腾讯 WorkBuddy 实践：如何把 Agent 做成可用产品

📌 一句话摘要

本文从模型、上下文、Harness、Loop 四层拆解腾讯 WorkBuddy 如何将大语言模型能力转化为可用的 AI Agent 产品，详解工具调用、MCP、Skill、Plugin、记忆与上下文管理等关键机制。

📝 详细摘要

文章首先把大语言模型抽象为无状态函数，说明模型能力来源于预训练、后训练和偏好优化三阶段，因而需要产品侧提供工具、上下文和执行环境。接着介绍工具调用（Function Call）的完整流程、System Prompt 的作用及其限制，以及 Model Context Protocol（MCP）如何统一外部系统的资源、工具和提示模板接入。随后详细阐述 Skill（任务流程的封装）和 Plugin（能力的打包分发），并说明如何根据能力的边界、更新频率、权限风险等选择合适的接入形态。文章接着描述一次完整任务的执行流程（ReAct 循环），重点讲解 Context Engineering 的五类动作（写入、选择、检索、压缩、隔离）以及 Prompt Cache、渐进式加载等上下文管理技巧。随后深入探讨 Memory 系统，区分陈述性记忆与程序性记忆，说明 WorkBuddy 如何将稳定事实、用户知识背景、行为信号、表达偏好和会话延续信息分层存储并按需注入。最后聚焦 Harness Engineering，从方向、安全和编排三个维度说明如何通过前馈、反馈、权限、验证、编排和可观测性让 Agent 的执行更稳定、可控。全文结合大量图示和真实案例（如调研 OpenAI、Anthropic、LangChain 的 Harness Engineering 实践），为构建可靠的 AI Agent 产品提供了系统的方法论和可操作的指南。

💡 主要观点

- 模型是无状态函数，产品需提供工具、上下文和执行环境。 文章指出模型仅负责根据输入生成后续文本，无状态且知识截止于训练日期，因此实时信息、工具调用和状态维护必须由产品侧的 Agent 负责。

null 模型生成结构化调用请求，Agent 负责参数校验、权限检查、执行并将结果返回上下文，权限与审计必须在模型外部完成。

MCP 统一外部系统的资源、工具和提示模板接入。 MCP 提供 Resources（只读内容）、Tools（可调用动作）和 Prompts（可复用提示模板）三种原语，使 Agent 能以统一方式调用多种外部能力，降低适配成本。

Skill 封装一类任务的执行流程；Plugin 则把多种能力打包为可安装单位。 Skill 包含说明、步骤、脚本和验收标准，适用于高频稳定工作流程；Plugin 集合 MCP、Skill、Rules、Hooks 等，支持按团队/项目安装分发。

Context Engineering 通过写入、选择、检索、压缩、隔离五类动作管理模型上下文。 避免盲目堆砌 token，而是根据当前步骤精准注入所需信息，利用 Prompt Cache 前缀复用和渐进式加载降低开销并提升决策准确度。

Memory 系统按稳定事实、用户知识背景、行为信号、表达偏好和会话延续信息分层存储，仅陈述性记忆进入长期记忆。 程序性记忆（做事方法）不纳入长期记忆，以免局部经验被误升为通用策略；验证过的工作方法以 Skill 形式版本化、可评审、可回滚。

Harness Engineering 从方向、安全和编排三方面保障 Agent 执行的稳定性与可控性。 通过前馈、反馈、权限校验、Approval Gate、验证机制以及可观测性（日志、监控）将模型的不确定输出转化为可靠的产品行为。

💬 文章金句

- 模型是一个根据输入产生后续文字的函数。

• 模型是无状态的。它不会自动保留上一次调用的内容。
• 工具调用（也常叫 function call、Tool Call）是模型与外部系统之间的结构化协议：模型负责生成调用请求，Agent 负责执行。
• System Prompt 只能引导，不能强制。权限校验、Sandbox、Approval Gate、审计仍由模型外部的系统执行。
• WorkBuddy 的长期 Memory 的五类记忆：稳定事实、用户知识背景、行为信号、表达偏好、会话延续信息。

📊 文章信息

AI 初评：92

精选文章：是

来源：腾讯技术工程

作者：腾讯技术工程

分类：人工智能

语言：中文

阅读时间：74 分钟

字数：18277

标签： AI Agent, 上下文工程, MCP, Skill, Plugin

阅读完整文章