数字分身 Agent 的工程内核

主动式数字分身不能只靠聊天入口。它需要维护人、事、物的世界模型，再用快慢脑机制判断是否行动。

阅读时间：约 6 分钟

主动式 Agent 最难的地方，不是把一个任务做完。

难点在于它要先判断“这件事要不要做”。做得太积极，用户会被噪声打扰；做得太保守，Agent 又像一个被动问答机器人。

数字分身的工程问题可以拆成三层：

这三层共同决定一个 Agent 是否真正能“替人盯事”。

图：数字分身 Agent 世界模型

核心问题是让 Agent 像人一样决策

人做工作判断时，很少只看一句孤立消息。

一个研发负责人看到群里有人提到故障，会先下意识判断：

这个问题和我有关吗
现在是否有人负责
这是不是重复问题
要不要追问上下文
是否需要建任务、查代码、找文档或等待更多信息

Agent 也需要这套判断能力。它不能只把消息丢给大模型，然后让模型凭当前上下文猜。

更稳定的方案是让 Agent 长期维护一份“外部世界投影”。这份投影包含人、项目、事项、群组、资源和它们之间的关系。

有了这层状态，Agent 才能把一条新消息放到正确位置上，判断它与当前目标的关系。

世界模型回答“现在发生了什么”

世界模型的核心目标，是让 Agent 知道当前工作世界里有什么，以及它们现在分别是什么状态。

可以用三类对象作为基础抽象：

实体	例子	Agent 需要知道什么
人	负责人、协作者、审批人、提问者	角色、偏好、负责范围、当前关系
事	项目、关键事项、待办、阻塞	当前状态、优先级、下一步、历史变化
物	文档、代码仓库、会议、群聊、资源	位置、内容摘要、归属关系、更新时间

世界模型要处理动态事实

只把消息、会议、任务记录扔进一个 RAG 池子，会遇到几个问题：

信息杂乱，Agent 不知道该挂到哪个对象上
旧事实不会被更新，昨天的状态会误导今天的决策
同一件事反复出现，知识库会被重复事实污染
结论没有出处，错了很难追溯

世界模型需要把这些问题拆开处理：

问题	处理方式	价值
信息不知道放哪	先识别人、项目、事项、群组和资源，再挂到对象下	知识可管理，关系可理解
新旧说法冲突	当前结论、历史事实、旧版本分层保存	既看现在，也能追溯变化
重复事实堆积	没有新信息就不写；事实变化才更新	减少噪声和污染
关系经常错位	结合谁说的、在哪说、聊的是哪个项目判断	降低错关联
事实缺出处	保留原始消息、任务变化和执行记录	关键判断可回查

这份模型不是一次性知识库。它会跟着现实变化持续更新。

编译上下文，比单纯检索更适合动态工作场景

传统 RAG 更像“存资料，然后搜索”。这个方式适合静态知识，但不够适合工作流。

工作世界一直在变：项目会上线，负责人会调整，旧判断会失效，群里刚说的一句话可能改变事项状态。

所以更合适的方法是“编译上下文”。

外部变化进来后，Agent 不只保存原文，还要把变化编译到结构化对象里：

每个实体可以维护三层内容：

Summary：当前结论，给决策阶段快速读取
Fact：带来源的事实记录，保留发生过什么
PageRevision：历史版本，记录旧判断如何被替换

这种结构和简单 RAG 的差异很大。

RAG 更擅长从历史片段里找相似内容。世界模型更强调当前状态、对象关系和事实更新。

例如“项目还没上线”这条旧事实，在第二天可能已经变成“项目已上线，并出现用户反馈”。如果 Agent 只检索旧资料，它会用昨天的事实处理今天的问题。

编译式上下文会把当前结论改掉，同时保留旧版本和来源。Agent 做决策时先读当前结论，需要查原因时再回到历史事实。

提示词和工具定义能力，代码守住硬边界

主动式 Agent 不适合为每类任务写一条固定代码路径。

更好的分工是：

提示词定义目标、角色、边界和策略
工具提供查询、读取、写入、审批、调度等能力
代码负责权限、幂等、状态机和失败恢复

也就是说，模型负责语义判断，代码负责不能出错的硬约束。

一个通用工具目录大致可以分成几组：

工具组	能力
世界模型	读取和更新用户、项目、事项、群组、资源
证据系统	查询消息、附件、文档、历史记录和事实来源
行动系统	创建任务、更新状态、发起沟通、写入文档
调度系统	创建定时任务、恢复长任务、处理事件触发
能力发现	列出可用工具，读取工具说明，选择合适能力

Agent 执行任务时，不应该一上来就写入外部系统。更稳的路径是：

读取冻结上下文
查询实时事实
判断是否需要补充证据
选择工具组合
在高风险动作前请求审批
执行后验证结果
把新事实写回世界模型

这样做的好处是可迁移。换一个业务领域时，Agent 内核不用重写，只需要换世界模型、准入规则、执行规则和工具挂载。

快慢脑把准入判断和深度执行拆开

主动式 Agent 如果每条消息都深度推理，成本高，噪声也大。

快慢脑机制把判断拆成两段：

两层职责要分清：

角色	做什么	不做什么	输出
快脑	判断是否相关、是否重复、是否有可推进目标	不做深度调查，不完成任务	准入、观察、丢弃
慢脑	查证、计划、调用工具、处理异常、验证结果	不盲从快脑，不机械执行过期计划	结果、证据、后续动作

快脑像门禁。它用较低成本挡掉无关信息和重复信息。

慢脑像执行负责人。它拿到冻结上下文后，还要重新查证，必要时推翻快脑的初步判断。

长程任务可以引入只读子 Agent。资料扫描、证据收集和代码检索交给子 Agent，主 Agent 保留目标判断、风险判断和最终决策。

真正改变外部世界的动作，例如发消息、修改共享文档、提交代码、发起审批，仍应该由主 Agent 审核边界。

执行过程必须反过来修正记忆

世界模型最怕一件事：错误事实长期存在。

一个错误项目地址、错误负责人、过期上线状态，会让后续多个任务连续出错。

所以 Agent 执行任务时，不能只“消耗记忆”。它还要校正记忆。

例如执行过程中发现项目地址错了，Agent 应该：

从其他上下文推断或查询正确地址
用证据确认新地址
更新项目对象里的当前结论
追加一条事实记录，说明错误是如何被修正的
后续任务使用新地址

这个反馈动作让系统越用越准。

执行者最容易发现记忆错在哪里。因为它正在用这些事实解决具体问题，错误会直接暴露在工具调用、权限检查、上下文匹配和结果验证里。

权限和审批决定 Agent 的可用边界

主动式 Agent 最后一定会碰到权限边界。

读消息、查文档、更新任务、发起沟通、修改资料，这些动作的风险不同。系统必须允许用户配置审批规则。

审批可以分成两类：

页面审批：用户在管理界面确认高风险动作
对话审批：Agent 在协作工具里发起确认，用户回复后继续

可以用一条规则控制执行：

低风险读取 -> 直接执行并记录证据
中风险写入 -> 满足规则时执行，保留回滚信息
高风险动作 -> 必须审批后执行
不可逆动作 -> 默认拒绝，除非用户显式授权

权限不是附属功能。它决定 Agent 能否被长期托管。

没有审批，Agent 只能做玩具式演示；审批过重，Agent 又会退化成手动流程。合理的边界，是把确定无害的动作自动化，把影响外部状态的动作留给用户确认。

收束

数字分身 Agent 的内核可以压成两个词：状态和决策。

世界模型负责状态。它回答“现在是什么”，并保留事实来源。

快慢脑负责决策。它回答“这件事值不值得做、该怎么做、什么时候停”。

执行系统负责把结果带回现实，再把新的事实写回模型。

一旦这三层跑通，Agent 就不再只是一个会聊天的入口。它开始具备工作系统的形状：能观察、能判断、能行动，也能在做错之后修正自己。

AI小老六