我整理了十二篇独立的深度分析，涵盖Anthropic的内部文档、LangChain的工程团队、微软的代理框架、学术调查以及正在部署生产代理的实践者。这些分析共同得出一个令人不安的结论：模型被商品化了，缰绳才是产品。
这并非理论。LangChain仅优化了他们的缰绳——没有重新训练模型——就在Terminal Bench 2.0中从第30名跃升至前5名。同一个模型，提升了14分。Claude Sonnet 4.5在GAIA上使用一个支架得分为74.6%，使用另一个支架得分为44.6%。30分的差距仅来自编排。
如果你仍然用“哪个模型”来思考AI，你优化的是错误的层面。
代理 = 模型 + 缰绳
2026年初，这个公式逐渐清晰。Mitchell Hashimoto在二月命名了它：“每当代理犯错时，你都要花时间去工程化解决方案，确保代理不再犯同样的错误。”LangChain的Viv Trivedy进一步明确这个概念。到四月，Google、Anthropic和Thoughtworks都发布了缰绳架构。
模型是一个无状态的下一个令牌预测器。它不能运行代码、记住昨天、调用API或执行策略。缰绳是其他一切——围绕CPU的操作系统。
Meng等人在学术调查中正式定义了它：H = (E, T, C, S, L, V)——执行循环、工具注册表、上下文管理器、状态存储、生命周期钩子、评估接口。实践中，生产缰绳扩展到8-12个关键组件。这里才是关键所在。
实际承载组件
我将跳过教科书式的分类，专注于区分那些能实际工作的代理与那些仅能演示却在生产中失败的代理的关键部分。
执行循环
每个缰绳都有一个循环。观察 → 思考 → 行动 → 重复。基本的ReAct模式。区分生产循环和玩具循环的是围绕这个循环的差异：流式调用工具、并行执行、指数退避、令牌预算，以及最关键的是，不依赖于模型说“我完成了”的终止条件。模型会自动生成完成。缰绳必须决定何时工作实际上已经完成。
Anthropic的长期代理模式值得研究。初始化代理创建一个功能列表。编码代理循环：选择下一个未完成的任务，提交，更新进度文件，停止。跟踪文件是JSON，而不是Markdown——因为模型会默默地编辑Markdown，但会将JSON视为结构化数据而不重写。这种实现细节是缰绳工程的一部分。
工具层
工具是代理的手。每个工具都有一个JSON Schema——名称、参数、预期输出、权限级别。模型生成一个结构化的调用，缰绳验证它、执行它，返回结果。这种“模型决定调用什么”与“缰绳决定是否允许”之间的分离是安全的基础。
MCP（模型上下文协议）已成为标准接口。JSON-RPC、类型化数据交换、插件工具服务器。Anthropic于2024年11月引入，2025年12月与Google的A2A协议一起捐赠给Linux基金会的Agentic AI基金会。MCP定义了代理如何与工具交互。A2A定义了代理如何相互交互。两者共同构成了生产互操作层。
无人讨论的关键设计决策：固定工具注册表与通用bash之间的权衡。固定注册表是可审计和可预测的。bash允许模型在运行时编写自己的工具。对于开放式的编码，bash胜出。对于受监管的环境，固定注册表是唯一可防御的选择。这种权衡具有监管影响——应在任何架构审查中明确命名。
上下文管理
这是大多数代理失败的地方。
上下文腐化是可衡量的。窗口中有20份检索到的文档时，准确率从70-75%下降到55-60%，因为位置偏见。即使窗口中的模型有百万个令牌，多跳任务在超过10万令牌后仍会严重退化。解决办法不是更大的窗口。而是无情的筛选。
生产中有效的方法：
压缩——总结旧轮次而不是截断它们。保留决策和开放的问题，丢弃冗余的工具输出。
观察屏蔽——屏蔽旧的工具输出，但保留工具调用记录。JetBrains的Junie就是这样做的。
即时检索——存储文件指针，在需要时按需获取内容。Claude Code使用grep/head从特定文件段中提取内容，而不是加载整个文件。
渐进式工具披露——在启动时注入数百个工具模式会降低推理能力。仅在代理针对相关子任务时加载工具描述。
子代理委派——将深入研究任务委派给专门的代理，这些代理返回1-2K令牌的摘要，而不是将原始分析直接注入父上下文。
仅改变缰绳格式——没有更换模型，也没有微调——在基准测试中提高了15种不同的LLM 5-14分，同时减少了20%的令牌使用量。上下文工程是AI系统设计中最具杠杆作用的活动。
内存
LLMs是无状态的。每次推理都从头开始。缰绳在三个时间尺度上提供持久性：
工作记忆——当前对话，在上下文内，会话结束后消失。
情景记忆——之前的交互、中间结果，存储在Redis或SQLite中，存活数小时至数天。
语义记忆——事实知识、用户偏好、成功模式，存储在向量数据库中，永久存活。
新兴架构很有趣。MAGMA（多图代理记忆架构）在长周期推理中表现优于MemGPT 18.5%。知识对象使用哈希地址的离散事实元组，成本仅为上下文存储的252倍。
区分好与坏内存的设计规则：代理将记忆视为提示，而不是事实。在行动前，验证回忆的记忆与实际系统状态是否一致。过时的记忆比没有记忆更糟糕。
生命周期钩子
这将提示建议转化为可执行的保证。PreToolUse、PostToolUse、PreCommit、OnPermissionRequest——这些拦截点无论模型想做什么，都会运行确定性代码。
“永远不要运行rm -rf /”应该编码在代码中，而不是在模型可能忽略的系统提示中。
Birgitta Böckeler的框架最清晰：每个发布的缰绳都有一个内部缰绳（由模型构建者提供——SDK、Cursor）和一个外部缰绳（你组装——AGENTS.md、MCP服务器、技能）。每个组件要么是引导（在行动前引导）要么是传感器（在行动后检测）。大多数缰绳重引导轻传感器。这是它们失败的地方。
验证与评估
模型会告诉你它完成了。但它错了。外部验证是唯一可靠的检查。
计算传感器：检查器、测试套件、模式验证器。快速、确定性，无歧义。推断传感器：LLM作为裁判的评估、相关性评分。强大但有偏见——2026年的一项研究发现，LLM裁判表现出67-82%的自我-家庭偏见。
纠正循环是关键模式：如果测试失败，缰绳打包错误日志并将其注入上下文以进行自我纠正。代理不能标记任务完成，直到外部断言返回绿色。
前沿技术：自改进的缰绳通过强化学习挖掘自己的失败痕迹，提出编辑建议并通过回归测试验证。HarnessX展示了与静态手工工程缰绳相比，使用强化学习优化缰绳本身可提高14.5%。
失败模式
你需要知道的两种命名模式。
上下文腐化——工作上下文逐渐积累陈旧、矛盾、无关的信息。到第10步时，代理开始自相矛盾。解决方法：有意识地修剪、明确的状态交接、上下文重置。
死循环——代理重复执行相同的失败操作而没有改变方法。解决方法：硬重试上限。一次重试用于暂时错误，然后表面失败。
复合数学是残酷的：10步过程，每步99%的可靠性 = 90.4%的端到端可靠性。每步95% = 60%。每步90% = 35%。这就是为什么传感器比引导更重要。能够检测和纠正错误的系统优于能够预防错误的系统，因为预防会无声地退化，而检测是可验证的。
成熟度模型
级别0：聊天机器人（无缰绳）
级别1：系统提示
级别2：结构化工具使用
级别3：跨会话记忆
级别4：任务分解/规划
级别5：自动验证
级别6：多代理编排
级别7：自改进的缰绳大多数生产系统停留在级别3-4。很少有系统达到级别6+。几乎没有任何系统达到级别7。大多数团队与最新技术之间的差距是2026年的工程机会。
约束条件
OpenAI的Codex团队：3-7名工程师，5个月内编写了约100万行缰绳代码。早期进展缓慢并非因为模型能力不足，而是因为环境定义不足。
这就是关键所在。约束条件不是模型智能。而是环境定义。
管理这个学科——缰绳工程——现在已与提示工程和模型选择区分开来。它有自己的名称、自己的会议、自己的职位描述。2026年北京的政策文件明确将“缰绳工程”列为AI开发的关键支持领域。
如果你正在构建AI系统，而你仍然将大部分时间花在模型选择和提示调优上，你优化的是正在收敛的10%，而忽略了正在发散的90%。缰绳是工作的所在。现在，缰绳就是产品。
完整的研究报告，包括组件分解、架构图和来源引用，可在附带的研究文档中获得。