logo

传统业务逻辑与Agent架构对比

作者:da吃一鲸8862026.11.16 11:10浏览量:0

简介:当应用层逐渐沦为胶水代码,开发者需要重新判断:确定性业务系统与以大模型为中心的 Agent 架构,到底差在何处。本文从不确定性来源、架构边界、工程约束和选型条件出发,帮助你看清该把逻辑放在代码里还是放在智能体编排中。

对比背景:应用层为何会“坍塌”

在传统软件中,业务规则写在服务层:校验、状态机、权限、计费、库存扣减,都是可测试、可回放的确定性逻辑。进入 Agent 时代后,大量决策被交给大语言模型:意图识别、工具选择、多步规划、结果解释,应用层看起来只剩路由、拼提示词、调工具、写日志。于是出现一种直观感受——业务逻辑在“坍塌”,剩下的是胶水代码。

这种感受并不等于“以后不必写业务系统”。更准确的问题是:确定性逻辑与概率性推理,各自应承担什么职责。所谓 LLM 不确定性,从技术视角看,并不是玄学,而是输入、模型、解码、工具与环境共同作用的结果。把两类架构放在一起对比,才能决定我们该构建什么:是更厚的领域服务,还是更稳的 Agent 运行时。

本文对比对象明确为两类方案:

  • 方案A:以确定性业务逻辑为中心的传统应用架构
  • 方案B:以大模型推理与工具编排为中心的 Agent 应用架构

二者都服务于“完成业务目标”,但控制方式、失败模式和工程边界完全不同。

对象定义

方案A:确定性业务逻辑架构

核心假设是:给定相同输入与相同状态,输出必须相同。规则用代码、配置、工作流或规则引擎表达。系统边界清晰:接口契约、事务、幂等、审计、补偿都围绕“正确性”设计。

它解决的问题是:资金安全、库存一致、权限不可绕过、流程可审计。不确定性被尽量排除在系统外。

agent-">方案B:Agent 应用架构

核心假设是:目标可用自然语言描述,系统通过理解、规划、调用工具、观察结果、再规划来逼近目标。应用层负责会话、记忆、工具注册、权限代理、可观测性,真正的“下一步做什么”由模型生成。

它解决的问题是:需求表达灵活、跨系统协作、非结构化信息处理、长链路任务。代价是输出分布不再是单点,而是概率分布。

相同点:目标一致,工程底座仍不可少

两类方案并非对立到互斥。共同点至少有五条。

第一,最终都要落到可执行动作:写库、调接口、发消息、改状态。Agent 不能只“说话”,传统服务也不能只“记账”。

第二,都需要身份、权限、配额和审计。模型生成一次转账指令,并不自动获得转账权。

第三,都依赖稳定的基础设施:对象存储、消息队列、数据库、日志与监控、容器与弹性伸缩。云上常见能力类别在两类架构中都要用到。

第四,都要处理失败:超时、重试、幂等、补偿。区别只是失败来自网络还是来自错误规划。

第五,都要面向业务指标:完成率、时延、成本、投诉率。只是 Agent 额外多了“幻觉率、工具选错率、越权尝试次数”等指标。

相同点说明:Agent 时代不是取消工程,而是把工程从“写死规则”扩展到“约束不确定推理”。

核心差异:不确定性从哪里来

原始问题“LLM 不确定性由什么引起”,应拆成技术因子,而不是笼统说“模型不稳”。

1. 输入空间不可穷尽

传统接口字段有 schema。用户自然语言、多轮指代、省略、错别字、混杂多意图,使输入空间近似开放。同一句话在不同上下文中语义不同,这是分布外输入,不是单纯“提示词没写好”。

2. 表示与对齐是压缩过程

模型把文本映射到高维表示再解码。训练目标是下一词预测或指令对齐,不是你的领域不变量。于是出现:表面通顺但违反业务约束、引用不存在的字段、把相似接口当成同一个工具。

3. 解码本身是随机过程

温度、核采样、束搜索等策略决定探索程度。温度为零仍可能因数值实现、批处理、稀疏注意力等产生细微差异;温度为正时,同一提示会得到不同工具序列。传统代码没有“采样”。

4. 工具与环境反馈是部分可观测的

Agent 看到的是工具返回摘要,不是完整系统状态。返回截断、错误码被模型“脑补”、时间偏差、并发下状态已变,都会让下一步规划偏离。这是控制论里的观测噪声,不是单纯模型质量问题。

5. 多步误差累积

一步选错工具,后续观察全错。传统事务可以回滚;Agent 链路若没有检查点,错误会像滚雪球。不确定性随步数近似放大。

6. 目标函数与业务损失不一致

模型优化的是“看起来合理”,业务优化的是“资金不错、库存不错、合规不错”。两者不对齐时,流畅的错误比明显的失败更危险。

因此,不确定性是输入开放、表示压缩、随机解码、部分观测、多步累积、目标不对齐的叠加。治理手段必须针对这些因子,而不是只换更大模型。

架构与工程维度对比

维度 确定性业务架构 Agent 架构
控制核心 代码/规则/状态机 模型规划 + 工具执行
正确性来源 测试、类型、事务 约束、校验器、沙箱、人工确认
失败形态 异常、不一致、超时 幻觉、选错工具、越权、死循环
变更方式 发版 提示词、工具集、策略、模型版本同时变
可回放性 高 需固定种子、追踪完整轨迹才可能近似回放
适用边界 强一致、强合规 探索性、非结构化、跨系统编排

技术架构

方案A 的边界在服务接口。领域模型在进程内,外部系统通过明确 API 访问。

方案B 的边界在“工具面”。每个工具都是能力出口,也是攻击面。需要工具白名单、参数 schema 强制校验、副作用分级(只读/写/资金类)、会话级授权。应用层胶水代码的真正价值,是把开放生成限制在封闭动作集合里。

功能能力

方案A 擅长精确:优惠叠加、账务分录、审批矩阵。

方案B 擅长覆盖:从邮件里抽订单、跨多个内部系统查原因、生成多种候选方案。若把账务分录交给无约束生成,风险高于收益。

接入与改造

方案A 改造集中在接口兼容。

方案B 改造集中在:领域 API 工具化、错误信息对模型可读、幂等键从会话贯穿到工具、把“不可逆操作”从自动路径拆出。胶水层要变厚,不是变薄:厚在策略,不厚在重复 if-else 业务。

性能与成本结构

方案A 成本主要是计算与存储。方案B 额外包含推理时延、token、重试规划、人工审核。高并发下应把热路径留在确定性服务,Agent 只处理长尾和复杂例外。不得用虚构数字比较快慢,但结构上推理路径通常更长、更贵、更抖。

安全与合规

传统安全强调认证授权与数据隔离。Agent 还要防提示注入、防工具被诱导调用、防记忆泄露跨会话。权限应做到“模型可见范围 ≤ 用户授权范围”,并且写操作默认最小权限。

运维

方案A 盯错误率、饱和度、慢查询。方案B 还要盯轨迹、工具分布、自我循环、拒绝率、人工接管率。没有轨迹存储,几乎无法复盘一次“看起来像人话的事故”。

典型场景如何选

更适合方案A 的场景:支付与账务、库存扣减、权限判定、计费出账、强监管流程、需要法律意义上的可解释与可重复。

更适合方案B 的场景:客服多轮理解、跨系统排查、文档与知识整理、研发辅助、运营配置探索、内部工具编排。前提是工具有强校验,关键动作可人工确认。

混合才是常态:Agent 负责理解与规划,领域服务负责不变量。所谓“应用层只剩胶水”,如果胶水里没有校验器、策略引擎、状态机和审计,那不是架构进化,而是把风险外包给概率。

选型建议(条件化)

  • 若错误代价高、状态必须一致,把最终决定权留在确定性服务,模型只产生建议或填写参数草稿。
  • 若任务开放、规则难穷尽、允许事后纠正,用 Agent 提升覆盖,同时限制工具集合。
  • 若团队缺少评测与追踪能力,先不要把生产主路径交给多步自动执行。
  • 若已有稳定领域服务,优先“工具化现有服务”,而不是用生成逻辑重写核心域。

涉及云上落地时,可使用对象存储保存轨迹与附件、消息队列做异步工具、数据库做会话与幂等、日志监控做告警、身份认证做委托授权。这些是通用能力类别,不改变上述分工。

迁移与使用注意事项

从方案A 迁到混合架构时,优先迁移“读多写少、可撤销”的能力。为每个工具定义 JSON Schema,拒绝模型自由发挥字段。资金类、删除类、权限变更类默认二次确认。固定模型版本与提示词版本,变更走灰度。准备降级开关:模型不可用时回到表单和工单。评测集要包含对抗样本与注入样本,而不仅是幸福路径。

反向也成立:不要因为 Agent 火了就拆掉领域层。领域层是不变量的容器;Agent 是开放世界的接口。坍塌的不该是业务逻辑,而该是“把所有规则都手写进巨型服务”的幻想。

总结

传统架构用代码消灭不确定性;Agent 架构用工程约束不确定性。LLM 不确定来自开放输入、压缩表示、随机解码、部分观测、多步累积和目标不对齐。应用层在 Agent 时代不应只做胶水,而应升级为:工具边界、策略校验、轨迹治理与人机协同。该构建的是“带护栏的智能体运行时 + 更清晰的领域不变量”,而不是二选一地抛弃其中任何一侧。

发表评论

活动