第一部分 为什么 Prompt Engineering 已经不够——Agent Engineering 的提出

过去两年，Prompt Engineering（提示工程）几乎成为企业应用大模型的代名词。从设计角色设定（Role）、编写系统提示词（System Prompt），到优化 Few-shot 示例和输出格式，越来越多企业通过不断迭代 Prompt 来提升模型回答质量。

在大模型主要承担问答、文本生成和知识辅助工作的阶段，这种方式取得了显著成效，也催生了一整套 Prompt Engineering 方法体系。然而，随着 AI 从"回答问题"逐步演进到"完成工作"，企业发现，仅仅写好一个 Prompt，已经无法支撑真正的企业级智能体。Prompt 可以指导模型如何回答，却无法定义一个智能体如何长期运行、如何调用工具、如何协同其他 Agent，以及如何持续优化自身能力。Prompt Engineering 仍然重要，但它已经不再是企业 AI 的全部。

这一变化的根本原因，在于 Agent 与传统 Chatbot 已经属于两种不同的软件形态。传统大模型更像一次性的语言生成器，用户提出问题，模型返回答案，整个过程通常在一次对话中结束。而 Agent 则具备明确目标、长期状态、工具调用、环境感知和多步骤执行能力，它需要根据任务自主规划执行路径，与企业系统持续交互，并在任务完成后保留运行状态和历史经验。

OpenAI 在企业 Agent 平台中提出，生产级 AI Agent 应具备三项关键能力：Business Context（业务上下文）、Agent Execution（任务执行）以及 Evaluation & Optimization（持续评估与优化）。这意味着，企业关注的对象已经从"一次回答是否准确"，转向"一个智能体能否长期稳定完成业务工作"。

因此，企业 AI 的设计对象也发生了根本变化。过去，开发团队优化的是 Prompt；今天，他们需要设计的是一个完整的 Agent。一个企业级 Agent 至少需要回答几个工程问题：它承担什么业务角色？能够完成哪些任务？可以调用哪些工具？拥有哪些权限？遇到异常如何处理？如何与其他 Agent 协同？如何持续评估效果并完成版本迭代？

这些问题已经远远超出了 Prompt 编写的范畴，更接近软件架构设计和系统工程管理。近年来，Microsoft Agent Framework、Azure Foundry Agent Service 等平台都将 Agent 定义为包含角色、上下文、工具、工作流、记忆、身份、安全和可观测性的完整运行单元，而不仅仅是一段 Prompt。

更重要的是，企业真正需要建设的不是一个 Agent，而是一套能够持续开发、部署、管理和运营 Agent 的工程体系。 正如传统软件开发需要软件工程（Software Engineering），微服务需要平台工程（Platform Engineering），进入 AI Native 时代之后，企业同样需要一套新的工程方法来规范智能体的全生命周期。从角色设计、能力拆解、工具绑定，到工作流编排、权限管理、版本控制、评估测试和持续优化，每一个环节都需要统一的方法论和工程规范。

近年来，越来越多国际研究开始将这一体系称为 Agent Engineering（智能体工程），强调企业竞争的重点已经从"谁写出了更好的 Prompt"，转向"谁能够持续构建和运营高质量的 Agent 系统"。

因此，如果说 Prompt Engineering 解决的是"模型如何理解一句指令"，那么 Agent Engineering 解决的则是"企业如何构建一个能够长期工作的智能体"。它标志着企业 AI 已经从提示词优化阶段，进入工程化、平台化和规模化的新阶段。

未来，真正决定企业 AI 能力上限的，将不再是某一个 Prompt，而是整套 Agent Engineering 方法体系。这也正是下一部分将重点讨论的内容：Agent Engineering 的五层方法体系——从角色设计到持续优化。

图1 企业 AI 的工程范式演进

Prompt Engineering 是 Agent Engineering 的基础，但不是终点。随着 AI 从生成内容演进到执行业务，企业需要关注角色、工具、工作流、治理和持续优化等完整生命周期，Agent Engineering 正成为 AI Native 企业的新工程范式。

第二部分 Agent Engineering 的五层方法体系——从角色设计到持续优化

如果说 Prompt Engineering 的核心对象是一段 Prompt，那么 Agent Engineering 的核心对象则是一个完整的智能体系统（Agent System）。它不仅关注模型如何理解用户指令，更关注智能体如何理解自身职责、调用企业资源、执行业务流程，并在运行过程中持续学习和优化。因此，Agent Engineering 并不是一个单一技术，而是一套覆盖设计、开发、部署、运营和优化全过程的工程方法论。

微软最新发布的 Agent Archetype Framework 将企业级 Agent 的设计过程归纳为 Categories（目标）、Capabilities（能力）和 Components（组件）三个层次，强调企业应采用结构化、可复用的方法设计 Agent，而不是依赖经验不断修改 Prompt。

结合当前国际主流 Agent Framework 的设计思想，可以将企业级 Agent Engineering 进一步抽象为五个连续的工程阶段：Role（角色设计）、Capability（能力设计）、Tool（工具绑定）、Workflow（工作流编排）以及 Evaluation & Optimization（评估与持续优化）。这五层并非彼此独立，而是构成了企业智能体完整的生命周期，也是未来企业构建 Agent 的标准工程语言。

第一层是Role（角色设计）。任何一个企业级 Agent，都应该首先回答"它是谁"的问题，而不是"它会什么"。角色决定了 Agent 的目标、职责边界、权限范围以及业务定位。例如，Marketing Agent 的目标是增长线索，Sales Agent 的目标是推进商机，Customer Service Agent 的目标是提升客户满意度，Finance Agent 则负责预算分析与财务审核。角色定义不仅影响 Agent 的行为方式，也决定了它能够访问哪些知识、调用哪些工具以及参与哪些业务流程。微软提出，Agent 的设计应首先围绕业务目标建立统一角色模型，再逐步映射到具体能力，避免形成职责混乱的"万能 Agent"。

第二层是Capability（能力设计）。角色确定之后，需要进一步拆解 Agent 应具备的业务能力。例如，一个销售智能体并不是只有"回答客户问题"这一项能力，而应具备客户分析、商机评估、方案推荐、报价生成、CRM 更新、邮件沟通等多个可复用能力模块。微软在 Agent Framework 中强调，Capability 是 Agent 的基本能力单元，应保持平台无关、可组合和可复用，不同业务场景可以根据需要重新组合这些能力，而不是为每个场景重新开发一个新的 Agent。这样的能力模块化设计，也使企业能够像管理软件组件一样持续迭代 Agent 能力。

第三层是Tool（工具绑定）。企业 Agent 的价值，并不仅在于能够思考，更在于能够行动。真正的生产级 Agent 必须能够调用 CRM、ERP、OA、邮件、数据库、BI、知识库以及各种 API，将模型推理转化为真实业务动作。因此，工具绑定成为 Agent Engineering 中连接 AI 与企业系统的关键环节。微软在 Agent Capability Model 中指出，一个完整的 Agent 应同时具备 Instructions（职责说明）、Retrieval（知识获取） 和 Actions（工具执行） 三项核心能力，其中 Actions 决定了 Agent 是否真正具备业务执行能力，而不是停留在对话层面。

第四层是Workflow（工作流编排）。当 Agent 能够调用多个工具之后，企业需要进一步定义它完成业务任务的执行路径。工作流负责规定任务如何拆解、步骤如何衔接、异常如何处理、哪些节点需要人工审批，以及多个 Agent 如何协同完成目标。Microsoft Agent Framework 将 Workflow 定义为整个系统的 Orchestrator（编排器），负责消息路由、执行控制、事件流转和状态管理，并明确区分了 Agent 与 Workflow：Agent 负责动态推理和执行，而 Workflow 负责业务流程的确定性控制，使企业能够兼顾智能性与可控性。

第五层则是Evaluation & Optimization（评估与持续优化）。Agent 并不是开发完成后即可长期稳定运行，而需要持续监测任务成功率、工具调用质量、业务指标、安全风险以及用户反馈，并不断进行优化迭代。Google 在最新的 Gemini Enterprise Agent Platform 中，将 Agent Evaluation 定义为生产级 Agent 生命周期的重要组成部分，提出应建立"设计评测场景—执行测试—自动评分—优化迭代"的闭环，通过持续评估 Prompt、工具、工作流和任务轨迹，不断提升 Agent 的业务表现与可靠性。

综上可以看到，Agent Engineering 的本质不是开发一个智能体，而是建设一套能够持续设计、交付、运营和优化智能体的工程体系。 从角色定义到能力拆解，从工具绑定到流程编排，再到持续评估和版本演进，每一层都对应着企业 AI 的一个关键工程环节。未来企业之间的竞争，也不会停留在谁拥有更多 Agent，而是谁能够建立更加规范、可复用、可扩展的 Agent Engineering 方法体系。

图2 Agent Engineering 五层工程模型

Agent Engineering 将企业智能体建设从 Prompt 优化扩展为覆盖角色、能力、工具、工作流和持续优化的完整工程体系，使 Agent 能够真正嵌入企业业务流程，并具备长期演进能力。

第三部分 企业级 Agent 为什么需要工程规范——从“开发智能体”走向“运营智能体”

如果说个人开发者可以通过一个 Prompt、一个工作流快速构建 Agent，那么对于企业而言，这种方式很快就会遇到规模化瓶颈。当企业只有一两个 Agent 时，依靠经验管理尚且可行；但当 Agent 数量增加到几十个甚至数百个，并开始连接 CRM、ERP、OA、财务、供应链等核心业务系统时，Agent 已经不再只是一个 AI 应用，而成为企业数字基础设施的一部分。此时，企业面临的问题不再是"如何开发 Agent"，而是"如何管理 Agent"。

微软在最新发布的企业 Agent 治理白皮书中指出，随着 AI Agent 从试点进入生产环境，企业最关心的问题已经从 "How do we build agents?"（如何构建 Agent） 转向 "How do we govern them at scale?"（如何规模化治理 Agent）。企业真正需要的是一套覆盖开发、部署、运行、治理和持续优化全过程的工程规范，而不仅仅是 Agent 开发工具。

首先，企业需要建立 Agent 的生命周期管理（Lifecycle Management）。传统软件拥有需求、开发、测试、发布、运维和退役等完整生命周期，Agent 同样如此。一个企业级 Agent 从设计之初，就需要明确版本号、负责人、所属业务域、依赖模型、调用工具、知识来源以及运行环境；上线之后，还需要经历灰度发布、效果评估、持续优化、版本升级和最终退役等过程。如果缺乏统一的生命周期管理，不同团队开发的 Agent 很容易形成"Agent Sprawl（智能体蔓延）"，导致版本混乱、能力重复、安全风险增加以及维护成本快速上升。

微软 Foundry 已经将 Agent Lifecycle Management、版本管理和 CI/CD 流程纳入企业级 Agent 平台能力，强调 Agent 应像软件一样接受持续交付和持续治理。

其次，权限模型（Identity & Authorization） 将成为企业 Agent Engineering 的核心能力之一。传统软件通常依据用户身份控制权限，而 Agent 时代，需要进一步回答"Agent 能够代表谁行动""Agent 可以访问哪些数据""Agent 可以调用哪些工具""Agent 是否可以自主执行高风险操作"等问题。由于 Agent 具备自主规划和工具调用能力，一旦权限设计不合理，就可能造成误操作、数据泄露甚至业务风险。

因此，国际主流平台普遍采用 Least Privilege（最小权限原则）、身份绑定（Identity Binding）、运行时策略（Runtime Policy）和审批机制，对 Agent 的行为进行动态控制，而不是依赖 Prompt 中的简单限制。

微软 Agent Governance Toolkit 就将身份管理、策略执行、运行时权限控制和审计能力作为生产级 Agent 的核心组成部分。

第三，可观测性（Observability）与可审计性（Auditability） 正在成为企业 Agent 的基础要求。传统应用主要监控 CPU、内存、响应时间等系统指标，而 Agent 系统还需要监控任务轨迹、推理过程、工具调用、上下文变化、模型选择、成本消耗以及多 Agent 协作链路。只有能够完整记录 Agent "为什么这样决策、调用了哪些工具、执行了哪些动作、最终产生了什么业务结果"，企业才能真正实现问题定位、效果评估和责任追溯。

微软最新的 Agent Framework 和 Foundry Control Plane 均将 Observability、Telemetry、Governance Dashboard 和 Audit Trail 作为企业级平台的标准能力，用于支持生产环境中的持续监控和合规治理。与此同时，越来越多学术研究也指出，未来 Agent 的治理重点将从"结果是否正确"扩展到"整个决策过程是否可解释、可证明、可追溯"。

最后，Agent Engineering 的终点并不是交付一个 Agent，而是建立一套持续运营 Agent 的能力体系。 企业需要像管理员工一样管理 Agent：知道它属于哪个部门、承担什么职责、使用哪些资源、绩效表现如何、是否符合安全规范，以及什么时候需要升级、暂停或退役。这意味着，未来 Agent 将拥有完整的数字档案、运行指标、版本历史、权限体系和绩效数据，并通过统一的平台实现集中治理。

从本质上看，企业竞争的焦点已经从"有没有 Agent"转向"是否拥有成熟的 Agent 工程体系"。

未来，能够大规模、安全、稳定运营 Agent 的企业，将比单纯拥有更多 Agent 的企业更具竞争优势，这也为下一部分将介绍的 Agent Engineering Platform——企业智能体工程平台 奠定了基础。

图3 企业级 Agent Engineering 治理框架

企业级 Agent 已从"开发对象"演变为"运营对象"。生命周期管理、身份权限、版本控制、可观测性、安全治理和审计能力，共同构成 Agent Engineering 的工程规范，也是企业实现智能体规模化部署与持续运营的基础。

第四部分 Agent Engineering Platform——企业智能体工程平台（以 Marketingforce 为例）

当企业进入规模化部署 Agent 的阶段，真正需要建设的已经不只是一个 Agent，而是一套能够支撑智能体全生命周期的工程平台（Agent Engineering Platform）。正如软件工程经历了 IDE、Git、CI/CD、DevOps 和云原生平台的发展过程，Agent Engineering 同样需要统一的平台来管理角色设计、工具接入、工作流编排、测试评估、部署发布、运行监控和持续优化。

微软在最新的 Microsoft Agent Framework 中提出，企业级 Agent 平台应同时提供 Agents（智能体）、Workflows（工作流）、Memory（上下文）、Tools（工具）、Middleware（治理）、Telemetry（可观测性） 等基础能力，使 Agent 从实验环境顺利进入生产环境。

从企业实践来看，一个成熟的 Agent Engineering Platform 至少需要覆盖五项核心能力。

第一，是智能体设计平台（Agent Studio），负责统一管理 Agent 的角色定义、业务目标、能力模块和提示策略，并支持模板化开发，使业务部门能够快速复用成熟 Agent，而无需重复构建。

第二，是工具与知识连接平台（Tool & Knowledge Hub），通过 MCP、API、数据库、CRM、ERP、OA 等接口，将企业已有系统与 Agent 打通，同时连接企业知识平台，实现知识检索、工具调用和业务执行的一体化。

第三，是工作流编排平台（Workflow Orchestration），负责设计多步骤业务流程、多智能体协作、人机协同审批以及事件驱动机制，使 Agent 能够真正融入企业经营流程，而不仅仅停留在聊天界面。

第四，是治理与安全平台（Governance & Security），统一管理权限模型、身份认证、版本控制、运行策略和审计日志，保证 Agent 在企业环境中的安全运行。

第五，则是运营与优化平台（Operations & Optimization），通过运行监控、自动评测、A/B 实验、反馈分析和持续迭代，实现 Agent 生命周期管理，让智能体像企业应用一样持续演进，而不是一次性交付。

微软 Agent Framework 将这些能力统一纳入生产级 Agent 架构，并强调 Agent Platform 的目标不是"帮助开发 Agent"，而是"帮助企业持续运营 Agent"。

如果进一步放在 AI Native 企业架构中观察，Agent Engineering Platform 实际上承担着连接模型、知识、业务系统与组织运营的中枢作用。

一端，它向下连接基础模型、向量数据库、企业知识、本体（Ontology）以及各类业务系统；另一端，它向上承载营销、销售、客服、运营、人力、研发等业务智能体，并通过统一的调度与治理能力实现跨部门协同。

Agent Engineering Platform——企业智能体工程平台架构

Agent Engineering Platform 是连接基础模型、企业知识、业务系统与业务智能体的核心基础设施。通过统一的设计、编排、治理与运营能力，企业能够实现智能体的全生命周期管理，并构建面向 AI Native 时代的企业级智能体工程体系。

这种平台化架构，使企业能够像管理微服务一样管理 Agent，像运营 SaaS 一样运营智能体，从而形成标准化、可复制、可扩展的 AI 能力体系，也成为 AI Native 企业的重要基础设施。近年来，国际主流 Agent 平台的发展方向也呈现出一致趋势，即从"Agent SDK"逐步演进为覆盖开发、部署、编排、治理和运营的一体化平台。

对于 Marketingforce 而言，这一平台理念正对应其企业级 AI 基础设施布局。

以 GenAIOS 企业 AI 操作系统 为统一底座，以 AI-Agentforce 智能体平台 负责智能体设计、模板管理和生命周期管理，以 KnowForce 企业知识平台 提供知识建模、本体管理与 OAG（Ontology-Augmented Generation）能力，以 MAS 多智能体协同平台 实现任务分解、角色协同和业务编排，再结合前文提出的 FDE（反馈驱动工程）、Loop Engineering（循环工程） 和 Harness Engineering（评测工程），企业能够形成"设计—开发—部署—运营—评估—优化"的完整 Agent Engineering 闭环。

智能体不再是孤立的软件组件，而成为持续创造业务价值、不断学习进化的数字生产力。

回顾整个 Agent Engineering 方法体系可以发现，Prompt Engineering 解决的是"模型如何理解指令"，Context Engineering 解决的是"模型如何理解环境"，OAG 解决的是"模型如何理解企业知识"，Loop Engineering 与 FDE 解决的是"智能体如何持续运行与持续学习"，Harness Engineering 解决的是"智能体如何被评测与验证"，而 Agent Engineering 则负责把这些能力整合为一套完整、可治理、可运营的企业工程体系。 

未来企业之间的竞争，也将从模型能力竞争，逐渐转向 Agent Engineering 能力竞争——谁能够更快、更规范、更安全地构建和运营智能体系统，谁就能够率先建立 AI Native 企业的新竞争优势。