用途：该技能面向 AI 智能体系统架构设计，目标是构建既能自主行动又保持可控的 AI 系统，并为意外失败设计优雅降级与清晰失败模式，在自主性与人工监督之间取得平衡。
主要能力：智能体架构设计、工具与函数调用、智能体记忆系统、规划与推理策略、多智能体编排、智能体评估与调试。
前置要求：使用 LLM API、理解函数调用、基础提示词工程。
常见模式：ReAct 循环，即 Reason-Act-Observe 逐步执行，包含思考、选择并调用工具、处理工具结果，循环至任务完成或卡住，并设置最大迭代限制；Plan-and-Execute，先规划再执行，包含任务分解、逐步执行、根据结果重新规划，可分离规划器与执行器模型；Tool Registry，动态发现与管理工具，包括注册带 schema 和示例的工具、按任务选择相关工具、对昂贵工具懒加载、跟踪使用情况以优化。
反模式：无限自主、工具过载、记忆囤积。
风险与对策：智能体循环无迭代限制属严重问题，应始终设置限制；工具描述含糊或不完整属高问题，应写完整工具规格；工具错误未暴露给智能体属高问题，应显式错误处理；把所有内容存入智能体记忆属中问题，应选择性记忆；智能体工具过多属中问题，应按任务精选工具；一个智能体可完成却用多个属中问题，应论证多智能体必要性；智能体内部无日志或不可追踪属中问题，应实现追踪；对智能体输出脆弱解析属中问题，应做健壮输出处理；智能体工作流在崩溃或重启后丢失属高问题，应使用持久化执行（如 DBOS）保存工作流状态。
相关技能：rag-engineer、prompt-engineer、backend、mcp-builder、dbos-python。
适用场景：需要设计、评估或调试自主智能体工作流时使用。限制：资料未提供具体安装命令、收费与平台信息。