AI Agent 凭什么火？看懂 60 年软件演进史，你就明白了

推荐语

AI Agent为何成为技术新宠？60年软件演进史揭示从流程图到自主设计的革命性跨越。

核心内容：
1. 软件本质的永恒命题：从60年代流程图到现代DAG编排工具的演进
2. AI技术如何逐步从流程执行者升级为流程设计者
3. AI Agent当前面临的上下文管理挑战与突破方向

杨芳贤

53AI创始人/腾讯云(TVP)最具价值专家

大家好，我是孟健。

前几天，一位做了很多年开发的朋友跟我说：

"现在的 AI Agent 让我想起当年第一次用 Spring 框架的感觉——既兴奋又迷茫。"

我深有同感。

每一次技术范式的转变，都会让我们重新审视"什么是软件"这个根本问题。

最近在研究 12-Factor Agent，看到了一篇特别有意思的软件简史。

作者用一个简单却深刻的视角，带我们回顾了软件开发 60 年的演进之路。

看完之后，我突然明白了一件事：

原来我们写了 60 年代码，本质上都在做同一件事——有向图。

只不过，画图的方式越来越高级罢了。

让我们先看看这 60 年的演进。

60 年前：一切都是流程图

还记得大学时代学 C 语言，老师总是让我们先画流程图吗？

那时候觉得很烦，现在想想，老师真是用心良苦。

因为 软件的本质，就是一个有向图（DAG）。

开始 → 输入数据 → 处理 → 判断 → 输出结果 → 结束

60 年前的程序员，真的是在纸上画流程图，然后一步步翻译成代码。

每个判断分支、每个循环结构，都要仔细设计。

就像搭积木，一块一块地拼接。

问题是，积木越来越多，图越来越复杂，人脑已经 hold 不住了。

20 年前：让机器帮我们管理流程

2000 年前后，出现了一批 DAG 编排工具：

• Airflow（空气流，名字就很形象）

• Prefect（完美编排）

• Dagster（DAG 大师）

这些工具的核心思想很简单：

既然软件是流程图，那就让专门的工具来管理这些流程。

这就像从手工作坊升级到了流水线工厂。

每个步骤都清晰可见，出错了能自动重试，还能监控每个环节的状态。

程序员终于可以专注于业务逻辑，而不是纠结于异常处理和任务调度。

10 年前：AI 开始帮我们处理部分节点

当机器学习模型变得实用后，我们开始在流程图中加入 AI 组件：

• "用 AI 总结这一列的文本"

• "用情感分析判断客户反馈"

• "用图像识别检测产品缺陷"

但本质上， AI 只是流程图中的一个节点。

整体架构还是确定性的，只是某些步骤变聪明了。

就像工厂流水线上，某些工位换成了机器人，但流水线本身没变。

现在：AI 说"让我来画流程图"

这就是 AI Agent 带来的真正革命。

传统方式：

程序员：我要设计10个步骤，处理5种异常情况
AI：我是第3步的执行者

Agent 方式：

程序员：这是目标，这是可用的工具
AI：我来决定用哪些工具，按什么顺序

从"AI 执行流程"到"AI 设计流程"，这是质的飞跃。

就像从"司机开车"进化到"自动驾驶"。

你只需要告诉它目的地，路线规划交给 AI。

理想很丰满，现实很骨感

但是，就像自动驾驶在复杂路况下会迷路一样，AI Agent 也有个致命问题：

上下文太长时，它会迷失方向。

我曾经让一个 Agent 帮我重构代码，前 10 轮对话还好，到了第 20 轮，它开始：

• 重复之前试过的方案

• 忘记最初的目标

• 在错误的路上越走越远

这就像一个人在迷宫里转圈，走得越久越迷糊。

即使 AI 支持 128k token 的上下文，但经验告诉我们：

短小精悍的提示词和上下文，永远比长篇大论效果更好。

实践中的解决方案：微型 Agent

既然让 AI 管理整个流程容易失控，那就让它管理局部流程。

这就是"微型 Agent"的思路：

确定性流程
    ↓
  步骤1（普通代码）
    ↓
  步骤2（微型Agent：处理3-5个相关任务）
    ↓
  步骤3（普通代码）

举个真实的例子——部署机器人：

1. 人类：合并代码到主分支

2. 确定性代码：部署到测试环境

3. 确定性代码：运行自动化测试

4. 微型 Agent：负责生产部署的人机交互

1. Agent：准备部署前端

2. 人类：先部署后端吧

3. Agent：好的，先部署后端

4. 人类：批准

5. Agent：后端部署完成，现在部署前端

5. 确定性代码：运行生产环境测试

这个 Agent 只负责一件事： 理解人类的部署意图并执行。

任务明确，上下文可控，不会迷失。

Agent 的本质：四个核心组件

剥开所有花哨的外衣，一个 Agent 其实就是：

1. Prompt（提示词）：告诉 AI 可以做什么

2. Switch 语句：根据 AI 的决策执行相应动作

3. 上下文累积：记录已经发生的事

4. For 循环：重复直到任务完成

context = [初始任务]
while True:
    # AI决策下一步
    next_action = ai.decide(context)

    # 执行动作if next_action == "完成":
        break
    result = execute(next_action)

    # 累积上下文
    context.append(result)

就这么简单。

但简单的东西，往往最有力量。

写在最后：我们还在画流程图

回顾软件开发 60 年的历史，我们一直在做三件事：

1. 画流程图（设计逻辑）

2. 优化画图方式（提高效率）

3. 让 AI 画图（智能化）

从手绘流程图，到 DAG 编排器，再到 AI Agent。

工具在变，思维方式在变，但本质没变。

它可能还不够完美，偶尔会迷路，但潜力无限。

"每一次范式转变，都让我们重新认识软件开发。"

你觉得呢？

欢迎在评论区分享你的故事。