10 月 24 日,QCon 全球软件开发大会上海站如期举办,网易智企 AI 平台技术负责人裴明明带来《从“会用 Agent”到“组织级生产力”:网易智企帝王蟹多 Agent 设计与实践》主题分享。
网易智企帝王蟹技术负责人 裴明明
本场分享跳出模型能力本身,从 Agent 技术的四次演进切入,围绕 角色边界、任务编排、状态恢复、质量验收与持续进化 ,完整拆解帝王蟹(ClawHive)的工程落地思路。
裴明明提出,当下不少团队已经实现“能用 Agent”,但尚未形成组织级生产力:单 Agent 仅能提升个人效率,企业复杂场景的核心痛点,是如何让 多个 Agent 协同完成高复杂度任务、保障结果可靠且能力可沉淀 。想要跨过这道鸿沟,依靠的并非更强的大模型,而是一套有序的协作与治理体系。
不同于概念宣讲,本次分享是一套完整落地证据链,直面产业三个核心疑问: 复杂任务为何可以交给多 Agent、多 Agent 协作如何避免失控、最终交付结果如何可信 。
帝王蟹的解法不依赖主观描述,而是依托角色边界划分、任务 DAG 编排、状态机流转、双线验收机制、全链路可观测以及 EERO 进化闭环。
这套架构的核心价值,是针对多角色、多系统、多外部依赖、长链路、强校验的企业任务,将复杂业务拆解为可分发、可追踪、可验收、可沉淀的标准化工作单元。
裴明明在分享中指出:AI 理解业务只是入场券,稳定交付业务价值才是核心 。在技术层面,可靠交付的根基,在于有序的组织、清晰的分工和完备的治理能力。
当前主流单 Agent 普遍具备目标解析、工具调用、上下文记忆、自我反思四大能力。
但在企业复杂任务场景中,所有能力收敛在单个 Agent 身上存在天然瓶颈:目标理解容易出现偏差,工具集膨胀带来执行不可控,上下文无限累积导致记忆臃肿,无边界的自我反思甚至会放大错误。
行业方向逐步收敛:或是按专业维度拆分 Agent 角色,或是固化协作流程,或是持续打磨单 Agent 上限。共识非常明确:瓶颈不在于模型本身,而在于协作与治理。从模型能力到稳定业务产出,缺少的是一套运行秩序。
这套秩序由三大基石构成:角色分工划定权责边界、统一编排定义任务流程、独立校验保障结果可信。
三者缺一,多 Agent 协作就容易陷入各自为政的混乱;三者齐备,单点智能能力才能转化为可复制的组织生产力,实现任务权责到人、过程全程可追溯、产出可核验、经验持续沉淀,把个人经验转化为组织资产。
落地层面,四大工程要点是生产级多 Agent 系统的必备底座:
角色与边界
拆分角色的目的是 聚焦专业域 。清晰边界可以精简 Prompt、隔离上下文干扰。通用大模型本身不自带领域专业能力,需要通过 Prompt、Skill、MCP 协议装配 ,才能成为领域专家。
编排与依赖
任务拆分后需要统一收口交付,任务先后顺序与依赖关系必须结构化定义;绝大多数协作故障发生在任务交接环节,依赖关系如果缺少结构化约束,错误会沿链路持续传导。
状态与恢复
长链路、跨会话任务,依靠 状态机记录流转进度 ,支撑任务承接、推进与断点续跑。状态数据必须精准、可校验、持久化,多份不一致的状态副本会直接引发协作冲突。
校验与质量
多主体协同下,无法天然保证合并结果正确,必须 分段独立校验 。错误会沿 Agent 链路向下扩散,自检模式无法规避自证偏差。
以上四点,决定一套多 Agent 体系能否真正落地生产环境。能力叠加只是起点,将零散 Agent 组织成可靠的数字团队,依靠的正是这套工程秩序。
帝王蟹架构核心逻辑:平台管协作秩序 。
帝王蟹底层基于网易智企自研 WeClaw 搭建控制面:接入层支持 App、WebChat、IM 多类会话入口;通过关键词、语义、记忆多路完成路由分流;主控模块负责目标理解、任务规划、调度与终止判定;Workflow Runtime 承载任务图、门禁规则与调度器;Finalizer 统一完成最终交付收口。
中间层为执行面,动态装配的 Agent Worker 池。它并非固定角色清单,而是按需基于任务装配专家、执行者、校验者;角色由任务定义,能力由配置注入。每个 Worker 拥有明确边界:作为任务唯一负责人,上下文依托 Session 与记忆隔离,能力由 Skill、Tool、MCP 注入,运行约束受 Policy 与输出规范管控。执行底层拆解为 Task、Stage、Dependency,主控仅派发依赖就绪的可执行节点,未满足前置依赖的节点不会启动。Worker 返回 TaskResult、摘要与产物引用,主控不读取草稿、不复制完整正文。
横向贯穿全层的是治理体系:上下文边界实现摘要共享、局部推理隔离;执行门禁覆盖计划确认、负责人校验、依赖校验、权限管控;执行驱动遵循渐进推进原则,关键节点支持人工确认,实时检测状态与产物,不做隐式兜底;证据与观测模块完整记录进度、日志、交付产物、资源开销与审计信息。
整体抽象为四个平面:
控制面:负责编排秩序,管控任务拆分、流转、终止、安全与成本,不判定内容对错;
执行面 :聚焦单项任务,专业内容判断由执行者负责,不越权干预其他任务;
能力面 :统一接入 Skill、Tool、MCP 与知识库,避免各角色能力入口碎片化;
治理面 :依托 Harness 管控单 Agent 运行秩序,管理上下文、记忆、循环与产物,不处理跨 Agent 协作。
核心分工原则:平台负责跨 Agent 编排秩序,Harness 负责单 Agent 内部秩序;平台不介入专业内容判定,Harness 不处理多角色协同。
对业务客户而言,这套架构是承接复杂场景的基础。真实业务的复杂性,往往不在于问题本身难度高,而是角色繁多、异构系统交错、依赖链路复杂、权限边界严格、故障影响大。只有区分开编排秩序与单 Agent 运行秩序,才能避免单个模型输出的不确定性,演变成整条业务链路失控。
一次完整任务链路分为六步:目标理解、协作方案设计、任务建模、有界执行、校验归因、收敛交付,对应关键词:Intent / Constraint、Role / Boundary、Graph / Dependency、Context / Policy、Evidence / Review、Deliver / Learn。
链路分为前向、反向双视角:前向链路解决能力组织,把复杂目标拆解为可协同的任务结构,明确边界、可控传参、调度依赖,依托任务图分工,单任务唯一负责人收敛结果,阶段门禁阻止越级执行;反向链路解决质量证明,把协作过程沉淀为可验收的状态变更,结果留证、故障可定位、断点可恢复;只有 TaskResult 通过校验,任务节点才允许向下推进。
异常处理不只是简单重试:发生超时、结果缺失、结果冲突时,系统先完成故障归因,注入当前状态与原始目标继续驱动流程,再判定恢复执行或是终止任务。裴明明总结:任务推进由依赖决定,任务完成由证据决定。单次任务的价值,除了交付结果,更沉淀可复用的协作范式。
帝王蟹包含两类核心 Agent:主控 Agent、领域 Agent。
主控 Agent 职责收敛为四项:目标理解、任务规划、调度管控、风险控制与最终交付。它掌握流程规范,清晰感知各领域 Agent 能力边界,保障任务分发精准。
领域 Agent 作为任务唯一 Owner,专注领域专业工作。通用大模型仅作为底座,身份规则、工具能力依托 Plugins、MCP 协议加载;记忆与知识服务于当前任务,持续深耕领域。
二者共享同一套 Agent 内核,依靠差异化上下文、工具集装配成不同角色。每一个角色都拥有独立运行环境:上下文仅注入本职必需信息,不全量灌入历史对话;记忆分区存储,按标签分类召回,角色间记忆隔离;工具与技能按需挂载,拒绝冗余接入;配套独立工作空间、会话、产物目录,资源互不污染。
多 Agent 上下文管理回答四个核心问题:
共享范围:目标、任务图、交付进度全局可见,保证所有 Agent 对齐同一份任务蓝图;
隔离范围:各 Agent 局部推理内容、敏感信息互相隔离,阻断错误扩散与越权访问;
传递方式:上游仅把校验完成的结果、产物路径交付下游,单次交接、不双向同步;
传递粒度:同一会话 ID 不代表上下文互通,系统只保证结果级共享,不做底层全量上下文同步。
记忆管理概括为 “给、留、取、纠” :
给 :仅注入校验通过的上游结果,未核验产出不进入下游上下文;
留 :只沉淀高价值信息,任务归档结论与方案,原始对话不长期占用资源;
取 :按类型、标签定向召回记忆,不批量灌入全部历史;
纠 :主控派发真实执行结果,覆盖陈旧记忆,防止旧经验固化误导判断。
能力接入同样遵循解耦原则:能力不硬编码在提示词内,统一由 Plugins、MCP 协议承载。Skill 通过插件包声明复用,Tool 按契约接入、权限统一收口,知识库存储领域知识与历史案例按需注入,MCP 对接外部数据源与业务系统,实现即插即用。能力面统一之后,角色可以灵活装配,权限集中治理。
意图识别不是依靠大模型猜测。帝王蟹采用分层判定:优先通过规则、向量、小模型打分筛选候选,置信不足再交由大模型兜底。先识别任务类型、目标、动作、交付物,闲聊、概念提问不进入任务流程;分层打分设置 0.95、0.85、0.72 三档置信阈值。
判定完成后输出候选方案,候选不等于直接派发,需要通过四层校验:角色存在且启用、置信度达标、路由匹配、不落入兜底分支;校验不通过则退回,不强行调度。
拆分判定有明确标准:只有角色的判断依据、信息来源、权限范围互相隔离,才判定为多 Agent 协作;高度耦合、强依赖、共享状态的任务,优先选用单 Agent,避免强行拆分。
识别模块只输出候选,最终派发动作由状态机驱动。无法判定时向上流转,不硬猜结论。判定结果分为四类:chat、single_agent、multi_agent、main。
任务规划分为四步:信息汇聚输入、大模型产出初步方案、方案转化 DAG 有向无环图、主控基于图调度执行。
每个 DAG 节点严格定义职责、角色、边界、输入输出:节点绑定唯一 Agent;单节点对应单一事项,粒度满足可验收;输入仅提供最小必要上下文、传递产物引用,不复制全文;输出按规范登记清单,校验通过才算交付。
Agent 之间不是自由对话,而是结构化交接,对齐 A2A 五大构件:
能力发现:依靠 Agent Card,声明能力清单,系统基于声明做路由匹配;
任务交接:依托 Task 对象,携带标识、状态、验收标准,流转由 DAG 驱动;
上下文传递:通过结构化 Message/Part 传递,只传摘要与产物引用,避免信息膨胀;
产物交付:依托 Artifact,和任务绑定,清单登记完成视为交付;
用户交互:通过 input-required 状态标准化处理,需要澄清、授权时主动暂停等待,不擅自推测。
跨团队、跨框架互通可直接使用 A2A 标准;内部也可自研插件实现这套构件,结构对齐、实现方式灵活。
主控采用目标对齐模式持续推进流程,核心原则:单次轮次(Turn)结束 ≠ 任务完成 。
Agent 返回结果仅代表单次执行结束,主控不采信“我已完成”的口头反馈,优先核对产物清单。每一轮主控同步完整状态:当前进度、待办节点、预期目标、预期产物,提示词和状态机同源解析,不顺着对话上下文顺延。
流程流转只识别机器可解析的结构化输出;解析失败则状态保持不变,明确告知缺失项。即便 Agent 输出肯定结论,也不会变更任务状态。
任务收口规则:必须等产物核验通过;上游原始产物原样向下传递,主控不擅自生成中间总结;存在未完成节点时,不提前生成阶段总结、不启动下游节点,每一轮以任务状态、目标产物作为收尾依据。
主控负责流程状态驱动,领域 Agent 负责自身任务状态,包含 pending、running、completed、failed。状态机核心动作包含:信息不足时发起澄清;计划未确认,禁止派发;仅依赖就绪节点允许执行;阶段节点全部完成后,主控判定进入下一阶段;全部节点交付后收尾,失败节点由主控选择恢复或终止。
长链路任务中断是常态,断点恢复内置在设计中。恢复三步: 检测 Agent 状态、注入状态与目标、继续驱动流程 。各 Agent 任务数据独立存储、互不覆盖,支持并行执行。整套流程依托 DAG 结构化数据落盘,恢复时从断点续跑,已完成节点不重复执行。
检验和质量校验两层分离:检验判断存在性,由流程自动判定,核查状态更新、产物、清单完整性;质量判断合规性,由领域 Agent 判定,核对内容是否满足验收标准。产物交付后先过存在性检验,通过再进入质量校验;不合格进入修订循环、重新送检。两层校验全部通过,节点才放行。
交付完成有明确判定标准:交付必须是可核验事实;交付物独立归档、录入清单;交付记录包含编号、状态、摘要三项;约定产出仅为契约,文件名相似不等于交付完成。
验收双线并行:主控侧检测状态、身份、会话归属、重复提交、文件路径,不介入内容;Agent 侧校验业务内容,普通交付物自检,关键产出增设独立校验者。产物一旦修改,双线校验全部重跑,任意一侧不通过都禁止放行。
裴明明总结落地四条铁律,规避高频踩坑点:
Agent 并非越多越好:一个任务固定唯一负责人,杜绝多方共管、互相阻塞;
任务不是越碎越好:依赖未就绪节点强制阻塞,上游失败不标记为部分成功;
平衡自主可控:故障进入恢复流程,不自动重试、不自动换 Agent、不隐式兜底;
不以口头表述判定完成:必须提供可核验交付凭证。
很多表象上的模型问题,根源都来自边界设计、上下文管控、验收机制、反馈链路缺失。系统稳定性不靠更强模型,依靠 清晰边界、可控上下文、刚性验收、快速反馈闭环 。
前面的架构设计保障系统稳定交付,而可观测、分层记忆、EERO 闭环,支撑体系持续迭代优化。
全链路可观测:核心观测四类信息:任务阶段与卡点、模型与工具调用记录、产物凭证、耗时与资源成本。一句话概括:推进到哪、执行了什么、交付了什么、消耗多少。
三层记忆体系:会话记忆保存单次任务中间信息,任务结束归档;领域记忆沉淀角色长期案例与方法论,同类任务复用;组织记忆沉淀跨角色通用成败经验,按标签检索。实现从单次会话,到角色能力沉淀,再到组织共享资产的升级。
EERO 自我进化闭环:Execute / Evaluate / Reflect / Optimize:执行留存全链路轨迹;评测定位故障环节;反思提炼可复用经验;优化结果回写到 Skill、配置、评测集,持续迭代精度。
多 Agent 体系的长期价值不止提升任务吞吐量。短期目标是可调度、可治理,保障协作有序;中期目标是持续进化,沉淀组织资产;长期愿景,是从智能助手升级为具备决策能力的数字团队 —— 组织级 Autopilot 。
分享结尾,裴明明回归主题:从“会用 Agent”升级到组织级生产力,核心不在于打造单个超级 Agent,而是把 协作、治理、校验、演进能力平台化 。
其实,整个演讲回答了帝王蟹支撑复杂业务的底层逻辑:依靠角色边界保障专业性、DAG + 状态机保障流转可控、双线验收保障可信、可观测保障问题可追溯、组织记忆 + EERO 闭环沉淀复用经验。
面向客户,价值落脚三点: 复杂任务承接得住、过程风险管控得住、业务经验留存得住 。
活动推荐
作为网易旗下一站式企业 AI 应用服务提供商,网易智企倾力打造企业 AI 实战栏目——「AI 实战派」,聚焦 AI 在真实业务中的落地应用,通过实战教学、案例拆解、研讨交流等多元形式,将前沿的 AI 技术转化为真实的业务动能,为企业管理者、业务决策者和一线实践者提供可迁移、可复用的实战方法论与深度洞察。
免费领取干货资料
IM即时通讯
实时对话智能体
智能硬件开发套件
音视频通话
短信
信令
直播
点播
互动白板
七鱼AI客服
客服类Agent
在线客服
科学策略中心
智能外呼
营销类Agent
问卷调研
文本检测
图片检测
音频检测
视频检测
智能审核平台
风控引擎
行为式验证码
实名核验
人脸核验
隐私合规检测
网易知数
有数BI
大数据基础平台
数据开发治理平台
指标平台
数据中台
研发智能化
智能页面生成
平台私有化定制
企业级RAG知识库
自主智能体
智能协作中枢
AI应用搭建
游戏行业
全生命周期解决方案
游戏安全解决方案
游戏AI智能体
娱乐社交
多人语音聊天室
游戏语音
娱乐社交出海
社交场景反欺诈
内容安全合规
大型直播活动
AI应用
AI应用开发
医疗行业
区域医疗
智慧医院
药店运营
教育行业
在线教育
绿色清朗课堂
课后服务
金融行业
泛金融
全链路数据风控
运营增长
存量用户促活
营销留资转化
企微客服
企微导流

