系统越复杂越容易乱。每个角色先写一张卡片,职责、边界、入口、出口说清,再往代码里落。

🦩 第 21 篇 · 2026 年 1 月 3 日
做多 Agent 系统最怕什么?做到一半发现两个 Agent 抢同一个任务、或者某个任务没人管、或者 Agent 之间的边界不清楚相互打架。这种问题的根源往往是:设计阶段没有把每个 Agent 的职责和边界说清楚就开始写代码。我解决这个问题的方法是:先画卡片,再写代码。
一句话
Agent 架构设计的第一步,不是画架构图、不是写技术方案,是把系统里每个 Agent 先写成一张职责清晰的卡片:这个 Agent 是谁、干什么、不干什么、接收什么信息、输出什么信息。卡片之间没有打架了,再往代码里写。
为什么 Agent 架构设计容易乱
传统的功能设计是"这个功能做什么",Agent 设计是"这个角色做什么"——多了"角色"这一层抽象,就容易出现:
- 角色重叠:两个 Agent 都觉得自己应该处理某类任务
- 角色空白:某个任务没人管,大家都以为对方会处理
- 边界模糊:Agent A 调用 Agent B,但 B 不知道 A 给了什么信息、该返回什么
- 越权:Agent 自己决定做超出自己职责范围的事
Agent 卡片设计法
每张卡片包含 6 个字段:
- 角色名称(Who) 用"人"的方式命名,不是"功能"的方式。比如"客服接待 Agent"而不是"问答模块1"。让人一眼知道这个 Agent 的定位。
- 核心职责(Mission) 一句话说清楚:这个 Agent 最核心干的一件事是什么?只写一件事,写多了就是角色重叠。
- 边界(Out of Scope) 这个 Agent 不干什么。明确边界比写职责更难,但是防止越权的关键。
- 输入信息(Receives) 这个 Agent 从哪里接收信息?来自用户、来自其他 Agent、来自系统触发?写清楚来源和格式。
- 输出信息(Produces) 这个 Agent 执行完后输出什么?给用户、给其他 Agent、写进数据库?输出要可观测。
- 协作关系(Collaborates with) 这个 Agent 需要和哪些 Agent 协作?调用链是什么?谁是这个 Agent 的上游?谁是下游?
落地要点
- 先画卡片,再写代码:所有 Agent 卡片都画完了,对照检查:有没有角色重叠?有没有空白地带?有没有不明确的边界?这些在代码里改代价很大,在卡片阶段改零成本。
- 用协作者视角验证:拿着卡片问自己:如果我是这个 Agent,我知道自己该干什么、不干什么吗?说不清楚的卡片,回到设计阶段重新定义。
- 卡片要写"不干什么":这往往比"干什么"更重要。明确的边界是防止系统混乱的关键。
- 把卡片当成团队协作语言:不是给自己看的,是给整个团队(包括产品、运营、开发的)看的统一语言。大家用同一套词汇,系统协作才不容易出错。
踩过的坑
- 跳过卡片阶段直接写代码:发现 Agent 打架了再改,代价是代码重写。
- 职责写了 5 条:说明这不是"一个 Agent",是"一堆功能"。拆成多个 Agent。
- 没有写边界:只写了"干什么",没写"不干什么",导致 Agent 越权处理了不该处理的事。
对真实场景的思考
Agent 架构设计的本质是**“用角色思维替代功能思维”**——不是"这个功能做什么",是"这个角色是谁、他的职责边界是什么、他和谁协作"。这种设计方法让人在写代码之前,就能在概念层验证系统是否合理。用 OpenClaw 这类底座,Agent 的设计可以先在卡片层验证,再往底座里注册和配置——省去很多开发阶段才发现角色冲突的返工。
一句话总结:Agent 设计先画卡片,6 字段说清楚:角色/职责/边界/输入/输出/协作关系。卡片之间没有打架,再往代码里写——这是防止 Agent 系统长乱的最好方法。
延伸阅读
- 办公 Agent 想落地,先啃会议和流程两座山
- 本地生活门店的 Agent 团队,一次真实复盘
- 本地生活上 Agent,最先补的三个场景不是客服
- 本体论加工作流,让 Agent 真懂业务
- 不是一岗配一 AI,我收敛成几个 Agent
- 宠物店的高频琐事,哪些能先交给 Agent
- 从人盯平台到 Agent 盯平台,那笔隐性人力
- 大促的提醒与售后,Agent 怎么撑住高峰
- 到家到店服务的排期,Agent 能啃到哪
- 点评和私域的评价维护,Agent 能盯到哪一步
相关阅读
标签
双号关注
扫码关注「广说新零售」公众号 + 视频号
本地生活 AI 落地、Agent 实操、真实门店怎么跑起来。扫码关注公众号与视频号「广说新零售」,持续看可收藏的做法;有场景也可私信聊合作。

公众号

视频号
继续读
同栏目相关文章,方便对照着看。
AI落地这条路,我为什么一直走下去
不是因为它热。踩过的坑越多越确认:AI只有放进真实业务跑,才知道哪些是真需求,先看AI落地。
AI 落地和创业一样,都要算清 ROI
上项目时轰轰烈烈,上完算账发现是负的。AI 落地不是技术选型,是商业决策,先算 ROI。
AI落地效果怎么衡量:北极星加配套指标
没有指标,AI运营要么靠感觉,要么靠注水的汇报。一个北极星指标加六个配套,价值才可量化,先看AI落地。
不是急着做AI和人的分工不是谁,是先核对AI落地
员工最怕被取代。真实落地里,花时间最多的不是调模型,是处理人和AI的关系与信任,先看AI落地。
AI 落地这一年,我踩过的坑和收获
不是方法论,是真实复盘:接数据的工作量被低估、上线后没人维护、以为能配一次就一劳永逸。
