万字解析企业级Super Agent工程方案

作者:技术拾光时间:2026-07-09 10:16:12浏览:359

企业级Agent面临上下文膨胀、多轮连贯性断裂、知识生产与消费脱节等核心挑战。流程驱动架构通过流程定义与实例二元结构、本地运算优先及RemoteWorkflowBridge增量同步解决上述问题。该方案融合Petri网、工作流模式与Actor模型理论,结合React、Harness等设计模式,实现分层上下文治理与知识飞轮自增强闭环。

构建企业级Agent,尤其是在复杂的业务流程中,仅依靠大模型自身能力远不足。真正棘手的,往往不是模型“不够聪明”,而是如何在长时间、多步骤、多分支的流程中,让Agent始终头脑清醒、决策有理有据,并且能“记住”自己之前做了什么、为什么那样做。

这背后隐藏着几个不能回避的核心问题:如何管理上下文、如何切割流程、如何沉淀知识。本文旨在系统性地讲清这套面向复杂场景的Agent工程体系。

1. Super Agent的核心挑战

要将Agent真正应用于企业业务流程,必须直面三个“拦路虎”。

1.1 上下文膨胀与污染

最直观的问题:多轮对话、多节点流转,LLM的上下文窗口很快就会塞满历史消息。更严重的是“污染”——不同业务活动的中间状态、临时变量以及错误重试信息混杂在一起。模型面对这些内容,很难区分哪些是当前决策真正需要的。

核心矛盾很明确:上下文窗口是有限的共享资源。若不加管理地塞入信息,就像在程序中使用全局变量一样,随着流程复杂度增加,Agent的行为将越来越难预测。

具体会引发几个麻烦:

  • Token浪费:已完成活动的详细数据持续占用窗口,压缩了真正需要推理的空间。
  • 注意力稀释:模型需要在无关历史信息上分配注意力,导致关键决策的准确性下降。
  • 幻觉加剧:跨活动交叉引用信息,容易让模型“脑补”出当前活动实际不存在的记忆。

1.2 多轮对话连贯性断裂

流程中的活动流转本质上是一次结构化的“上下文切换”。从活动A切换到活动B,需要明确做几件事:

  • 将A的关键产出保留下来,作为B的输入。
  • 切换到B的工作区上下文。
  • 同时维护整个流程层面共享的状态。

但传统对话式Agent并不理解“流程语义”,它自己无法完成这种结构化切换。结果就是:流转时会丢失关键结果、新活动看不到前一步的决策依据、想回退到历史活动时,当时的上下文状态已无法找回。

1.3 知识生产与消费脱节

Agent在执行流程过程中会产生大量有价值的知识,例如业务规则如何应用、某个分支决策的逻辑、异常处理经验等。然而,这些“知识”往往随活动结束而被丢弃,未能形成“沉淀→复用→增强”的闭环。

具体问题出现在四个环节:

  • 生产侧:活动产生的结构化数据未被提取为可复用的知识。
  • 入库侧:流程归档时,未将活动级知识聚合到流程级。
  • 消费侧:新活动执行前,未按作用域优先级注入相关知识。
  • 反馈侧:未将知识预测结果与实际执行结果比对,从而更新知识的置信度。

设计洞察:这三大挑战归根结底是缺乏一套“懂流程”的上下文治理机制。解决之道并非单纯扩大上下文窗口或添加记忆模块,而是引入“流程驱动”的架构范式,使上下文的生命周期与流程节点的生命周期对齐。

2. 流程驱动的架构哲学

“流程驱动”的核心思想很朴素:用“流程定义”描述“应该怎么做”(静态蓝图),用“流程实例”记录“实际怎么做了”(动态轨迹)。两者分开后,Agent的行为就能被预测、追溯和恢复。

2.1 流程定义与实例的二元结构

维度流程定义 (ProcessDefinition)流程实例 (ProcessInstance)
本质静态蓝图,描述节点与转移条件动态轨迹,记录状态与数据
生命周期设计时确定,部署后不变运行时创建,完成后归档
数据特征节点定义、转移规则、角色映射当前节点、历史路径、上下文快照
可复制性一个定义可创建多个实例每个实例独立
持久化策略版本管理,不可变增量保存,可回溯

这种二元结构可直接映射到代码层面:ProcessDefinition类似编译时的常量,ProcessInstance则是运行时的变量。所有上下文治理机制都围绕“实例”展开——因为只有实例才拥有状态变迁的历史。

2.2 本地运算优先,远程持久化的职责划分

在分布式Agent系统中,每次决策都远程调用会导致延迟过高。因此需遵循“本地运算优先”原则:所有需要实时决策的逻辑(如条件计算、路由决策、上下文编排)均在客户端执行;只有必须持久化的状态变更才通过RemoteWorkflowBridge同步到服务端。

万字解析企业级Super Agent工程方案

2.3 RemoteWorkflowBridge的设计原则

RemoteWorkflowBridge是客户端与服务端之间的唯一通道,只做三件事:

  • syncState():将客户端计算好的流程状态变更同步到服务端,保证状态一致。
  • persistData():将需要持久化的业务数据通过VFS写入服务端存储。
  • restoreSnap():从服务端恢复历史快照到客户端,用于支持回退场景。

该Bridge遵循“最少传输原则”:只传输增量变更,绝不传输全量数据。例如syncState()只传{from: activityA, to: activityB, timestamp: ...},而非整个流程实例的JSON。

架构收益:本地运算优先 + Bridge增量同步 = 毫秒级决策延迟 + 秒级持久化保障。Agent的实时决策几乎不受网络波动影响,而关键状态的持久化则交给服务端保证ACID特性。

3. 流程驱动的理论根基与设计模式融合

流程驱动并非凭空而来——它扎根于工作流理论、Petri网形式化验证和Actor模型,同时与软件工程中许多成熟设计模式深度共鸣。React、Harness、Loop、Hooks、上下文工程、数据飞轮等常见模式,都能在流程这一新范式下被重新理解和融合。

3.1 流程驱动的理论根基

理论支柱核心思想在本方案中的映射
Petri网理论库所(Place)与变迁(Transition)的二元结构,通过令牌(Token)流动描述系统行为;可形式化验证可达性、有界性、活性Activity = Place,Transition = Route,Context Token = 上下文数据;XOR_SPLIT/AND_JOIN就是Petri网的选择/并行结构
工作流模式Workflow Patterns (van der Aalst, 2003) 定义了43种控制流模式,涵盖顺序、并行、选择、迭代、取消等AND_SPLIT/AND_JOIN映射同步并行,XOR_SPLIT映射排他选择,BACKWARD映射迭代/补偿,noMatchPolicy映射取消
Actor模型Hewitt的Actor模型:每个Actor拥有私有状态,通过异步消息通信,无共享可变状态每个ActivityInstance是独立Actor,WORKING层是私有状态,Transition是异步消息,分裂时深拷贝避免共享可变状态

关键洞察:流程驱动之所以特别,在于它同时提供了结构化的控制流(来自工作流模式)和隔离的状态管理(来自Actor模型),并通过Petri网的形式化语义保证了行为的可预测性。这三者结合,Agent的行为就不再是黑盒——每一步决策的输入、条件、输出均可精确追溯。

万字解析企业级Super Agent工程方案

3.2 React模式:声明式上下文渲染

React的核心思想是 UI = f(state)——给定状态,渲染结果确定。在流程驱动范式中,这一思想可重新解读为:

Agent行为 = f(流程状态 × 上下文快照) 给定流程当前节点和上下文快照,Agent的下一步行为是确定的、可重现的。

React概念流程驱动映射实现方式
StateContextLayer分层状态6层上下文模型,SYSTEM/PROCESS为全局状态,WORKING为组件局部状态
PropsTransition传递的上下文切片routeTo时通过分支注入_branch标记,子活动只接收属于自己分支的上下文
Reconciliation上下文分裂与合并XOR_SPLIT时“diff”出分支差异(_branch注入),AND_JOIN时“reconcile”合并分支输出
Virtual DOMVFS虚拟文件系统上下文在VFS中维护虚拟层级,通过writeLayer/readLayer按需加载
Re-render活动重新执行routeBack + restoreContext = 重新渲染,从历史快照恢复上下文后重新执行活动
useEffect活动生命周期钩子活动执行前的injectKnowledge(pre-effect),执行后的compress + extractKnowledge(post-effect)

最关键的映射是Reconciliation → 上下文合并。React通过diff算法确定最小变更集,流程驱动则通过合并策略确定冲突解决方式——不追求全局一致性,而是保留各分支的独立输出到_mergedOutputs,标记冲突到_mergedConflicts,让下游LLM节点基于完整信息做最终裁决。

3.3 Harness模式:结构化测试闭环

Harness(测试线束)模式的核心是为被测系统构建受控执行环境,使输入可预测、输出可验证。在流程驱动范式中,Harness被提升为生产级机制:

Harness概念流程驱动映射设计差异
测试夹具(Fixture)流程定义(ProcessDefinition)不是临时测试数据,而是正式部署的流程蓝图
测试用例(TestCase)流程实例(ProcessInstance)每个实例是一次完整执行轨迹,可重复、可审计
断言(Assertion)知识飞轮反馈(Feedback)从“通过/失败”升级为“置信度评分”,量化知识质量
覆盖(Coverage)流程分支覆盖率追踪每个Transition是否被实际路由到,而非代码行覆盖
Mock/Stub本地运算优先不需要Mock远程服务——本地运算直接替代远程调用,真实环境下零Mock

流程驱动的Harness闭环体现在三个层次:

  • 样本级:每个流程实例的执行结果都是一个“测试用例”,通过知识飞轮反馈自动验证。
  • 场景级:SceneGroup(场景组)定义了一组关联流程的执行模板,等价于测试套件。
  • 集群级:多节点并行执行 + VFS远程数据落地验证,等价于集成测试。

3.4 Loop模式:迭代收敛与流程退回

Loop(循环)在传统编程中是代码级的控制结构,但在流程驱动中,它被提升为流程级的语义,拥有完整的生命周期管理:

Loop概念流程驱动映射增强能力
for循环AND_SPLIT + AND_JOIN并行迭代,每个分支独立执行,汇聚时合并;有完整的上下文隔离
while循环BACKWARD Transition条件驱动的退回,带maxRetry上限防止死循环;每次退回都从历史快照恢复
breaknoMatchPolicy = TERMINATE无路由匹配时终止流程,等价于break退出
continuenoMatchPolicy = SKIP跳过当前活动,等价于continue到下一个迭代
循环变量_retryCount + _branch退回次数和分支标识作为上下文变量,参与条件计算
循环不变式PROCESS层上下文跨迭代不变的量存在PROCESS层,WORKING层每次迭代重置

关键差异:传统循环只管理控制流,流程驱动的Loop同时管理数据流和上下文快照。每次BACKWARD退回不是简单的指令跳转,而是:恢复历史上下文 → 保留PROCESS层不变量 → 重置WORKING层 → 递增_retryCount → 重新执行。这使得“循环”拥有完整的审计轨迹和状态恢复能力。

3.5 Hooks模式:生命周期织入

Hooks模式的核心是在不修改核心逻辑的前提下织入横切关注点。流程驱动将Hooks提升为流程级生命周期事件,与活动状态机严格对齐:

万字解析企业级Super Agent工程方案

3.6 上下文工程:从窗口管理到流程治理

上下文工程(Context Engineering)是LLM应用中最核心的工程挑战。传统方案将上下文视为扁平窗口——尽可能多塞信息,然后让LLM自行筛选。流程驱动范式将上下文治理提升为“流程感知的分层治理”:

传统上下文工程流程驱动上下文工程本质差异
窗口管理:塞尽可能多的token分层治理:按生命周期和作用域隔离从“量”的优化到“质”的治理
RAG检索:按相关性注入文档知识飞轮:按scope优先级注入知识从“被动检索”到“主动注入+反馈”
滑动窗口:保留最近N轮对话压缩引擎:PRESERVE_KEYS + COMPRESS_BLOCKS从“机械截断”到“语义压缩”
全量上下文:所有活动共享一个Map六层模型:SYSTEM→PROCESS→KNOWLEDGE→HISTORY→WORKING→EPHEMERAL从“扁平污染”到“结构化隔离”
对话级上下文:session-scoped流程级上下文:process-scoped + activity-scoped从“对话粒度”到“活动粒度”

流程驱动上下文工程的核心公式可表达为:

LLM输入 = buildFullContext(processInstId, activityId) = 
  SYSTEM层(系统指令) + 
  PROCESS层(流程参数, 不随活动变化) + 
  KNOWLEDGE层(按scope注入, 分裂时继承) + 
  HISTORY层(历史摘要, LLM增强压缩) + 
  WORKING层(当前活动私有数据) + 
  EPHEMERAL层(临时变量, 不持久化)

每一层都有独立的写入时机、读取优先级和分裂行为。这样,上下文不再是不可控的黑盒,而是可预测、可调试、可审计的结构化数据。

3.7 数据飞轮:从单向管道到自增强闭环

数据飞轮模式描述的是数据驱动的自增强系统——更多数据 → 更好模型 → 更多用户 → 更多数据。在流程驱动范式中,这被具象化为“知识飞轮”,与流程的生命周期严格绑定:

万字解析企业级Super Agent工程方案

与传统数据飞轮相比,知识飞轮有几个关键增强:

  • 流程绑定:生产阶段绑定活动完成事件,入库阶段绑定流程归档事件,消费阶段绑定活动执行前事件——不再是异步批处理,而是同步的实时闭环。
  • 反馈验证:传统飞轮只有正向增强(更多数据→更好模型),知识飞轮增加了反向验证(evaluateQuality:预测vs实际,更新置信度)。质量不合格的知识会被降权,避免“脏数据飞轮”。
  • Scope治理:知识按global/process/activity三级作用域管理。活动级知识只在同流程内可见,全局知识需达到高置信度阈值才晋升——避免低质量知识污染全局。

3.8 模式融合全景

所有模式在流程驱动范式下不再是孤立的“银弹”,而是围绕流程实例的生命周期形成协同:

流程生命周期阶段激活的模式协同机制
活动执行前Hooks(useBeforeExecute) + 上下文工程(KNOWLEDGE注入)Hooks触发injectKnowledge,按scope优先级将知识写入KNOWLEDGE层
活动执行中React(状态驱动) + Loop(条件退回)WORKING层状态变化驱动LLM响应,BACKWARD路由实现重试循环
活动执行后Hooks(useAfterExecute) + 数据飞轮(生产) + 上下文工程(压缩)compress压缩WORKING→HISTORY,extractKnowledge提取知识
路由转移React(Reconciliation) + Harness(断言)分裂=diff分支,合并=reconcile输出,知识飞轮反馈=断言验证
流程归档数据飞轮(入库) + Harness(覆盖率)archiveKnowledge聚合活动级知识,Transition覆盖率审计

融合核心:流程驱动不是要替代这些模式,而是为它们提供一个统一的时间轴和结构化的挂载点。React的声明式渲染、Harness的验证闭环、Loop的迭代收敛、Hooks的生命周期织入、上下文工程的分层治理、数据飞轮的自增强——所有模式都以流程实例为坐标原点,以活动状态为时间刻度,形成协同而非冲突的设计整体。

4. 六层上下文模型

上下文治理的核心问题是如何划分信息的作用域与生命周期。六层上下文模型将Agent运行时的上下文严格分层,每一层都有明确的持久化策略和分裂行为,从而在流程流转中实现精准的上下文隔离与继承。

4.1 层级定义

层级名称作用域持久化分裂行为典型内容
L0SYSTEM全局不持久化(硬编码)共享,永不分裂系统指令、安全约束、角色定义
L1PROCESS流程级持久化到流程实例共享,永不分裂流程参数、全局变量、审批链
L2KNOWLEDGE按scope分级持久化到知识库继承(深拷贝引用)业务规则、领域知识、历史经验
L3HISTORY流程级持久化(压缩后)合并(多分支摘要聚合)历史活动摘要、决策记录
L4WORKING活动级按需持久化到VFS深拷贝 + _branch标记当前活动工作区、中间变量
L5EPHEMERAL会话级不持久化不参与分裂临时计数器、UI状态、缓存标记

万字解析企业级Super Agent工程方案

4.2 层级间的交互规则

六层模型不是简单的堆栈,层与层之间存在严格的读写权限规则:

操作SYSTEMPROCESSKNOWLEDGEHISTORYWORKINGEPHEMERAL
当前活动读
当前活动写 (受限) (只读)追加
流转时继承 (压缩后清除)
回退时恢复 (从快照)

设计要点:KNOWLEDGE层对当前活动是只读的——活动不能直接修改知识,只能通过知识飞轮的Production阶段提取产出,再通过Archive阶段归档入库。这种单向数据流保证了知识的一致性。

5. 语义感知的上下文分裂与合并

流程中的网关节点(XOR_SPLIT / AND_JOIN)会触发上下文的分裂与合并。这并非简单的数据复制,而是语义感知的操作:不同层级的上下文根据各自语义特性采取不同的分裂/合并策略。

5.1 XOR_SPLIT分裂策略

当流程走到排他网关(XOR_SPLIT)时,需要为每个分支创建独立的上下文:

// XOR_SPLIT 分裂伪代码
function splitContext(parentContext, branches) {
  const branchContexts = [];
  for (const branch of branches) {
    const branchCtx = {
      // L0 SYSTEM: 直接共享引用(不可变,无需拷贝)
      SYSTEM: parentContext.SYSTEM,
      // L1 PROCESS: 直接共享引用(流程级,所有分支共享)
      PROCESS: parentContext.PROCESS,
      // L2 KNOWLEDGE: 继承(深拷贝引用,分支可独立消费)
      KNOWLEDGE: deepClone(parentContext.KNOWLEDGE),
      // L3 HISTORY: 共享(历史摘要对所有分支可见)
      HISTORY: parentContext.HISTORY,
      // L4 WORKING: 深拷贝 + _branch注入
      WORKING: {
        ...deepClone(parentContext.WORKING),
        _branch: branch.id,   // 注入分支标识
        _branchOrigin: parentContext.currentActivity,
        _splitTimestamp: Date.now()
      },
      // L5 EPHEMERAL: 不参与分裂(重新初始化)
      EPHEMERAL: {}
    };
    branchContexts.push(branchCtx);
  }
  return branchContexts;
}

几个关键设计点:

  • _branch标记:每个分支的WORKING层都注入唯一的分支ID,确保活动执行时知道自己属于哪个分支。
  • _branchOrigin:记录分裂来源的活动,用于后续合并时追溯。
  • KNOWLEDGE层的“继承”是深拷贝引用:分支可以独立消费知识,但不修改原始知识库。

5.2 AND_JOIN合并策略

当所有并行分支都完成后,汇聚网关(AND_JOIN)会把多分支的上下文合并起来:

// AND_JOIN 合并伪代码
function mergeContexts(branchContexts) {
  const merged = {
    SYSTEM: branchContexts[0].SYSTEM,
    PROCESS: branchContexts[0].PROCESS,
    KNOWLEDGE: branchContexts[0].KNOWLEDGE,
    // HISTORY: 各分支摘要聚合
    HISTORY: aggregateSummaries(branchContexts.map(ctx => ctx.HISTORY)),
    // WORKING: 合并策略
    WORKING: {
      _mergedOutputs: {},        // 各分支的输出合集
      _mergedConflicts: [],      // 冲突标记
    },
    EPHEMERAL: {}
  };

  for (const branchCtx of branchContexts) {
    // 收集各分支输出
    merged.WORKING._mergedOutputs[branchCtx.WORKING._branch] = 
      extractOutput(branchCtx.WORKING);

    // 冲突检测
    const conflicts = detectConflicts(branchCtx.WORKING, merged.PROCESS);
    if (conflicts.length > 0) {
      merged.WORKING._mergedConflicts.push(...conflicts);
    }
  }
  return merged;
}

万字解析企业级Super Agent工程方案

5.3 冲突解决的语义层次

冲突不是简单地“后者覆盖前者”,而是根据冲突的语义层次采取不同策略:

冲突类型检测条件解决策略标记
输出互补各分支写入不同字段直接合并无需标记
弱冲突同字段不同值,但无业务约束取最新值 + 冲突标记_mergedConflicts
强冲突PROCESS层字段被多分支修改保留两个版本,等待人工裁决_requiresResolution

6. 可信回退与历史恢复

在流程执行中,回退(routeBack)是一个常见且关键的操作。它不是简单的“撤销”,流程回退需要完整恢复回退目标节点的上下文状态,包括当时的WORKING层数据、KNOWLEDGE层快照以及PROCESS层的参数状态。

6.1 routeTo时的快照保存

每次执行routeTo操作(从当前活动流转到下一个活动)时,系统都会自动保存一个完整的状态快照:

// routeTo 快照保存
function routeTo(fromActivity, toActivity, processInstance) {
  // 1. 保存当前状态快照
  const snapshot = {
    snapshotId: generateId(),
    processInstanceId: processInstance.id,
    fromActivity: fromActivity.id,
    toActivity: toActivity.id,
    timestamp: Date.now(),
    // 完整上下文快照
    context: {
      PROCESS: deepClone(processInstance.context.PROCESS),
      KNOWLEDGE: deepClone(processInstance.context.KNOWLEDGE),
      HISTORY: deepClone(processInstance.context.HISTORY),
      WORKING: deepClone(processInstance.context.WORKING),
    },
    // VFS数据快照路径
    vfsSnapshotPath: `/process-inst/${processInstance.id}/snapshots/${snapshotId}/`
  };

  // 2. 持久化快照
  vfsSave(snapshot.vfsSnapshotPath, snapshot.context);
  workflowEngine.saveSnapshot(snapshot);

  // 3. 执行流转
  workflowEngine.routeTo(processInstance.id, toActivity.id);
}

6.2 routeBack的三级恢复

回退恢复不是简单地“读取快照并还原”,而是一个三级降级的恢复策略:

万字解析企业级Super Agent工程方案

6.3 检查点重建的细节

当三级降级到检查点重建时,系统采用“最小可用上下文”策略:

  • 从流程级检查点恢复PROCESS层参数(这些参数在流程启动时就确定了,始终可靠)。
  • 从KNOWLEDGE层的scope快照恢复领域知识。
  • WORKING层无法完整恢复,改为注入_reconstructed: true标记和HISTORY层的摘要,让LLM根据摘要重建工作区。
  • 标记_degradationLevel: 3,提醒下游组件当前上下文是降级重建的。

降级恢复的权衡:检查点重建的WORKING层是不完整的,LLM需要根据HISTORY摘要去重建工作状态。这意味着回退后的首次决策,可能不如快照恢复那么精确,但保证了系统在极端情况下的可用性。

7. LLM增强的上下文压缩引擎

上下文窗口是Agent最珍贵的资源。随着流程推进,历史活动的上下文会不断累积,必须通过压缩引擎把已完成的WORKING层数据压缩成HISTORY层摘要,为当前活动释放窗口空间。

7.1 压缩策略:PRESERVE_KEYS vs COMPRESS_BLOCKS

不是所有上下文都值得等量压缩。压缩引擎把WORKING层的键值对分成了两类:

策略含义处理方式典型字段
PRESERVE_KEYS必须保留的关键字段原样保留到HISTORY层决策结果、审批意见、关键数值
COMPRESS_BLOCKS可压缩的数据块只保留引用标记,内容存入VFS对话历史、中间计算过程、探索记录
// 压缩引擎核心逻辑
function compressWorkingToHistory(working, preserveKeys, compressBlocks) {
  const historyEntry = {
    activityId: working._currentActivity,
    timestamp: Date.now(),
    preserved: {},
    compressed: {},
    vfsReferences: {}
  };

  // 1. PRESERVE_KEYS: 原样保留
  for (const key of preserveKeys) {
    if (working[key] !== undefined) {
      historyEntry.preserved[key] = working[key];
    }
  }

  // 2. COMPRESS_BLOCKS: 保留引用,内容存VFS
  for (const key of compressBlocks) {
    if (working[key] !== undefined) {
      const vfsPath = `/process-inst/{id}/compressed/${key}`;
      vfsSave(vfsPath, working[key]);
      historyEntry.compressed[key] = `[compressed→${vfsPath}]`;
      historyEntry.vfsReferences[key] = vfsPath;
    }
  }

  return historyEntry;
}

万字解析企业级Super Agent工程方案

7.2 多活动HISTORY二次压缩

当流程中有多个已完成活动时,HISTORY层本身也会膨胀。系统采用二次压缩机制:把多个活动的HISTORY条目聚合成一个流程级摘要,由LLM生成连贯的叙述。

// 二次压缩
function mergeActivitySummaries(historyEntries, processContext) {
  // 当HISTORY层累计超过阈值时触发
  const totalChars = historyEntries.reduce((sum, e) => sum + JSON.stringify(e).length, 0);
  if (totalChars > HISTORY_THRESHOLD) {
    // LLM生成流程级摘要
    const processSummary = await llm.summarize({
      prompt: `基于以下活动摘要,生成流程级概述:
                ${historyEntries.map(e => e.summary).join('')}`,
      preservedKeys: ['approvalResult', 'totalAmount'],
    });

    return {
      type: 'PROCESS_SUMMARY',
      summary: processSummary,
      entryCount: historyEntries.length,
      originalSize: totalChars,
      compressedSize: processSummary.length,
    };
  }
  return historyEntries; // 未超阈值,保持原样
}

LLM增强的核心价值:压缩引擎中LLM的角色不只是“生成摘要”,更是在摘要中保留决策的因果链。例如,不只是简单说“审批通过”,而是保留“因金额低于50万阈值且符合采购政策第三条,审批通过”——这种因果保留,使后续活动能够理解前驱决策的依据。

8. 知识飞轮闭环

知识飞轮是整个架构的自增强核心。它确保Agent在流程执行中产生的知识能够被提取、归档、消费和验证,形成正向循环,使同类流程的执行效率随时间递增。

8.1 四阶段闭环

阶段触发时机核心动作数据流向
Production活动完成时从活动产出中提取结构化知识WORKING → 知识候选
Archive流程归档时活动级聚合到流程级知识知识候选 → 知识库
Consumption活动执行前按scope优先级注入KNOWLEDGE层知识库 → KNOWLEDGE层
Feedback活动完成时比较预测与实际,更新置信度KNOWLEDGE层 → 知识库(更新)

万字解析企业级Super Agent工程方案

8.2 知识的Scope分级与优先级注入

知识按scope分为三级,消费时按优先级注入:

// 知识注入的scope优先级
function injectKnowledge(activity, knowledgeBase) {
  const scopePriority = [
    'global',   // 全局知识:跨流程通用的业务规则
    'process',  // 流程级知识:当前流程类型的特定知识
    'activity', // 活动级知识:特定活动类型的知识
  ];

  const injected = {};
  for (const scope of scopePriority) {
    const entries = knowledgeBase.query({
      scope,
      processType: activity.processType,
      activityType: activity.type,
      minConfidence: 0.7,  // 最低置信度阈值
    });
    for (const entry of entries) {
      // 高优先级scope的同名知识覆盖低优先级
      injected[entry.key] = entry.value;
    }
  }
  return injected;
}

8.3 反馈机制与置信度更新

Feedback阶段的核心是比较知识的预测和实际执行结果:

  • 命中:知识预测与实际一致 → 置信度 +0.05,使用计数 +1
  • 偏移:知识预测与实际部分一致 → 置信度 -0.1,标记需更新
  • 失效:知识预测与实际完全不一致 → 置信度 -0.3,标记为待审核

当置信度低于0.5时,知识会自动从主动注入列表中移除,避免误导后续活动。

9. 统一VFS虚拟文件系统

VFS(Virtual File System)是Super Agent架构中的统一数据存储抽象。它把分散在三个服务中的文件操作统一成一个一致的路径空间和操作接口。

9.1 三套路径统一

统一之前,三套VFS服务各自为政:

原始服务职责路径风格问题
ContextPersistenceService上下文快照持久化/ctx/{processId}/{actId}和流程实例ID不对应
WorkflowExecutionVFSBridge流程执行数据桥接/wf/{processId}/data缺少活动级粒度
ProcessKnowledgeVfsService知识数据存储/knowledge/{scope}/{key}无法按流程实例隔离

统一之后,所有操作都通过UnifiedVFSManager进行,路径遵循统一的规范:

// 统一VFS路径规范
const VFS_PATH_SPEC = {
  // 流程实例级
  processRoot:          '/process-inst/{processInstId}/',
  // 活动级
  activityRoot:         '/process-inst/{processInstId}/activities/{activityInstId}/',
  activityWorking:      '/process-inst/{processInstId}/activities/{activityInstId}/working',
  activitySnapshot:     '/process-inst/{processInstId}/activities/{activityInstId}/snapshot',
  // 知识级
  knowledgeRoot:        '/process-inst/{processInstId}/knowledge/{scope}/',
  knowledgeGlobal:      '/process-inst/{processInstId}/knowledge/global/',
  knowledgeProcess:     '/process-inst/{processInstId}/knowledge/process/',
  knowledgeActivity:    '/process-inst/{processInstId}/knowledge/activity/',
  // 压缩数据
  compressedRoot:       '/process-inst/{processInstId}/compressed/',
  // 快照
  snapshotRoot:         '/process-inst/{processInstId}/snapshots/{snapshotId}/',
};

万字解析企业级Super Agent工程方案

9.2 Folder克隆机制

VFS的Folder克隆机制对齐了bpm-web中VFSFileEngine的split/combine/restore操作,直接服务于上下文的分裂与合并:

操作VFS方法对应上下文行为实现细节
分裂cloneFolder(src, dest, options)XOR_SPLIT时为每个分支克隆WORKING目录深拷贝文件,注入_branch标记到metadata
合并combineFolders(sources, dest, strategy)AND_JOIN时合并各分支的output目录按strategy处理冲突:overwrite/skip/merge
恢复restoreFolder(snapshot, dest)routeBack时从快照目录恢复原子替换,失败时回滚

克隆的原子性保证:Folder克隆操作通过两阶段提交保证原子性。先将文件写入临时目录,全部写入成功后,再原子重命名为目标目录。如果中间任何步骤失败,临时目录被清理,目标目录保持不变。

9.3 VFS路径与六层上下文的映射

统一后的VFS路径与六层上下文模型之间存在直接映射关系:

  • /activities/{actId}/working/ → L4 WORKING层
  • /activities/{actId}/snapshot/ → routeTo时的WORKING层快照
  • /knowledge/{scope}/ → L2 KNOWLEDGE层
  • /compressed/ → 压缩引擎的COMPRESS_BLOCKS原始数据
  • /snapshots/{snapId}/ → routeTo时的完整上下文快照

10. 多引擎协作架构

Super Agent的流程执行涉及四个独立的引擎,每个引擎负责一个正交的关注点。它们之间的协作遵循客户端门面模式(Facade Pattern),由WorkflowClientServiceImpl统一对外提供接口。

10.1 四引擎职责划分

引擎职责核心API数据存储
WorkflowEngine流程状态管理routeTo / routeBack / completeProcessInst关系数据库
VFSFileEngine业务数据管理save / load / clone / combine / restore虚拟文件系统
DBDataEngine表单数据管理saveFormData / loadFormData / queryData关系数据库
RightEngine权限控制checkPermission / getAuthorizedActivities权限系统

10.2 routeTo时的多引擎调用时序

当执行routeTo操作时,四个引擎会按照严格的顺序协作:

// WorkflowClientServiceImpl.routeTo()
async function routeTo(processInstId, targetActivityId, context) {

  // 0. 权限检查
  const hasPermission = await rightEngine.checkPermission(
    context.currentUser, targetActivityId, 'ROUTE_TO');
  if (!hasPermission) throw new PermissionDeniedError();

  // 1. 保存当前WORKING层到VFS
  await vfsFileEngine.save(
    `/process-inst/${processInstId}/activities/${context.currentActivity}/working`,
    context.WORKING);

  // 2. 保存上下文快照
  const snapshotId = generateId();
  await vfsFileEngine.cloneFolder(
    `/process-inst/${processInstId}/activities/${context.currentActivity}/`,
    `/process-inst/${processInstId}/snapshots/${snapshotId}/`,
    { deep: true, includeMetadata: true });

  // 3. 更新流程状态
  await workflowEngine.routeTo(processInstId, targetActivityId);

  // 4. 压缩当前WORKING到HISTORY
  const historyEntry = await compressEngine.compressWorkingToHistory(
    context.WORKING,
    context.PRESERVE_KEYS,
    context.COMPRESS_BLOCKS);
  context.HISTORY.push(historyEntry);

  // 5. 注入目标活动的KNOWLEDGE层
  context.KNOWLEDGE = await knowledgeService.injectKnowledge(
    targetActivityId, knowledgeBase);

  // 6. 构建目标活动的WORKING层
  context.WORKING = await contextOrchestrator.buildWorkingContext(
    targetActivityId, context.PROCESS, context.HISTORY);

  // 7. 保存表单数据
  await dbDataEngine.saveFormData(processInstId, context.WORKING.formData);

  return context;
}

万字解析企业级Super Agent工程方案

10.3 客户端门面模式的设计意图

WorkflowClientServiceImpl作为门面,封装了四引擎的协作细节,对外只暴露routeTo、routeBack、completeProcessInst三个高层接口。这种设计的核心价值在于:

  • 一致性保证:门面负责协调多引擎的事务边界,确保流程状态、VFS数据、表单数据的一致性。
  • 降级策略:当某个引擎不可用时,门面可以降级到本地替代方案(例如VFS不可用时,写入本地缓存)。
  • 审计追踪:门面在每次操作中记录完整的调用链,支持事后审计。

架构收益:四引擎分离 + 门面协调 = 关注点分离 + 事务一致性。每个引擎可以独立演进、独立测试、独立部署,而门面保证了跨引擎操作的原子性。

11. 总结与展望

11.1 核心设计原则回顾

基于流程闭环的Super Agent工程方案,围绕以下核心设计原则构建:

原则体现收益
流程感知六层上下文模型与流程节点生命周期对齐上下文治理有章可循
语义感知分裂/合并/压缩策略按上下文层级语义决定避免“一刀切”的信息丢失
本地优先实时决策在客户端执行,只增量同步到服务端毫秒级决策延迟
可信回退三级降级恢复 + 完整快照极端情况下仍可恢复
知识闭环Production→Archive→Consumption→Feedback自增强,决策质量递增
统一抽象UnifiedVFSManager + 客户端门面降低复杂度,提升可维护性

11.2 架构全景

把所有组件组合在一起,Super Agent的架构全景如下:

架构核心公式:流程驱动 × 六层上下文 × 知识飞轮 = 可预测、可追溯、可增强的Agent系统

在这个架构里,每个组件都有明确的职责边界:

  • ContextOrchestrator:六层上下文的组装、分裂、合并
  • CompressEngine:上下文压缩与HISTORY层管理
  • KnowledgeFlywheel:知识的生产、归档、消费、反馈
  • RemoteWorkflowBridge:客户端与服务端的增量同步
  • UnifiedVFSManager:统一的数据存储抽象
  • WorkflowClientServiceImpl:四引擎协作的门面

11.3 展望

这套方案奠定了流程驱动Agent的工程基础,未来可在几个方向上持续深化:

  • 多模态上下文:把图像、表格等非文本数据纳入六层模型,扩展WORKING层的数据类型。
  • 分布式协作:多个Agent实例并行执行同一流程的不同分支,通过Bridge协调上下文。
  • 自适应压缩:根据LLM的注意力分布,动态调整PRESERVE_KEYS和COMPRESS_BLOCKS的分类规则。
  • 知识图谱增强:把知识飞轮的结构化知识构建成图谱,支持更精准的scope匹配和推理链追溯。
  • 安全沙箱:为KNOWLEDGE层的知识注入增加安全校验,防止恶意知识注入导致Agent行为偏移。

基于流程闭环的Super Agent工程方案 · 架构设计文档

流程驱动 × 六层上下文 × 知识飞轮 = 可预测、可追溯、可增强的Agent系统