大模型Agent架构演进:从临时拼接到按需组合的微应用之路(程序员必收藏)

文章阐述了Agent系统架构从ad-hoc临时型Agent向标准化能力再向按需组合的just-in-time微应用/界面的主流演进路线。这种演进解决了ad-hoc模式在治理、复用、安全方面的问题,通过标准化协议(MCP、A2A)和JIT身份权限管理,实现开发效率提升、运营治理优化和安全合规增强。企业应转向"能力网络+临时应用层"架构思维,分阶段实施转型。


对严肃落地的 Agent 系统而言,从 ad‑hoc agent → 标准化能力 → 按需组合的 just‑in‑time 微应用 / 界面,已经成为主流架构演进路线之一。


一、基本概念的阐述

1.1 ad‑hoc(临时型 Agent / 集成)

“ad‑hoc agents / ad‑hoc 集成”大致有几个典型特征:

●为某个具体任务/业务线临时拼出来的 Agent 或集成:

○手写 prompt + 若干工具调用

○写死调用某个 API、某个内部服务

没有统一的身份、权限、审计和治理

○谁能调?调了什么?改了什么?很难在全局追踪

○各团队各写各的,慢慢变成一堆“影子 IT”

很难复用和扩展

○要换一个流程,就得“再造一个 Agent”

○API 变动、权限策略调整时,维护成本极高

可以把它理解为:“脚本时代的 Agent”——能跑,但不成体系。

1.2 just‑in‑time app / on‑demand app / ephemeral UI

“just‑in‑time app”可以抽象成三个核心特征:

1.2.1.按需生成(on‑demand / just‑in‑time)

○用户或上层 orchestrator 给出一个意图(intent),系统临时组合:

▪若干 Agent 能力

▪若干数据源

▪若干 UI 组件

○生成一个“微应用”/界面,服务于当下这一次任务

1.2.2.生命周期短(临时性 / ephemeral)

○任务结束 → UI 消失、Agent 进程释放、临时身份和权限被回收

○Medium 等文章把这类界面称为“Ephemeral UI(短暂 UI)”

不是预先设计好的页面,而是由 Agent 在运行时为当前任务“现搭一个小工具”

1.2.3.配合 JIT 身份 / 权限 / 资源

○安全和身份管理文章不断强调:对 Agent 应用,要从 ad‑hoc 访问转向Just‑in‑Time 权限和身份

▪调用某个系统之前临时发一个短期凭证(token)

▪权限严格限定在本次任务、本次调用

▪用完即吊销,以降低横向移动和越权风险

所以,“just‑in‑time app”在 Agent 世界里并不仅仅是“即时写代码生成一个 App”,更像是:

在某个具体意图触发时,系统自动、临时性地把合适的 Agent 能力 + 数据 + UI 拼成一个一次性的“小应用”,并配套临时身份/权限。


二、为什么说“从 ad‑hoc → just‑in‑time app”是主方向之一?

从技术演进、经济与安全、标准生态三个角度看。

2.1 技术演进:从单 Agent 到“按需组装的能力网络”

比较有代表性的阶段划分:

2.1.1Phase 1:Agentic Assistants(2024–2025)

○主要是单个 Agent + 若干工具(通过 MCP 之类协议)完成一个相对固定的任务

○形态往往接近 ad‑hoc:

▪一个“旅行 Agent”、一个“代码 Agent”、一个“客服 Agent”,各自有自己的工具集和逻辑

2.1.2Phase 2:Agentic Intranets(2025–2026)

○出现Agent‑to‑Agent 协议(A2A),再加上MCP这类标准化工具协议,企业内部开始构建:

▪多 Agent 协作

▪动态路由和编排

○这时候,“应用”不再是预定义好的,而是:

▪根据任务临时选哪些 Agent 加入“团队”

▪临时暴露哪些 UI 片段,构成一个一次性“应用”界面

2.1.3Phase 3:Internet of Agents(2027+,愿景阶段,仅是推测如此)

○可以跨组织、跨云地按意图自动发现、组合 Agent

○“应用”的概念进一步变弱,变成:

▪用户给出一个高层意图

▪系统在背后拼出一组 Agent 协作流程

▪在本地浏览器/桌面/设备上生成必要的暂态 UI(just‑in‑time app),用完即弃

“从 ad‑hoc 升级到 just‑in‑time app”,本质就是从 Phase 1 的“一个个独立 Agent”向 Phase 2–3 的“按需组合的能力网络 + 暂态微应用”过渡——这在当前的路线图里,确实属于核心趋势而不是边角方向。

2.2 经济与工程现实:为什么 ad‑hoc 走不远,而 JIT 更有生命力?

ad‑hoc 模式的问题:

●每个 Agent 都是小项目:

○新需求 = 新 Agent

○跨部门协作 = 再堆一个 Agent

●维护地狱:

○API 改一处,要改一堆 prompt/脚本

○安全策略、审计要求一变,所有 ad‑hoc Agent 都得翻修

●在安全和合规部门眼里是“黑盒风险源”:

○权限怎么下发的不清楚

○哪个 Agent 在什么时候改了哪个系统,很难全局追踪

just‑in‑time app / on‑demand 模式的优势:

2.2.1开发效率

○重复的是“能力”而不是“应用壳”:

▪把“查订单”“更新合同”“走审批”等封装为标准化工具/Agent 能力

▪具体长什么 UI、不同行业怎么拼,只在运行时按需组合

○有报告预测:在这种模式下,大量业务应用从“开发周期几个月”缩短到“几天甚至几小时”,特别是内部工具场景

2.2.2运营与治理

○所有能力通过共同的协议层(如 MCP、A2A)暴露,便于集中治理:

▪统一日志

▪统一权限策略

▪统一审计与回滚

2.2.3安全:JIT 身份 & 权限是从 ad‑hoc 走向规模化的前提

○多篇安全和 IAM 文章明确指出:

▪今天大量 Agent 身份管理是ad‑hoc 的(临时 token、共享账号、写死的 API Key) → 不可接受

▪推荐模式是:

Just‑in‑Time 生成 Agent 身份和凭证

▫权限严格限定在当前任务/时间窗

▫用完销毁

○而 JIT app/ephemeral UI 的模式,天然就适合配合 JIT 身份/权限:

▪应用本身就是一次性的

▪不需要长期持有高权限

2.2.3 标准生态:从 ad‑hoc 集成到“协议 + 组件化能力”

2025–2026 这一波,有几个“拐点式”的事件:

MCP(Model Context Protocol)

规范了“模型如何安全、标准地调用外部工具与资源”,从早期“各家 ad‑hoc 地给 LLM 挂工具”转向一个统一的“工具协议层”。

A2A(Agent‑to‑Agent)协议

明确提出“Agent 不再只是和人对话,而是必须彼此通信”,进而需要标准化的交互方式——而非 ad‑hoc 的 HTTP+JSON 拼接。

●两者都被捐给开源基金会做标准化,这表明业界已经不满足于 ad‑hoc 拼接 Agent,而是要把 Agent 本身变成一个个可注册、可发现、可组合的“能力节点”。

在这种生态下,业务“应用”很自然就演化为:某一时刻对能力网络的一个“临时切片”,即你说的 just‑in‑time app。


三、如果你在做 Agent 产品 / 架构,应该怎么顺势演进?

3.1 不要再“造一个完整 Agent App”,而是“暴露能力 + 编排层”

建议的设计重心:

●把每个 Agent 能做的事抽象成:

○能力声明(schema)

○输入 / 输出约束

○所需权限范围

●让一个上层 orchestrator / workflow 引擎,按用户意图动态选择和组合这些能力

○有点像“微服务 + API Gateway”,但这里是“多 Agent + Orchestrator”

3.2 接受“App 是一次性快照”的思维:以 task 为中心,而不是以 App 为中心

如果我们在做的是前端 / 交互层:

●把 UI 视为短暂的任务界面(ephemeral UI),而不是长期稳定的 App:

○“帮我生成一份合同比对视图”

○“给我一个一次性的审批界面”

○“帮我做一个临时的销售看板”

●让 Agent 在运行时生成这个界面的布局、字段、操作按钮:

○任务完成 → 界面销毁

○只保留数据与审计记录,而不是界面本身

这比去做一个“全功能 Agent App”更符合趋势,也更可扩展。

3.3 在安全/治理上,刻意从 ad‑hoc 转向 JIT

如果 Agent 在企业落地,这一步非常关键

禁止

○Agent 共用高权限长周期 token

○在代码/Prompt 里硬编码凭证

推荐

○为每个 Agent/每次任务申请短效凭证(JIT token)

○所有凭证/调用流通过统一的身份网关

○全量日志:谁触发 → 哪个 Agent → 以谁的身份 → 调了哪个系统 → 做了什么修改

3.4 思考一个“演进路线图”而不是一次性重构

对于已经有一堆 ad‑hoc Agent 的团队,可以这样分阶段演进:

1.梳理存量 ad‑hoc Agent

○抽出其中可复用的“能力”(工具、API、流程片段)

○统一收口到类似 MCP 的工具层或自己的能力注册中心

2.搭建简单的 orchestrator / workflow 层

○先从少数典型任务入手,让这些任务可以按需组合能力,而不是直连具体 Agent

3.引入 JIT 身份 & 审计

○所有新建的流程一律走 JIT 模式

○逐步把老的 ad‑hoc 流程迁到新模式下

4.最后再考虑 UI 的 Ephemeral 化

○先做“Agent‑中心”的 JIT 能力

○再做“用户界面”的 JIT(just‑in‑time apps / ephemeral UI)


四、总结:从“做一个 Agent”到“做一个 JIT 能力网络 + 临时应用层”

4.1 在以下领域,just‑in‑time 是主流路线:

○可规模化的企业落地

○安全与合规

○多 Agent 协作与动态编排

4.2 其他趋势:

○多 Agent 编排与“Agent 团队”

○从单大模型到多模型/小模型混用(cost/perf FinOps)

○强治理、强 observability 的 Agent 平台化

○行业垂直化(vertical agents)

如何系统的学习大模型 AI ?

由于新岗位的生产效率,要优于被取代岗位的生产效率,所以实际上整个社会的生产效率是提升的。

但是具体到个人,只能说是:

“最先掌握AI的人,将会比较晚掌握AI的人有竞争优势”。

这句话,放在计算机、互联网、移动互联网的开局时期,都是一样的道理。

我在一线互联网企业工作十余年里,指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家,也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑,所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限,很多互联网行业朋友无法获得正确的资料得到学习提升,故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

一直在更新,更多的大模型学习和面试资料已经上传带到CSDN的官方了,有需要的朋友可以扫描下方二维码免费领取【保证100%免费】👇👇

01.大模型风口已至:月薪30K+的AI岗正在批量诞生

2025年大模型应用呈现爆发式增长,根据工信部最新数据:

国内大模型相关岗位缺口达47万

初级工程师平均薪资28K(数据来源:BOSS直聘报告)

70%企业存在"能用模型不会调优"的痛点

真实案例:某二本机械专业学员,通过4个月系统学习,成功拿到某AI医疗公司大模型优化岗offer,薪资直接翻3倍!

02.大模型 AI 学习和面试资料

1️⃣ 提示词工程:把ChatGPT从玩具变成生产工具
2️⃣ RAG系统:让大模型精准输出行业知识
3️⃣ 智能体开发:用AutoGPT打造24小时数字员工

📦熬了三个大夜整理的《AI进化工具包》送你:
✔️ 大厂内部LLM落地手册(含58个真实案例)
✔️ 提示词设计模板库(覆盖12大应用场景)
✔️ 私藏学习路径图(0基础到项目实战仅需90天)





第一阶段(10天):初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识,对大模型 AI 的理解超过 95% 的人,可以在相关讨论时发表高级、不跟风、又接地气的见解,别人只会和 AI 聊天,而你能调教 AI,并能用代码将大模型和业务衔接。

第二阶段(30天):高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习,学会构造私有知识库,扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架,抓住最新的技术进展,适合 Python 和 JavaScript 程序员。

第三阶段(30天):模型训练

恭喜你,如果学到这里,你基本可以找到一份大模型 AI相关的工作,自己也能训练 GPT 了!通过微调,训练自己的垂直大模型,能独立训练开源多模态大模型,掌握更多技术方案。

到此为止,大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗?

第四阶段(20天):商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知,可以在云端和本地等多种环境下部署大模型,找到适合自己的项目/创业方向,做一名被 AI 武装的产品经理。

学习是一个过程,只要学习就会有挑战。天道酬勤,你越努力,就会成为越优秀的自己。

如果你能在15天内完成所有的任务,那你堪称天才。然而,如果你能完成 60-70% 的内容,你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN,朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/1132133.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

AI产品经理与大模型学习全攻略:从入门到精通,零基础也能掌握AI思维

文章系统介绍了AI产品经理与传统产品经理的区别,强调AI思维的重要性。详细解析了AI产业链结构(基础层、技术层、应用层)和AI产品经理的四象限分类(突破型、创新型、应用型、普及型)。提供了从初阶到高阶的大模型AI学习…

根据算法题目时间限制推算时间复杂度限制

核心思路:先明确基准值首先要建立一个基础认知:普通计算机在 1 秒内,大约能执行 1 亿(10^8)次 基本运算(比如加减乘除、变量赋值、条件判断等)。这个数值是经验值,不同评测机可能略有…

AI大模型学习路线:从入门到高薪,程序员收藏必备!2025年AI就业薪资表曝光

文章讲述AI领域特别是大模型方向的就业前景。科技巨头如腾讯、阿里、Meta等大力布局AI,导致人才紧缺,薪资飙升。2025年AI岗位需求增长10倍,核心技术岗供需比低至0.39。大模型研发、端侧推理等复合型人才尤为抢手,建议技术党深耕核…

FPGA应用开发和仿真【3.7】

8.5 混频和相干解调混频,即两个信号做乘法,是在数字通信中很常用的信号处理方法。考虑两个单频信号Acos(ω1t 1)和cos(ω0t),一般前者为待处理的信号,而后者为已知的参考信号&#x…

每日Java面试场景题知识点之-ELK技术栈实战应用

每日Java面试场景题知识点之-ELK技术栈实战应用 前言 在现代Java企业级项目中,日志分析是系统监控和故障排查的重要环节。ELK技术栈(Elasticsearch、Logstash、Kibana)作为目前最流行的日志分析解决方案,在Java项目中得到了广泛应…

【毕业设计】SpringBoot+Vue+MySQL “衣依”服装销售平台平台源码+数据库+论文+部署文档

💡实话实说:有自己的项目库存,不需要找别人拿货再加价,所以能给到超低价格。摘要 随着互联网技术的快速发展和电子商务的普及,线上服装销售平台逐渐成为消费者购物的主要渠道之一。传统线下服装销售模式受限于时间和空…

每日Java面试场景题知识点之-ELK日志分析

场景题:微服务架构下日志分散导致故障排查困难 问题描述 在一家大型电商平台的微服务架构中,系统包含订单服务、用户服务、支付服务、库存服务等20多个微服务实例,每个服务部署在多台服务器上。某天凌晨,用户支付功能出现异常&…

FPGA应用开发和仿真【3.8】

8.8.3 调制解调仿真 仿真模拟的系统与AM仿真时类似,结构如图8-32所示。 图8-32 WBFM调制解调仿真系统结构 代码8-16是测试平台。 代码8-16 WBFM调制解调系统测试平台 图8-33所示是一段仿真波形。解调器工作建立时输出了一段不正确的波形。 图8-33 WBFM测试平台仿…

FPGA应用开发和仿真【3.6】

7.8 PID控制器 PID控制器广泛用于控制系统,控制系统中的数字控制部分也是数字信号处理系统的一种。典型的数字PID控制器如图7-63所示,它由前向欧拉法转换连续时间PID控制器而来,其P、I、D三个参数,分别为比例、积分、微分系数,而N用于配置微分单元中滤波器的极点,将有助…

从零到AIGC产品经理,2个月上岸全攻略,小白也能学会

本文分享了一套2个月成功转行AIGC产品经理的实用指南,涵盖八个关键步骤:获取行业资讯与研报、选择细分领域并搭建知识库、系统掌握AIGC基础知识、完成实战项目、撰写融合项目经验的简历、准备面试高频问题。通过文本生成和图片生成两类实战项目&#xff…

Java Web 墙绘产品展示交易平台系统源码-SpringBoot2+Vue3+MyBatis-Plus+MySQL8.0【含文档】

💡实话实说:有自己的项目库存,不需要找别人拿货再加价,所以能给到超低价格。摘要 随着互联网技术的快速发展和艺术市场的不断扩大,墙绘艺术作为一种独特的装饰形式,逐渐受到大众的青睐。传统的墙绘交易方式…

收藏这篇!小白也能学会的AI知识库搭建全攻略

本文详细介绍如何使用AnythingLLM和DeepSeek R1搭建个人AI知识库,解决AI回答不准确的痛点。从下载安装、配置API、上传文档到知识检索问答,提供完整步骤指导。该方法简单高效、成本低廉,可创建可靠安全的私有知识库,大幅提升学习和…

国内首次开源灵巧操作数据集!填补具身智能数据空白!

如果你觉得现在的机器人已经很聪明,那你大概率还没见过它们“拿纸杯”、“拆纸箱”时手忙脚乱的样子。在仿真环境里,机器人抓什么都稳;可一到真实世界,纸杯一捏就扁、快递一夹就滑,仿佛一夜回到解放前。问题出在哪&…

什么是proxy

在前端开发中,Proxy 是 ES6 引入的一个高级特性,用于拦截和自定义对象的基本操作(如属性访问、赋值、枚举、函数调用等)。它为开发者提供了元编程能力,是实现响应式系统、数据校验、访问控制等功能的核心技术。 一、基…

收藏这篇就够了!DeepSeek+RAG本地知识库搭建实战,小白也能上手的大模型教程

DeepSeekRAG本地知识库技术结合了DeepSeek大模型与检索增强生成(RAG)技术,旨在构建高效智能的本地化知识库系统。DeepSeek具备强大自然语言处理能力,能理解和生成文本;RAG技术通过结合信息检索和文本生成,使模型在生成文本时可参考…

AI Agent短期记忆完全指南:4种处理长对话问题的方法+代码详解

文章详细介绍了AI Agent的短期记忆机制,分析了长对话引发的上下文丢失、响应变慢等问题,提供了4种解决方案:修剪消息、删除消息、总结消息和自定义策略。通过代码示例展示了如何实现Agent短期记忆,包括基础用法、自定义状态、消息…

Web足球青训俱乐部管理后台系统信息管理系统源码-SpringBoot后端+Vue前端+MySQL【可直接运行】

💡实话实说:用最专业的技术、最实惠的价格、最真诚的态度服务大家。无论最终合作与否,咱们都是朋友,能帮的地方我绝不含糊。买卖不成仁义在,这就是我的做人原则。摘要 随着足球运动的普及和青训体系的不断完善&#xf…

解耦梯度学习解决多模态模型欠优化问题,性能提升超3%

本文揭示了多模态学习中欠优化问题的根本原因在于模态编码器与融合模块间的优化冲突,导致主导模态性能下降。为解决此问题,作者提出解耦梯度学习(DGL)框架,通过截断多模态损失反向传播到编码器的梯度,并引入单模态损失独立优化编码…

2026AI产品经理与大模型学习路线图:从小白到专家的进阶指南

本文详细介绍了AI产品经理的三阶段学习路线(基础知识、专业技能、软技能)及实践经验积累方法,并提供了大模型学习资源,包括路线图、视频教程、技术文档、面试题等,帮助学习者系统掌握AI产品经理与大模型知识&#xff0…

大模型+知识图谱构建制药业“第二大脑“:从零开始实现企业级知识管理

本文探讨如何利用大语言模型和知识图谱技术构建制药企业级"第二大脑",整合分散的科研数据与文献为可搜索知识库。通过RAG和Graph-RAG技术实现60%文档审查效率提升,为制药行业创造600-1100亿美元年度价值。文章详解技术架构、实际应用案例、实施…