[!TIP] 目标：从单步对话进化为“计划-模拟-执行”的闭环，并引入基于 YAML 的 DAG 异步编排。

1. 从“聊天”到“执行”：AX (Architect-Executive) 范式

Agent 与普通 Chatbot 的分水岭在于：它是否能将模糊的目标拆解为可操作的步骤。在 VISAGENT 中，我们实现了一套 AX Planner 逻辑：

  1. Architect (架构师)：接收需求，输出 TODO.json。此时严禁执行，只准规划。
  2. Simulation (心理演操)：在执行前，让另一个“安全专家”角色对计划进行风险评估。
  3. Executive (执行官)：逐一调用 execute_step 完成任务。

这种“先想后做”的机制，通过简单的 Prompt 约束即可在任意 CLI 上实现：

# AX_PLANNING_MODE 核心指令
plan_prompt = (
    "You are a specialized Task Architect. Output ONLY valid JSON.\n"
    "Schema: { 'goal': '...', 'steps': [ {'id': 1, 'desc': '...', 'type': 'EXECUTION'} ] }"
)

2. 线性落后：为什么需要 DAG？

早期的 AX Planner 是线性的。但现实中，复杂的工程任务往往是拓扑结构：有的步骤可以并行，有的则必须等待前序结果。这就是我们引入 Flow Architect 的原因。

3. 编排的核心：YAML-based DAG

我们设计了一套极简的 YAML 编排协议。不再依赖 LangGraph 等重型框架，而是直接用 Python 驱动：

id: "deploy_service_v1"
steps:
  - id: "build_docker"
    role: "builder"
    desc: "构建镜像"
    
  - id: "health_check"
    depends_on: ["build_docker"] # 声明依赖，构建 DAG
    skill: "web_fetcher"
    desc: "检查部署状态"

实现细节：

  • 状态持久化：每个 Flow 都有对应的 .state.json。即使进程中断，系统重启后也能通过读取状态实现“断点续传”。
  • L3 Context 传递：前序节点的输出会自动追加到 l3_context 中，作为后续节点的推演依据。

4. 影子反思 (Shadow Reflection)

为了增强“手搓”系统的稳定性，我们在执行每一步前增加了 影子反思 机制：

reflection_prompt = f"You are about to execute: '{desc}'. Think about risks. Reply 'SAFE' or 'WARNING'."
reflection_res = self.engine.invoke(reflection_prompt)
if "WARNING" in reflection_res:
    # 自动熔断或介入

这种“自我质疑”的逻辑，让 Agent 在面对写操作时具备了难得的审慎感。

总结

从线性到图论，是 Agent 从“实验玩具”走向“工程工具”的必经之路。通过简单的 YAML 定义和状态持久化，我们在没有引入复杂依赖的前提下，实现了长周期任务的可靠调度。

下一篇：如何让你的 Agent “看见”并理解多模态输入，以及动态技能树的设计。