--- title: '基础技术与架构设计' description: '理解智能体系统在上下文、工具、协议、状态与执行环境上的核心设计选择' --- # 基础技术与架构设计 很多人第一次接触智能体系统时，会把看到的内容理解成一串彼此割裂的技术名词：上下文工程、工具调用、MCP、多智能体、状态管理、沙箱、文件系统、Bash。真正重要的其实不是这些名词各自代表什么，而是它们为什么会被组合成今天这样的架构形态。 这个栏目想回答的，正是“为什么这些系统要这样设计”。优秀的智能体架构通常不是因为组件多，而是因为每个组件都在替一个真实问题兜底：上下文怎么传，状态怎么留，工具怎样以最自然的方式暴露给模型，哪些能力该抽象成协议，哪些能力反而应该保留最朴素的接口，什么时候该协作，什么时候该隔离。 你会在这里反复看到一个反直觉但很关键的判断：很多时候，简单接口比专用框架更适合智能体。文件系统、Bash、协议化上下文、可观察的任务分工，这些看起来不算“炫”，却更接近模型真正擅长使用的系统表面。读完这一栏，你应该获得的不是对某个技术栈的崇拜，而是对智能体系统设计取舍的判断力。 ## 文章列表 ### [揭秘 Claude Code 的工作原理](./how-claude-code-works.md) **作者**：Outsight Team **日期**：2025-08-01 **核心观点**：看懂 Claude Code，不只是看懂一个产品，而是看懂上下文工程、工具设计与安全约束怎样共同塑造智能体行为。 **你将学到**： - Claude Code 背后的关键设计模式如何影响日常使用体验 - 上下文前置加载、系统提醒标签与子智能体架构分别解决什么问题 - 生成式安全为什么必须嵌进系统，而不是事后补救 - 哪些模式可以迁移到你自己的智能体设计中 --- ### [MCP 是什么，以及为什么它很重要](./mcp-what-it-is-and-why-it-matters.md) **作者**：Addy Osmani **日期**：2026-03-07 **核心观点**：MCP 的价值不只在“统一接口”，更在于它让工具、数据源与模型之间的连接第一次拥有了可复用的协议层。 **你将学到**： - MCP 想解决的碎片化问题到底是什么 - 资源、提示与工具三类能力为什么需要协议化组织 - 为什么 MCP 会成为智能体生态里的基础设施，而不是附属功能 - 当你设计自己的工具系统时，哪些部分最值得标准化 --- ### [用文件系统和 Bash 构建智能体](./build-agents-with-filesystems-and-bash.md) **来源**：Vercel 工程博客 **核心观点**：对智能体来说，好用的接口往往不是最专门的接口，而是最通用、最自然、最容易组合的接口。 **你将学到**： - 为什么文件系统可以承担大量状态管理工作 - Bash 为什么会在智能体架构里重新变得重要 - “简单工具链”如何同时降低成本并提升执行表现 - 什么时候该克制地使用通用接口，而不是继续堆专用工具 --- ### [测试「Bash 就够了」假设：SQL vs Bash 智能体对比实验](./testing-bash-vs-sql.md) **来源**：Vercel 与 Braintrust 联合研究 **核心观点**：智能体架构不该靠偏好拍板，而该靠实验说话：工具选择本身也需要被系统性验证。 **你将学到**： - 如何用更严谨的方式评估不同工具链对模型表现的影响 - Bash 与 SQL 分别在哪些任务上更有优势 - 为什么混合方案有时比“押宝单一路线”更稳 - 做智能体架构决策时，什么样的实验最有说服力 --- ### [自我改进的编码智能体](./self-improving-coding-agents.md) **作者**：Addy Osmani **日期**：2026-03-07 **核心观点**：自我改进的关键不在于让智能体“自己变聪明”，而在于把反馈回路、评估机制与改进边界设计清楚。 **你将学到**： - 编码智能体怎样通过反馈循环持续改进表现 - 自我优化机制依赖哪些前提条件才能成立 - 为什么“能自我改进”同时意味着更高的系统设计要求 - 设计这类系统时最需要警惕的边界与风险 --- ### [多智能体系统如何支撑 AI 原生工程](./multi-agent-systems-ai-native-engineering.md) **作者**：Spiros Xanthos、Gabor Angeli、Bharat Khandelwal（Resolve AI） **日期**：2025-11-12 **核心观点**：多智能体不是把单智能体复制几份，而是把专业分工、协作边界与系统组织方式重新带回软件工程。 **你将学到**： - AI 辅助工程与 AI 原生工程之间真正的差异是什么 - 多智能体系统为什么更接近生产级工程组织方式 - 构建这类系统需要哪些跨越模型与工程的双重能力 - 什么时候多智能体值得引入，什么时候反而会徒增复杂度 --- ### [理解 AI 的「五层蛋糕」架构](./nvidia-ai-5-layer-cake.md) **来源**：NVIDIA **日期**：2025-03-18 **核心观点**：AI 不是单一技术，而是从芯片到应用的五层递进架构。理解这个全栈有助于把握 AI 工具的能力边界和发展趋势。 **你将学到**： - AI 技术栈的五层结构以及每一层的核心职责 - 从芯片到应用，每一层如何影响上层的能力上限 - 为什么理解底层架构有助于做出更好的 AI 工具选择 - 五层协同如何驱动 AI 能力的持续进步 --- **返回**：[优质文章篇](../)