9.4 高级设计模式与选择指南

面向经管学生、研究者与从业者的 AI 智能体设计教材

基础模式处理的是单线程、单执行者的场景。当任务涉及多条路径选择、专业知识嵌入或多个独立执行者时，需要更高级的模式。

模式 4：上下文感知选择

Context-Aware Tool Selection

适用场景：同一个目标，根据输入数据的特征选择不同的处理方法。

金融案例——数据源路由：

▶ Skill

---
name: smart-data-analysis
description: 当用户需要分析经济金融数据时使用。根据数据规模和类型自动选择合适的分析路径。
allowed-tools: "Bash(python:*) Read Write Glob"
---

## 决策路由

判断数据特征，选择对应分析路径：

### 路径 A：小数据集（< 1000 行 CSV）
→ 本地 Python 脚本直接处理
→ 运行 python scripts/local_analysis.py --input {file}
→ 输出：统计摘要 + 可视化图表

### 路径 B：大数据集（> 1000 行或多表关联）
→ 数据库查询 + 聚合计算
→ 运行 python scripts/db_query.py --source {file} --query {analysis_type}
→ 输出：查询结果 + 分析报告

### 路径 C：实时数据需求
→ API 接口获取最新数据
→ 运行 python scripts/api_fetch.py --indicator {indicator}
→ 输出：实时数据 + 与历史数据的对比

## 向用户解释选择
分析前告知用户：检测到数据为 XX 类型（XX 行/需要实时获取），
将采用路径 X 进行分析。说明选择原因。

关键技法

上下文感知选择的关键是透明决策。智能体在执行前要告知用户选择了哪条路径、为什么选择这条路径。如果用户不同意，可以手动指定其他路径。

模式 5：领域专业智能

Domain-Specific Intelligence

适用场景：Skill 的核心价值不在工具调用，而在嵌入的专业知识和决策规则。

金融案例——投资合规检查：

▶ Skill

---
name: investment-compliance
description: 当用户需要对投资交易做合规检查时使用。嵌入监管规则和风控标准，确保交易合规。
allowed-tools: "Read Write Glob"
---

## 步骤 1：获取交易信息
读取交易详情：金额、对手方、资产类别、交易方向

## 步骤 2：应用监管规则
参阅 references/regulatory_rules.md 中的规则清单：
- 制裁清单筛查：核对 OFAC、EU、UN 制裁名单
- 投资集中度检查：单一标的占比是否超过基金净值的 10%
- 关联交易识别：对手方是否为关联方

## 步骤 3：风险评估
根据以下标准评定风险等级：
- 低风险：金额 < 50 万，对手方为白名单机构
- 中风险：金额 50-500 万，或首次交易对手方
- 高风险：金额 > 500 万，涉及高风险地区，或关联交易

## 步骤 4：输出审计报告
生成结构化报告，包含：
- 所有筛查步骤和结果
- 风险等级判定及依据
- 合规结论：通过 / 待复核 / 不通过
- 高风险交易标记待人工审核，不自动放行

保存到 output/compliance_{date}_{id}.md

合规场景的边界

领域智能模式在合规、风控等场景中有明确价值，但 Skill 中嵌入的规则必须经过专业人士审核。智能体可以执行规则，规则本身的正确性需要由合规团队把关。

模式 6：多子代理编排

适用场景：单个 Skill 内部需要多个专注的执行者分工完成不同阶段的任务，各阶段之间存在信息传递但需要上下文隔离。

这种模式的核心思想是：Skill 本身充当调度中心，在内部按需生成多个子代理，每个子代理在独立上下文中完成各自的工作，最终由 Skill 整合结果。

金融案例——基金综合评估报告：

▶ Skill

---
name: fund-comprehensive-evaluation
description: 当用户需要对一只基金做综合评估时使用。协调多个子代理分别完成业绩、持仓、风险和合规四个维度的分析，最终整合为评估报告。
allowed-tools: "Bash(python:*) Read Write Glob Agent"
---

## 任务分解与子代理分派

### 子代理 1：业绩分析
- 输入：基金代码、评估期间
- 工作：计算收益率、夏普比率、最大回撤、同类排名
- 输出：保存到 temp/performance_{fund_id}.md
- 只返回一句话摘要

### 子代理 2：持仓分析
- 输入：基金代码、最新持仓报告
- 工作：行业分布、个股集中度、换手率、重仓股变动
- 输出：保存到 temp/holdings_{fund_id}.md
- 只返回一句话摘要

### 子代理 3：风险评估
- 输入：基金代码、基准指数
- 工作：波动率、Beta、跟踪误差、VaR 估算
- 输出：保存到 temp/risk_{fund_id}.md
- 只返回一句话摘要

### 子代理 4：合规检查
- 输入：基金代码、监管规则文件
- 工作：投资比例合规、关联交易、信息披露完整性
- 输出：保存到 temp/compliance_{fund_id}.md
- 只返回一句话摘要

## 结果整合
四个子代理完成后：
1. 读取四份分析文件
2. 按 assets/fund_eval_template.md 整合为综合评估报告
3. 保存到 output/fund_eval_{fund_id}_{date}.md

多子代理编排 vs 协调者-执行者模式

两者看起来相似，区别在于谁是入口、谁管生命周期：

维度	多子代理编排（Skill 内部）	协调者-执行者（主代理层面）
入口	用户调用一个 Skill，Skill 内部自行拆分	用户直接向主代理下达复合任务
编排逻辑	写在 SKILL.md 中，可复用、可版本化	由主代理临场决定，每次可能不同
上下文保护	Skill 指令已规定输出路径和摘要规则	需要在提示中每次重申文件化输出要求
适用场景	流程固定、频繁复用的多阶段任务	一次性或探索性的复杂任务

简单说：如果这个多阶段任务你会反复做，就写成 Skill；如果只做一次，让主代理直接协调就好。

模式选择指南

模式	适用场景	核心技法	典型金融应用
顺序编排	固定顺序多步流程	步骤依赖、逐步验证	财报分析、KYC 尽调
多 MCP 协调	跨服务数据整合	阶段分隔、格式统一	跨源研报、多市场对比
迭代精修	输出质量需持续提升	验证脚本、停止条件	政策简报、合规文档
上下文感知	同目标不同方法	决策路由、透明解释	数据分析方法选择
领域智能	专业知识嵌入	规则内嵌、审计追踪	合规审查、风控评估
多子代理编排	多维度并行分析	子代理分派、文件化传递	基金评估、上市公司尽调

六种模式并非互斥。一个复杂 Skill 可以同时包含多种模式：先根据上下文选择路径（模式 4），再按顺序执行工作流（模式 1），途中协调多个 MCP（模式 2），需要并行处理时分派子代理（模式 6），输出经过迭代精修（模式 3），全程嵌入领域规则（模式 5）。

模式与子代理的关系

不是每种模式都需要子代理。判断标准是：Skill 内部是否需要多个独立执行者，各自在隔离的上下文中完成不同的工作。

模式	是否需要子代理	说明
顺序编排	通常不需要	步骤之间有依赖关系，按顺序在同一上下文中执行即可
多 MCP 协调	通常不需要	MCP 调用是工具层操作，不需要独立上下文
迭代精修	通常不需要	生成和检查在同一上下文中交替进行
上下文感知	通常不需要	路由选择后走单一路径
领域智能	视规模而定	规则简单时不需要；多维度合规审查时可能需要分拆
多子代理编排	必须使用	核心机制就是分派多个子代理并行工作

当前五种模式的组合任务规模增长到一定程度（例如同时涉及 3 个以上独立分析维度），就应该考虑引入模式 6 来分拆执行。

六条设计原则

1. 先分工，再编排。 先判断能力该落在命令、脚本、Skill 还是 MCP，分工没切开，Skill 写得越完整，维护成本越高。
2. 先取证，再推理。 只要任务依赖真实环境信息，就应优先让命令或脚本先拿事实，再让模型做判断。
3. 显式边界优先。 工具权限、写入范围、失败停止条件，都应前置声明。
4. 单 Skill 单任务。 一个 Skill 可以连接多种能力，但不该变成小平台。
5. 保留升级路径。 先从重复提示变成 Skill，再把确定性部分抽成脚本，再把重状态接口迁到 MCP。
6. 子代理只返回摘要。 当 Skill 编排多个子代理时，每个子代理应将完整结果保存到文件，只向 Skill 返回一句话状态摘要，保护主对话的上下文空间。