Agentic AI的两种工作模式：温室与透镜框架详解

引言：重新理解AI Agent的工作方式

随着大语言模型（LLM）驱动的智能体（Agent）从实验室走向真实的工程实践，我们越来越需要一套清晰的心智模型来理解它们究竟适合做什么、如何做才有效。这里所说的LLM驱动Agent，是指以GPT-4、Claude、Gemini等大型预训练语言模型为核心推理引擎，结合工具调用（Tool Use）、记忆管理（Memory）、规划能力（Planning）等模块构建的自主执行系统。

从技术架构来看，LLM驱动的Agent系统通常由四个核心层组成：感知层（接收用户输入和环境信息）、认知层（LLM作为推理核心进行理解和决策）、行动层（通过工具调用执行具体操作）和记忆层（短期工作记忆和长期经验存储）。这种架构的理论基础可以追溯到认知科学中的BDI（Belief-Desire-Intention）模型，即智能体基于对世界的信念、自身的意愿和形成的意图来行动。工具调用（Function Calling/Tool Use）是Agent区别于普通聊天机器人的关键能力——它使LLM从"只能说"进化为"能做事"，可以执行代码、查询数据库、调用API等实际操作。

与传统的单轮问答不同，Agent能够分解复杂任务、多步骤执行、根据中间结果动态调整策略。当前业界代表性的Agent框架包括LangChain、AutoGPT、CrewAI等，它们在代码生成、数据分析、自动化运维等场景中已有广泛应用。

《The Greenhouse and the Lens: Two Modes of Agentic AI Work》提出了一个颇具启发性的框架：Agentic AI 的工作可以归纳为两种截然不同的模式——温室（Greenhouse）与透镜（Lens）。

这两个隐喻并非玄学式的比喻，而是对当下 AI 编程助手、自动化 Agent 使用体验的高度抽象。理解这两种模式，有助于开发者与团队更合理地分配任务、设定预期，避免在错误的场景下强推 Agent，最终导致效率不升反降。

温室模式：广度探索与培育式生成

什么是温室模式

温室模式指的是让 AI Agent 在一个相对开放、宽松的环境中进行探索性、生成性的工作。就像在温室里培育植物，你提供适宜的环境（上下文、目标、约束），然后让 Agent 自由生长——尝试多种方案、生成大量候选、并行探索不同路径。

这种模式的核心特征是广度优先。它适合那些没有唯一正确答案、需要发散思维的任务，例如：

• 从零搭建一个原型项目的框架
• 头脑风暴多种技术实现方案
• 生成大量测试用例或边界情况
• 探索一个陌生代码库的整体结构

从技术实现的角度看，温室模式通常对应于较高的temperature参数设置（控制LLM输出的随机性）、多次采样（如生成N个候选方案后让人类挑选）、以及更宽松的约束条件。Temperature是LLM生成时的一个关键超参数，它控制softmax函数输出的概率分布的平滑程度。当temperature趋近于0时，模型几乎总是选择概率最高的token，输出高度确定性和一致性；当temperature升高（如0.8-1.2）时，较低概率的token也有更大机会被采样，输出更具多样性和创造性。多次采样（如OpenAI的n参数或Best-of-N策略）则是在同一prompt下生成多个独立结果，再通过评分函数或人工判断选择最优。

一些先进的Agent系统还会采用Tree-of-Thought（思维树）或Monte Carlo Tree Search（蒙特卡洛树搜索）等技术，系统性地探索解空间的不同分支。Tree-of-Thought（ToT）由Yao等人在2023年提出，是对Chain-of-Thought（思维链）的重要扩展。传统CoT是线性推理——一步接一步向前推进；而ToT将推理过程建模为一棵搜索树，每个节点代表一个中间思维状态，每条边代表一个推理步骤。在每个节点，系统可以生成多个候选的下一步思考，评估每个分支的前景，并决定是继续深入还是回溯。蒙特卡洛树搜索（MCTS）则源自AlphaGo的核心算法，通过随机模拟和统计评估来高效探索巨大的决策空间，已被一些Agent系统用于规划阶段的方案搜索。

温室模式的价值与风险

温室模式最大的价值在于放大探索的规模。人类在发散思考时容易受限于经验和惯性，而 AI Agent 可以在短时间内枚举出人类难以覆盖的可能性空间。研究表明，人类专家在面对开放性问题时，往往会过早收敛到自己熟悉的解决方案（即"锚定效应"），而AI的无偏发散能力恰好能弥补这一认知局限。

锚定效应（Anchoring Effect）由诺贝尔经济学奖得主Daniel Kahneman和Amos Tversky在1974年的开创性研究中首次系统描述。在软件工程领域，这种认知偏差表现为：经验丰富的开发者在面对新问题时，往往会不自觉地将解决方案锚定在自己过去成功使用过的模式和技术栈上，即使存在更优的替代方案也难以跳出思维定式。Herbert Simon提出的"有限理性"理论进一步解释了这一现象——人类决策者受限于认知资源和时间压力，倾向于寻找"足够好"的解而非最优解（即满意化策略）。AI Agent的发散探索能力恰好能突破这些认知天花板。

但风险同样明显：温室中生长出来的东西质量参差不齐，需要人类作为"园丁"进行修剪和筛选。如果缺乏有效的评估与收敛机制，温室很容易变成杂草丛生的荒地——生成一堆看似合理、实则不可用的代码或方案。这也是为什么许多开发者在初期对AI Agent充满热情，但在经历大量"看起来对但跑不通"的输出后产生幻灭感的原因。

透镜模式：聚焦精准与验证式收敛

什么是透镜模式

与温室的发散相反，透镜模式强调深度聚焦与精确性。就像透镜将光线汇聚到一个焦点上，这种模式下的 Agent 被要求针对一个明确定义的问题，给出精准、可验证的答案或修改。

透镜模式的典型应用场景包括：

• 定位并修复一个具体的 Bug
• 对既有代码进行精确的重构
• 回答一个有明确对错标准的技术问题
• 执行严格约束下的代码转换（如API迁移、语言版本升级）

透镜模式的核心是收敛优先。它要求 Agent 不要发散，而是在充分理解问题上下文的前提下，产出一个高置信度的结果。从技术参数角度看，这通常对应较低的temperature设置、更严格的输出格式约束、以及更完整的上下文注入。

透镜模式对上下文的高要求

透镜模式能否成功，很大程度上取决于上下文的精准程度。焦点越清晰，透镜的成像就越锐利。这意味着在使用透镜模式时，开发者需要提供更完整的相关代码、更明确的验收标准、更严格的约束条件。

这里涉及到上下文管理的核心技术挑战。当前LLM的上下文窗口虽然已从最初的4K token扩展到128K甚至更长，但"能塞进去"和"能有效利用"是两回事。研究表明，LLM在处理长上下文时存在"中间遗忘"（Lost in the Middle）现象——对上下文首尾信息的关注度高于中间部分。这一现象由Stanford大学Nelson Liu等人在2023年的论文中首次系统验证。他们发现，当关键信息被放置在长上下文的中间位置时，LLM的检索和利用能力显著下降，形成一个U型注意力曲线——模型对开头和结尾的信息关注度最高。

因此，透镜模式下的上下文组织不仅要"全"，更要"精"——将最关键的信息放在最容易被模型捕捉的位置。实践中的应对策略包括：将最重要的代码和约束条件放在prompt的开头或结尾、使用分层摘要压缩中间信息、以及通过多轮对话逐步注入上下文而非一次性灌入。这也催生了"上下文工程"（Context Engineering）这一新兴实践领域，它强调的不仅是给模型"足够多"的信息，更是给模型"正确组织"的信息。

RAG（检索增强生成）技术在这里扮演重要角色，它通过语义检索从大规模代码库中精准提取与当前问题最相关的代码片段，而非将整个代码库一股脑塞入上下文。RAG最初由Facebook AI Research在2020年提出，其核心思想是将信息检索与文本生成解耦——先从外部知识库中检索相关内容，再将检索结果作为上下文注入LLM进行生成。在代码场景中，RAG的实现通常包括：首先将代码库通过AST（抽象语法树）解析和代码嵌入模型（如专用的CodeBERT）转化为向量表示并存入向量数据库；当用户提出问题时，系统通过语义相似度搜索找到最相关的代码片段、函数签名、注释等，再将这些精选信息注入prompt。这种方式远比全量代码注入高效，且能有效规避上下文窗口限制。

简单来说，温室模式考验的是 Agent 的"创造力"，而透镜模式考验的是 Agent 的"理解力与准确性"。两者对提示工程（Prompt Engineering）和上下文管理的要求截然不同。

两种模式的动态切换与协同策略

何时用温室，何时用透镜

真正高效的 Agentic AI 工作流，往往不是单一模式的堆砌，而是两种模式的动态切换。一个自然的工作节奏是：

1. 先温室后透镜：在项目早期或面对陌生问题时，用温室模式广泛探索、生成多种可能；待方向明确后，切换到透镜模式对选定方案精雕细琢。
2. 透镜验证温室产出：将温室生成的候选方案，逐一放到透镜模式下验证其正确性与可行性。

这种"发散—收敛"的循环，本质上与人类专家的思维方式高度一致。该模式源自设计思维（Design Thinking）中的"双钻石模型"（Double Diamond Model），最早由英国设计委员会于2005年提出。该模型将创造性问题解决分为四个阶段：发现（Discover）、定义（Define）、发展（Develop）、交付（Deliver），其中发现和发展阶段是发散性的，定义和交付阶段是收敛性的。认知心理学研究表明，人类专家在解决复杂问题时自然会在发散思维和收敛思维之间交替切换——心理学家Joy Paul Guilford早在1967年就区分了"发散性思维"（生成多种可能答案）和"收敛性思维"（评估并选择最优答案）这两种互补的认知模式。

AI Agent 的价值，正是在于它能够在这两个维度上都提供超越个体的算力放大——在发散阶段探索的广度可以是人类的数十倍，在收敛阶段的验证速度同样远超人工。

对AI工具与产品设计的启示

这一框架也对 AI 编程工具的设计者提出了要求。当前主流的AI编程工具大致分为三类：一是内嵌式助手（如GitHub Copilot、Cursor），以自动补全和对话式编辑为主；二是自主编码Agent（如Devin、OpenHands），能独立完成从需求理解到代码提交的完整流程；三是混合型工具（如Windsurf、Aider），结合人类引导与Agent自主执行。

当前许多 Agent 产品试图用一套统一的交互模式覆盖所有场景，结果往往两头不讨好：既没有给温室足够的探索自由，也没有为透镜提供足够的聚焦约束。例如，一个设计为精准代码补全的工具，在面对"帮我设计这个系统的架构"这类开放性问题时往往力不从心；反之，一个擅长头脑风暴的Agent在需要精确修复一行代码时，可能会"过度发挥"引入不必要的改动。

更理想的产品设计应当显式区分这两种模式，让用户根据任务性质主动选择，或让系统智能识别当前所处的阶段，从而调整 Agent 的行为策略——是鼓励发散探索，还是要求精准收敛。一些前沿的Agent系统已经在尝试这种自适应策略，例如通过分析用户的prompt特征（是开放性问题还是精确指令）来动态调整内部参数和工具链配置。这种意图识别（Intent Detection）技术本身也在快速发展，从简单的关键词匹配到基于LLM的语义理解，系统越来越能精准判断用户当前需要的是"帮我探索可能性"还是"帮我精确执行"。

结语：为AI Agent匹配正确的工作模式

温室与透镜的隐喻，为我们提供了一个简洁而实用的思考框架。它提醒我们：Agentic AI 并非万能的"一键解决"魔法，而是需要根据任务性质，为其匹配合适的工作模式。

对于开发者而言，理解自己当下需要的是"广度探索"还是"精准收敛"，往往比一味追求更强的模型更重要。在正确的模式下，即便是能力有限的 Agent 也能发挥出色；而在错误的模式下，再强大的模型也可能事倍功半。这一观点也与近期业界对"Agent编排"（Agent Orchestration）的重视相呼应——决定AI系统效能的，不仅是底层模型的能力，更是如何编排、调度这些能力的上层策略。

Agent编排是指对多个Agent或Agent的多个能力模块进行协调调度的上层策略。当前主流的编排范式包括：单Agent循环（如ReAct模式，让一个Agent在"推理-行动-观察"的循环中迭代）、多Agent协作（如CrewAI中的角色分工模式，不同Agent扮演产品经理、架构师、开发者等角色）、以及层级式编排（一个规划Agent负责任务分解，多个执行Agent负责具体工作）。近期Microsoft的AutoGen、Google的Agent Development Kit等框架的涌现，标志着业界正从关注"单个Agent有多强"转向关注"如何让Agent系统整体最优"。温室与透镜的框架恰好为编排策略提供了一个有力的决策依据——在任务分解后，不同子任务应当被路由到适合其性质的工作模式中执行。

随着 Agentic AI 逐步渗透到软件开发的各个环节，建立这类清晰的心智模型，或许比技术本身的迭代更能决定我们最终能否真正驾驭这一轮智能化浪潮。