

模式D:群体进化代理(GEA)

根据加州大学旧金山分校的研究——在不同会话中相互学习的代理:Session 1 Session 2 Session 3 │ │ │ ▼ ▼ ▼ ┌───────┐ ┌───────┐ ┌───────┐ │Agent A│───learn──│Agent B│───learn──│Agent C│ └───────┘ └───────┘ └───────┘ │ │ │ └──────────────────┼──────────────────┘ ▼ ┌─────────────┐ │Shared Memory│ │ (tribal │ │ knowledge) │ └─────────────┘

关键见解: 不要只是坚持数据,坚持 学习模式什么奏效了?什么失败了?将成功的策略反馈给未来的代理人。


快速参考

何时使用What

挑战 模式
令牌密集型数据操作 代码模式
可重复使用的工具集成 MCP
可维护的系统提示 模块化架构
持久知识 记忆层
复杂任务分解 分层委托
逃离局部最优解 对抗性子代理
跨课程学习 GEA

要避免的反模式

  • 单片式提示 --分为灵魂/代理人/身份
  • 扁平剂群 --使用层次结构,而不是点对点混乱
  • 内存转储 --策展人,不要只记录一切
  • 无限自主 --审批级别可防止灾难
  • 单代理思维 --复杂的任务需要协调

延伸阅读

  • TRIBE MUSE文件 --多代理编排
  • 模型上下文协议 --标准化工具接口
  • Cloudflare AI网关 --代码模式起源
  • Clawdbot 文档 --模块化提示架构在实践中的应用

学分

核心贡献者:

  • 布伦丹 @阿扎巴兹 --概念架构、弗洛伊德模式、多智能体协调
  • 贾里德 (Clawdbot AI代理)——文档、综合、实现模式

图案起源:

  • 代码模式:Cloudflare AI网关团队
  • MCP标准:人类学
  • MUSE/分级委托:TRIBE框架
  • 模块化提示:Clawdbot架构

最后更新时间:2026-02-22
状态:草案----等待安置决定

常见问题

5 问
答案由本站依据条目字段整理,不引用上游原文
Agent Architecture Patterns 怎么安装?

资料没有给出安装命令,请到官方仓库或文档按说明接入;这类条目多数是生态应用,或尚未发布可安装包。

Agent Architecture Patterns 怎么在客户端里配置?

它的传输方式未标注,在客户端 MCP 配置里按官方文档填写启动命令和参数,保存后重启客户端生效。

Agent Architecture Patterns 收费吗?

本站不代收费用,也没有标注具体价格。是否收费取决于服务本身和背后的接口额度,正式使用前按官方说明确认。

Agent Architecture Patterns 需要 API Key 吗?

资料标注需要会话登录认证,使用前准备好对应凭据,并按最小权限配置。

Agent Architecture Patterns 能提供哪些能力?

资料显示能力标签包括 AI代理、模块化设计、内存管理。具体工具清单以官方文档为准。

热门专题

按标签挑服务器
全部专题 →

服务器信息以作者仓库与官方文档为准;分类、传输方式与鉴权方式的中文说明为中文整理,最近核验 2026-05-17。