8层AI Agent架构图，模型只占一层

一张被转发的AI Agent架构图，把生产可用的Agent拆成8层。原帖来自X用户Amir Ansari，图在下面。

8层分别是：接口与渠道，规划和编排，记忆与上下文，模型，工具与动作，状态与数据，可观测性、安全与评估，部署。原文给的链路是：用户目标进入接口，经过规划，带上记忆与上下文，调用LLM，再通过工具执行动作，落到状态与数据层，最后被可观测性、安全与评估包住，部署到生产环境。

拆开看，每层都不神秘。接口层有Chat UI、API、Slack；规划层负责任务拆解、工作流编排、Agent协调和决策；记忆层分短期、长期、向量库、检索、prompt caching；模型层列了Claude、GPT、Gemini、Llama，选型看任务、成本、延迟和可靠性；工具层接GitHub、浏览器、代码执行、SQL/数据库和API；状态层用PostgreSQL、Redis、对象存储、向量库；第7层做tracing、评估、guardrails、错误监控和性能追踪；部署层落到Docker、Kubernetes、AWS、Vercel和云平台。

图里具体工具名只是示例，不是标准答案。比如向量库同时出现在记忆层和状态层，实际项目里也常合并。LangGraph、CrewAI、Mastra这类工具出现在图中，容易让读者把框架和层混在一起。层是职责，工具是当前实现，别反过来用工具清单代替架构。

评论区有个细节。X用户ZJ•x610ck写道：“eight layers, none of them an eval harness. it will still report success on the device it never reached.” 但图中第7层其实写了Evaluations。这个错位很有意思：架构图列得越全，读者越容易跳过评估和安全，把它们当成上线前补的文档。真实情况是，Agent最容易出现工具调用成功、任务没完成的假成功。评估框架、测试集、trace回放，得和工具调用一起设计。

另一位X用户ConservativeMen Only说，状态和数据层才是头疼的开始。这个判断不花哨，但接近生产现场。会话状态、重试、幂等、缓存失效、数据权限，任何一项没处理，Agent就会在演示里很聪明，在线上很随机。

对普通用户，这张图解释了一件事：Agent不是聊天框里塞一个模型。对开发者，它提醒另一件事：模型选型只是第4层，前面有接口和规划，后面有工具、状态、评估和部署。架构图画完整不难，难的是让第7层真的拦住错误。

原文链接：https://x.com/AamirAnsar94694/status/2116897875745771878