专题演讲嘉宾：晁岳攀 (鸟窝)

随着智能体在舆情分析、深度研究、知识生产等场景中的广泛应用，越来越多团队发现：“架构图看起来很美，但一上线就开始幻觉、偏题、失控。”

本次分享我将从工程实践视角出发，系统梳理 18 种常见智能体架构模式，并重点讨论这些模式在真实业务场景中的失效方式与边界条件。最后，将结合微舆与 DeepResearch（DeerFlow/Insight 类似项目）的实践经验，深入分享：

1. 为什么某些看似合理的智能体架构，在信息不完整、目标不清晰的场景下会系统性失败；
2. 团队在实践中如何通过模式应用、信息补全、护栏机制，一步步修补这些设计缺陷；
3. 以及这些工程取舍，对未来智能体系统设计带来的关键启示。

这不是一场“架构大全”的介绍，而是一份智能体工程落地的踩坑与反思记录。

演讲提纲

1. 背景：从“降龙十八掌”说起：为什么有那么多智能体架构？

• 智能体常见架构模式速览：5种常见架构不就好了？
• 从工程视角拆解 3 类高频模式：
  • 信息不全导致的推理漂移
  • LLM不可避免的幻觉
  • 永动机：跳不出去的怪圈

2. 案例一：微舆智能体——热点跟踪中的"以偏概全"是怎么产生的？

• AI 驱动的全域监控：MindSpider 爬虫集群 7x24 小时不间断作业，覆盖微博、小红书、抖音、快手、B 站、知乎、贴吧等 7 大关键社媒，下钻至海量用户评论，获取最新最全数据
• 强大的多模态能力：MediaEngine 深度解析抖音、快手等短视频内容，精准提取天气、日历、股票等结构化多模态信息卡片，确保信息的全面性
• Agent"论坛"协作机制：ForumEngine 实时监控其他 Agent 日志，利用主持人引导，通过"论坛"机制进行链式思维碰撞与辩论，避免单一模型思维局限
• 聚类采样防偏斜：InsightEngine 使用 KMeans（SentenceTransformer模型）对搜索结果聚类后采样代表性结果，避免高热度内容主导导致的观点偏斜
• 超越 LLM 的复合分析引擎：5 类专业 Agent（QueryEngine广度搜索 + MediaEngine多模态 + InsightEngine数据挖掘 + ForumEngine论坛协作 + ReportEngine报告生成），融合关键词优化中间件、情感分析模型、KMeans 聚类采样等统计模型

3. 案例二：DeepResearch（Insight）——深度研究型智能体如何对抗"信息不全 + 幻觉"

• 多 Agent 协作与有向图编排：9个智能体基于 langgraphgo 协同工作（query_agent→structure_planner→planner→researcher→content_writer→reflector→reviser→reporter→podcast），通过有向图状态传递确保流程可追踪、可恢复
• 意图澄清机制对抗模糊请求：QueryAgentNode 分析用户意图，提取实体信息（领域、时间范围、目标），将模糊的自然语言转换为结构化的研究请求，避免后续推理偏差
• 分类制定不同的报表内容通：分别为金融投资、技术开发、商业分析、政策解读、通用行业制定不同的报表内容，确保每篇报告精准且全面
• Human-in-the-loop 人机协同机制：当用户请求模糊或意图不明确时，系统暂停执行并请求用户澄清；结合用户反馈重构查询，人工干预确保研究方向的准确性，避免"无头苍蝇"式的错误推理
• 多源搜索对抗信息不全：集成微信、知乎、GitHub、Google Scholar、Tavily 等5种搜索源，针对不同领域使用最合适的搜索工具，避免单一信息源导致的盲区
• 反思-修订闭环机制对抗幻觉：每个章节完成内容撰写后，ReflectorNode 自动评估完整性，识别缺失信息；ReviserNode 最多执行5次补充搜索，修订直到"内容合格"或达到次数上限
• 报表内容增加索引资料链接：关键性的报表内容后面增加相关搜索链接，方便用户获取原始资料进行深度研究，避免『幻听』

演讲亮点

• 不止讲“有哪些架构”，而是讲哪些架构会在哪些真实场景下更适用
• 通过两个真实产品，系统拆解智能体落地中的工程设计
• 从幻觉与信息不全问题出发，总结可复用的架构设计原则

听众收益

• 理解主流智能体架构在真实业务中的适用边界
• 学会从工程视角，设计更可控、可演进的智能体系统

传统软件架构有几个默认前提：

• 行为是确定的

• 调用链是可控的

• 上下文是有限的

这些前提，让我们可以设计稳定、可预测的系统。但 Agent 出现之后，这三件事都开始失效：

• 行为变成概率性的

• 执行路径不再完全可控

• 上下文开始跨越请求持续存在

所以今天我们想讨论的不是“怎么做 Agent”，而是：为了让 Agent 能在生产环境运行，我们到底被迫重写了哪些“架构前提”？以及——这些重写背后的代价是什么？