用途：作为 AI 智能体系统架构师，设计可自主行动且保持可控的 AI 系统，针对代理的异常失败设计优雅降级与清晰失败模式，在自主性与监督之间做取舍，判断代理应求助还是独立推进。
主要能力：代理架构设计；工具与函数调用；代理记忆系统；规划与推理策略；多智能体编排；代理评估与调试。
前提要求：会使用 LLM API；理解函数调用；具备基础提示工程能力。
常见模式：1) ReAct 循环，即 Reason-Act-Observe 逐步执行：Thought 推理下一步，Action 选择并调用工具，Observation 处理工具结果，循环直到任务完成或卡住，必须设置最大迭代次数。2) Plan-and-Execute，先规划再执行：规划阶段拆解任务为步骤，执行阶段逐步执行，可根据结果重新规划，可分离规划器与执行器模型。3) 工具注册表，动态发现与管理工具：用 schema 和示例注册工具，工具选择器为任务挑选相关工具，对高成本工具延迟加载，通过使用追踪进行优化。
反模式：无限自主性、工具过载、记忆囤积。
常见风险与对策：代理循环无迭代上限属严重问题，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；工具错误未暴露给代理属高问题，应显式处理错误；将所有内容存入代理记忆属中等问题，应有选择地记忆；代理工具过多属中等问题，应按任务筛选工具；一个代理可完成却用多个代理属中等问题，多代理方案需有理由；代理内部未记录或不可追踪属中等问题，应实现追踪；对代理输出脆弱解析属中等问题，应做健壮输出处理。
相关技能：可与 rag-engineer、prompt-engineer、backend、mcp-builder 配合使用。
限制：资料未提供具体安装命令、收费方式、平台支持、性能效果或完整代码示例，这些内容暂未提供。