一年之间，Agent 从 Workflow 到 While Loop

模型迭代速度超越了框架设计速度

• 2024 年初：GPT-4、Claude 3 需要 Workflow 这样的"手把手"指导才能完成复杂任务

• 2025 年中：Claude 3.7、GPT-4.5、o4-mini 直接理解任务意图，一个 while True 配合详细 prompt 就能跑完全流程

• 核心转变：从"框架编排模型"到"模型即 agent"，Prompt+模型成为唯一核心

• 行业共识：模型能力每 3-6 个月翻倍，精心设计的工作流框架很快就会过时

一年前：为什么我们需要 Workflow？

2024 年初，当我们想让 GPT-4 完成一个复杂的调研任务时，必须这样做：

1. 手动拆解任务：定义"搜索"节点、"分析"节点、"总结"节点

2. 设计状态机：规划节点之间的跳转逻辑、循环条件、退出条件

3. 编写路由规则：用代码告诉模型"什么时候该做什么"

4. 维护状态传递：在节点之间显式传递中间结果

# 2024年典型的代码
from langgraph.graph import StateGraph

workflow = StateGraph(AgentState)
workflow.add_node("search", search_node)
workflow.add_node("analyze", analyze_node)
workflow.add_node("summarize", summarize_node)
workflow.add_edge("search", "analyze")
workflow.add_edge("analyze", "summarize")
workflow.add_conditional_edges(
    "summarize",
    should_continue,
    {"continue": "search", "end": END}
)

为什么这么复杂？ 因为 2024 年的模型还不够聪明：

• 上下文窗口有限（GPT-4 才 128K，实际可用更少）

• 工具调用不稳定（经常遗漏参数或调错工具）

• 推理深度不足（多步任务容易"走偏"）

• 没有长期记忆能力

现在：Claude Code 只用了一个 while loop

2025 年，Claude Code 让我们看到了另一种可能。它的核心代码简化到极致：

# Claude Code 的核心逻辑（简化版）
system_prompt = """你是一个软件工程助手...
[长达 5000+ 字的详细操作手册]
"""

while not task_completed:
    response = claude_3_7.invoke(
        system=system_prompt,
        messages=conversation_history,
        tools=available_tools
    )

    if response.tool_calls:
        results = execute_tools(response.tool_calls)
        conversation_history.append(results)

    if response.says_completed:
        task_completed = True

就这么简单。 没有节点、没有状态机、没有路由规则。模型自己决定：

• 下一步该做什么（规划能力）

• 需要调用哪些工具（工具理解）

• 任务是否完成（自我评估）

• 如何处理错误（容错能力）

为什么现在可以？ 因为模型迭代太快了：

能力维度	2024 年初	2025 年中	提升倍数
上下文窗口	128K	1M+	8x
工具调用准确率	~60%	~95%	1.6x
多步推理深度	3-5 步	20+步	4-6x
Prompt 理解	需要精简	可以写"操作手册"	10x+

深度代理的四个关键构成要素

核心转变：Prompt + 模型 = 一切

以前：框架是核心，模型是工具

开发者设计 → Workflow 编排 → 模型执行
    ↑                              ↓
    └──────── 结果反馈 ←────────────┘

• 开发者要想清楚所有逻辑

• 框架负责流程控制

• 模型只是"一个更好的函数"

现在：模型是大脑，框架是手

详细 Prompt → 模型自主决策 → 持续执行
                  ↓
            工具 + 记忆

• Prompt 就是"操作系统"（5000+ 字的系统提示）

• 模型自己规划、执行、评估

• 框架退化为"提供工具"和"防止出轨"

"真正的 Agent，就是一个在循环中运行、不断调用工具的 LLM。差异只在于工程细节。"

这句话的深层含义是：当模型足够强时，复杂的框架设计变得不再必要。

理解 Claude Code 发现只需要四个东西：

1. 详细的系统 Prompt（5000+ 字）

Claude Code 的系统提示词[1]包含：

• 工具使用说明（每个工具都有详细例子）

• 工作流程指南（什么时候该做什么）

• 错误处理策略（遇到问题怎么办）

• 输出格式要求（如何与用户沟通）

关键发现：Prompt 越详细，模型表现越好。2024 年我们还在优化"如何用最少的 token"，现在直接把操作手册塞进去就行。

2. 规划工具（Todo List）

Claude Code 的 Todo List 工具[2]本质上是个 No-Op（不执行任何操作），但它强制模型：

• 显式列出计划步骤

• 追踪任务进度

• 保持专注不跑偏

class TodoTool:
    def add_task(self, task: str):
        """强制模型思考下一步"""
        pass  # 实际不执行任何操作

这个"假工具"的作用是让模型的 CoT（思维链）外化，类似于"把想法写下来"。

3. 子代理机制

复杂任务需要拆解。Claude Code 的子代理[3]做法：

# 主代理创建子代理
sub_agent = Agent(
    task="深度调研量子计算的最新进展",
    parent_context=current_context,  # 共享上下文
    max_iterations=50
)

result = sub_agent.run()
main_agent.integrate(result)

• 主代理负责整体规划

• 子代理处理子任务（可以是搜索、代码、分析等）

• 上下文在主子之间共享

4. 文件系统（长期记忆）

无论是 Claude Code、Manus 还是 Deep Research，都把文件系统当作：

• 工作区：执行任务的场所（读写代码、文档等）

• 外部记忆：保存中间结果、避免上下文溢出

• 状态持久化：长时间运行任务的状态管理

# 模型可以随时读写文件
agent.write_file("research_notes.md", "...")
agent.read_file("previous_findings.txt")

这比传统的"把所有东西塞进 messages"要高效得多。

这一年的教训：模型迭代速度 >> 框架设计速度

回顾 2024 到 2025 这一年：

Q1 2024：Workflow 成为 Agent 开发的事实标准
Q2 2024：Claude 3.5 发布，工具调用准确率大幅提升
Q3 2024：GPT-4.5 支持 200K 上下文，开始减少节点数量
Q4 2024：o4-mini 展示深度推理能力，简单任务不再需要状态机
Q1 2025：Claude Code 公开，证明"while 循环 + 详细 Prompt"就够了
Q2 2025：行业开始反思"是否过度工程化了 Agent 框架"

核心教训：

1. 不要为当前模型设计框架——3 个月后模型就会升级

2. Prompt 比代码更重要——5000 字的 Prompt 胜过 5000 行的编排代码

3. 模型即 Agent——当模型足够强，循环就是最好的架构

4. 保持简单——复杂的状态机在快速迭代中很难维护

实践建议

如果你现在要开发一个 Agent 系统：

从 while 循环开始

while not done:
    response = model.invoke(messages, tools)
    handle_response(response)

不要一上来就设计复杂的工作流图。先让最简单的循环跑起来，看模型能做到什么程度。

把精力花在 Prompt 上

• 写详细的工具使用说明（每个工具都要有例子）

• 定义清晰的工作流程（什么情况下该做什么）

• 提供错误处理策略（遇到问题如何恢复）

• 给出输出格式要求（如何与用户交互）

Claude Code 的系统 Prompt 有 5000+ 字，这不是偶然。

选最新最强的模型

模型能力的提升远超你的想象：

• Claude 4.5 vs Claude 3: 工具调用准确率从 60% → 95%

• GPT-5 vs GPT-4: 推理深度从 5 步 → 20+ 步

• o4-mini: 内置 CoT，自动进行多步推理

不要用 6 个月前的模型。 那会让你误以为需要复杂的框架。

提供必要的工具和记忆

• Todo List（强制规划）

• 子代理（任务拆解）

• 文件系统（长期记忆）

这些是工程细节，但很重要。

结语：模型就是 Agent

2024 年我们说"Agent = 模型 + 框架 + 工具"。

2025 年我们发现"Agent = 模型"，框架和工具只是辅助。

这不是说 Workflow 没有价值——在需要严格流程控制、人工审核节点、合规检查的场景，显式的工作流依然必要。但对于大多数"让 AI 自主完成任务"的场景，一个写得足够好的 Prompt + 一个足够强的模型 + 一个简单的 while 循环，就够了。

模型迭代太快了。 与其花时间设计完美的框架，不如把精力放在 Prompt 工程和模型选择上。半年后，你精心设计的状态机可能会被新模型的能力提升彻底取代。

不是我们设计得更好了，是模型变得更强了。

 最后

我在一线科技企业深耕十二载，见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事，早已在效率与薪资上形成代际优势，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。

我整理出这套 AI 大模型突围资料包：

• ✅AI大模型学习路线图
• ✅Agent行业报告
• ✅100集大模型视频教程
• ✅大模型书籍PDF
• ✅DeepSeek教程
• ✅AI产品经理入门资料

如果你也想通过学大模型技术去帮助自己升职和加薪，可以扫描下方链接👇👇
​​

为什么我要说现在普通人就业/升职加薪的首选是AI大模型？

人工智能技术的爆发式增长，正以不可逆转之势重塑就业市场版图。从DeepSeek等国产大模型引发的科技圈热议，到全国两会关于AI产业发展的政策聚焦，再到招聘会上排起的长队，AI的热度已从技术领域渗透到就业市场的每一个角落。

智联招聘的最新数据给出了最直观的印证：2025年2月，AI领域求职人数同比增幅突破200% ，远超其他行业平均水平；整个人工智能行业的求职增速达到33.4%，位居各行业榜首，其中人工智能工程师岗位的求职热度更是飙升69.6%。

AI产业的快速扩张，也让人才供需矛盾愈发突出。麦肯锡报告明确预测，到2030年中国AI专业人才需求将达600万人，人才缺口可能高达400万人，这一缺口不仅存在于核心技术领域，更蔓延至产业应用的各个环节。

​​

资料包有什么？

①从入门到精通的全套视频教程

包含提示词工程、RAG、Agent等技术点

② AI大模型学习路线图（还有视频解说）

全过程AI大模型学习路线

③学习电子书籍和技术文档

市面上的大模型书籍确实太多了，这些是我精选出来的

④各大厂大模型面试题目详解

⑤ 这些资料真的有用吗?

这份资料由我和鲁为民博士共同整理，鲁为民博士先后获得了北京清华大学学士和美国加州理工学院博士学位，在包括IEEE Transactions等学术期刊和诸多国际会议上发表了超过50篇学术论文、取得了多项美国和中国发明专利，同时还斩获了吴文俊人工智能科学技术奖。目前我正在和鲁博士共同进行人工智能的研究。

所有的视频教程由智泊AI老师录制，且资料与智泊AI共享，相互补充。这份学习大礼包应该算是现在最全面的大模型学习资料了。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

智泊AI始终秉持着“让每个人平等享受到优质教育资源”的育人理念‌，通过动态追踪大模型开发、数据标注伦理等前沿技术趋势‌，构建起"前沿课程+智能实训+精准就业"的高效培养体系。

课堂上不光教理论，还带着学员做了十多个真实项目。学员要亲自上手搞数据清洗、模型调优这些硬核操作，把课本知识变成真本事‌！

​​​​

如果说你是以下人群中的其中一类，都可以来智泊AI学习人工智能，找到高薪工作，一次小小的“投资”换来的是终身受益！

应届毕业生‌：无工作经验但想要系统学习AI大模型技术，期待通过实战项目掌握核心技术。

零基础转型‌：非技术背景但关注AI应用场景，计划通过低代码工具实现“AI+行业”跨界‌。

业务赋能 ‌突破瓶颈：传统开发者（Java/前端等）学习Transformer架构与LangChain框架，向AI全栈工程师转型‌。

👉获取方式：

😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓