跳到主要內容
2026-11-07 日報
研究與評測

LinkedIn 團隊剖析 AI 代理架構三代演進:從提示詞鏈、狀態圖邁向沙箱程式碼驗證

AI 前線單一來源
尚未逐項核實

目前依單一來源整理,這是來源數量描述,不是對消息真假的判定。

LinkedIn 技術團隊撰文剖析 AI 代理執行架構(Harness)的三個發展階段,說明如何將機率性模型轉化為生產級軟體系統: 1. 鏈式範式(Chains):早期依賴提示詞編排。LinkedIn 曾基於 LangChain 建置「路由、檢索、生成」固定三步流程,將大型語言模型視為文字進出的黑盒子。此結構部署快但極為脆弱,上游文字錯誤會直接級聯放大,缺乏自動錯誤修復能力。 2. 圖範式(Graphs):引入節點與邊來顯式宣告控制流,支援條件分支、重試與「人在迴路」(HITL)。LinkedIn 透過內部訊息系統實現先進先出(FIFO)的代理間非同步通訊,並利用 LangGraph 建立具備狀態管理與驗證的招聘助理 Hiring Assistant。然而,複雜場景需耗費大量人工編寫邊界規則與例外處理,流程容易變得僵化。 3. 程式碼範式(Code):將沙箱程式碼執行作為第一等原語。架構由「執行沙箱、埋點日誌、驗證測試、迭代修復迴圈」四部分組成,讓代理自行生成 SQL 與 Python 程式碼並執行測試。LinkedIn 內部資料分析工具即採用此法,讓模型在沙箱中驗證資料權限與合規約束,透過程式碼編譯執行的確定性取代自然語言提示詞調優。 團隊建議依任務選擇最簡架構:線性可預測流程維持鏈式;需多步驟狀態與分支協同採圖結構;對正確性要求極高的軟體開發與金融分析等場景,則採用沙箱程式碼 Harness。
讀原始報導