探索YC投资理念中的五大AI智能体核心架构

当AI Agent从一次性的指令驱动和模糊编程，演进到复杂工作流阶段，其核心命题已发生根本转变。关键在于，我们能否将模型的原始智能沉淀为一种可复用、可迭代、可规模化部署的“流程资产”。

近期，从Garry Tan的GBrain等前沿实践中，行业内逐渐浮现出一套清晰的架构共识。这套结构也在Codex、Claude Code、Hermes等主流智能体工具的深度应用中得到自然印证。其核心可归纳为五种关键形态，共同指向了一种新型的、可构筑壁垒的“过程能力”。

Skills：从标准作业程序到「参数化方法调用」

Skills是绝大多数人接触AI智能体的直观起点。它类似于一种标准作业程序，定义系统“如何”执行任务。然而，更精妙的类比，是将一个Skill视为一次编程中的“方法调用”。

在软件开发中，方法调用意味着可以使用不同的输入参数，反复执行同一段核心逻辑。一个设计良好的Skill也应如此：其内部的流程步骤是固定的、标准化的，而变化的是外部输入的参数——具体目标、待解问题、原始数据集。例如，一个名为 /investigate 的研究型Skill，其“七步分析法”的流程不变，但当参数指向生物医药行业时，它扮演市场研究分析师；当参数指向SEC监管文件时，它又能化身为法务尽职调查助手。

这超越了传统SOP的范畴。传统SOP往往深度绑定于单一、具体的场景，而优秀的Skill实现了更高层次的抽象。一套流程可以解决一类问题，将具体的场景信息从固定文档中抽离，交由动态参数决定。当然在具体实践中，不同Skill的抽象程度各异，有的更贴近具体SOP，有的则更接近纯粹的函数调用。

Thin Harness：模型驱动决策，框架负责执行

大语言模型提供了理解、推理与决策的“大脑”，而像Claude Code、Codex CLI这类Harness（执行框架），则赋予了模型与真实世界互动的“四肢”。它们负责关键的工程化环节：循环执行控制、文件系统操作、上下文管理与安全边界约束，其核心代码通常非常精简、高效。

一个常见的实践误区是不断向Harness中堆积功能。工具定义越来越多，MCP服务器持续增加，最终导致每次调用时，宝贵的上下文窗口被大量工具说明文档所占据。模型开始困惑于工具选择，响应延迟上升，执行准确性下降，形成典型的“上下文窗口腐化”问题。

Resolvers：引入智能路由，根治上下文腐化

解决上下文腐化的核心方案，是引入明确的智能路由机制。Resolver就像一张清晰的路由表，将“任务类型X”精确映射到“应当调用的Skill Y”。当Skill数量有限时，依赖模型的模糊理解与选择或许可行；但当工具库膨胀到数十甚至上百个，明确的规则路由就变得不可或缺。

类似的“审计-路由”架构思想，也可以应用于输出管理。通过另一张文件路由表，系统能决定每个Skill的产出应当存入哪个具体目录路径，确保结果的稳定落地与组织，而非依赖模型的临时猜测。

与之配套的，是“Skill化”的持续质量改进循环——将一次性的、临时的操作，固化为可长期复用、稳定可靠的基础设施。一套典型的自动化流程包括：明确定义Skill契约、在关键环节使用确定性代码、编写单元与集成测试、利用LLM-as-judge进行评估、更新Resolver路由条目、运行审计脚本以及最终的端到端验证。一个简单的成功检验标准是：如果同一个问题需要向模型人工询问两次，那么这个流程就尚未实现真正的自动化。

Latent vs. Deterministic：概率与确定性的分层协作

在架构设计时，必须清醒地区分：哪些工作应交由概率性的LLM处理，哪些应交由确定性的传统系统完成。LLM擅长判断、综合、创意生成、模式识别与理解潜台词；但在精确算术、复杂组合优化，或任何要求每次输出严格一致、分毫不差的任务上，它并非合适选择。因为LLM的本质是概率生成模型。

一个普遍的认知盲点是低估确定性代码层的长期价值。非技术背景的实践者容易倾向于把所有事情都“扔给模型”。但关键的成功纪律在于：始终追问，这个任务能否用一段稳定、低成本、可验证的代码来完成？如果可以，就应该引导模型生成或协助编写这段代码，然后将它固化下来，形成系统资产。

Memory：构建持续进化的系统基石

一个真正有用且智能的系统必须拥有记忆。目前业界探索了多种记忆形态：向量嵌入数据库、语义检索系统、知识图谱或混合存储方案。一种在实践中被证明简洁有效的方案，是使用结构化的Markdown文件夹作为基础记忆层。

例如，为每个客户、每家公司、每个核心概念建立独立的Markdown文档页面。页面顶部是不断更新的“当前最可信结论”摘要，随着新证据的获取而动态重写；页面底部则是一条只追加、不覆盖的完整时间线，忠实记录所有历史信息与演变过程。

选择Markdown作为基础格式带来了多重优势：文件本身就是人类可读、可编辑的主记录；Agent可以自动同步并感知文件变更；同时，类型化的实体关系可以通过正则表达式在信息写入时自动抽取，从而在不消耗额外推理算力的情况下，渐进式地构建起知识图谱。当然，具体的文档结构与关系定义需要根据实际业务场景深度定制。

在此基础记忆层之上，可以构建自动化的信号探测器与维护流程。例如，当某个实体在对话中被高频提及时，触发自动信息补全任务；或在夜间运行“梦境循环”批处理作业，扫描近期对话、更新过时信息、修复断裂的引用链接。以文本作为基础层，在其上构建的所有增强功能都变得廉价、灵活且可组合。

从工具到壁垒：流程能力即核心竞争力

不同的AI智能体构建者不约而同地收敛到类似的结构范式，这本身就是一个强烈的市场信号：这种分层架构模式具备普遍的工程实用价值与商业可行性。尽管具体的技术实现会有所差异，但其总体框架正被全球范围内的团队独立地反复验证。

这引出了一个更深层的战略问题：在AI技术日益普及的时代，企业如何构建可持续的、难以被模仿的竞争优势？

基于模糊指令快速拼凑出一个演示应用固然令人兴奋，但任何能够通过一次性提示词生成的东西，其长期的市场均衡价格最终都会趋近于生成它所消耗的Token成本——这几乎是微不足道的。激烈的市场竞争会迅速拉平这种初级的“技术套利”红利。

真正能够构筑长期护城河的，是“流程能力”。借用战略学者Hamilton Helmer在《7 Powers》中提出的框架，企业维持超额利润的能力源于七种结构性力量。对于大多数中小企业和初创公司而言，规模经济、网络效应、高转换成本、独占资源和强势品牌这五道大门通常是关闭的。而“反定位”这种颠覆性机会更是可遇不可求。

于是，最切实、最可靠的路径就落在了“流程能力”的构建上。而一个设计精良的AI智能体系统，恰恰是锻造这种流程能力的理想熔炉。它与企业建立高质量SOP或开发专有软件一脉相承：核心流程被精确编码，通用任务被巧妙参数化，底层执行系统稳定可靠，记忆层持续沉淀和优化领域知识。这极大地放大了“服务产品化”的潜力——你能以显著更低的边际成本或显著更高的交付质量来提供专业服务，因为整个价值交付的工作流已被彻底地结构化、自动化与优化。

试想一位税务会计师构建了这样的系统。记忆层是每位客户的动态Markdown档案，记录所有历史与变更；Skill层是参数化的年终税务复审、季度财务预估、审计材料准备等标准化流程；确定性层包含了所有官方税表模板与历史文件处理逻辑；还有夜间自动运行的洞察发现与风险预警机制。

于是，她可以基于更高的效率和更深的洞察收取合理溢价，服务更多客户，而竞争对手却难以简单复制。因为真正的壁垒并非那些可见的Markdown文件本身，而是文件背后所承载的、经年累月在真实业务中迭代、打磨、验证而成的深度流程能力与领域知识。这种竞争优势，从系统运行的第一天起就在持续积累与强化，最终内化为组织坚固且持久的竞争护城河。