Agent 開發的隱形成本：為何我們需要一個統一的控制平面？

開發 AI Agent 的過程中，我們常將瓶頸歸咎於大型語言模型的能力極限，但真正的拖累，往往來自更根本的架構問題：工具、提示、上下文、記憶與模型設定被散落在系統的不同角落。每當需要新增或修改一項功能，開發者就必須在多個分散的層級之間穿梭。當所有配置被「摺疊」為一個統一、可被檢視的對象時，我們才真正開始擁有一個可維護、可治理的系統。這不僅是工程效率的提升，更是邁向可信任 AI 的基礎建設。

為什麼增加一個簡單功能，卻要修改五個地方？

想像一個常見的開發情境：我們想為既有的 Agent 增加三項新能力：Web 搜尋、在沙箱中執行程式碼，以及跨 session 的長期記憶。在許多主流的 Agent 框架中，這個看似單純的任務，會迅速演變成一場在程式碼庫中四處奔波的尋寶遊戲。開發者很快會發現，這項工作無法在一處完成。

你可能需要：在工具註冊模組中，定義並掛載新的 Web 搜尋與程式碼執行工具；接著修改系統提示（System Prompt），告訴模型現在擁有了這些新工具，以及在何種情境下應該使用它們；然後找到處理執行中上下文（in-flight context）的程式碼，插入邏輯以從記憶體中提取相關資訊，並將其注入到傳送給模型的提示中；最後，還可能需要調整模型設定，例如根據新工具的複雜性，提高溫度（temperature）或調整停止序列（stop sequences）。這不僅是開發效率的挑戰，也反映了當前 Agent 框架在整合多樣化工具時的複雜性，正如有研究指出，讓大型語言模型掌握大量真實世界 API 的挑戰。

一個功能的變動，輕易地就牽動了四到五個不同的程式碼位置。這種配置的分散性，是 Agent 開發中一個巨大的隱形成本。它不僅拖慢了開發速度，更嚴重的是，它讓系統的行為變得難以預測與除錯。當 Agent 的「人格」與「能力」被拆解成散落的碎片時，我們很難對系統有一個整體的、清晰的認識，更遑論進行有效的治理。

如何將分散的配置摺疊為統一的控制平面？

這個問題的核心解方，是將所有定義 Agent 行為的元素，從分散的程式碼邏輯中抽離出來，整合到一個單一、宣告式的設定物件中。這個物件，可以被視為 Agent 的「控制平面」（Control Plane）。它完整描述了一個 Agent 是誰、能做什麼、以及它該如何與世界互動。

Python 社群中廣受歡迎的資料驗證函式庫 Pydantic，其最新的 Pydantic AI v2 版本，就體現了這種設計哲學。在經歷了 7 個 beta 版本的迭代後，其 v2.0.0 穩定版已於 2026 年 6 月 23 日正式發布。它最核心的改變，便是引入了一個統一的 Agent 物件，將過去散落各處的配置摺疊起來。

在這個架構下，工具、系統提示、上下文管理器（Context Manager）、記憶體後端（Memory Backend）以及底層的 LLM 設定，全都被定義在同一個 Pydantic 模型中。當我們要新增前述的 Web 搜尋功能時，不再是修改多個檔案，而是在這個單一的設定物件中，增加一個工具定義。這種做法將過去「指令式」（Imperative）的修改流程——「去 A 處做 X，去 B 處做 Y」——轉變為「宣告式」（Declarative）的定義——「這個 Agent 的狀態就是 Z」。

一個可治理的 AI 系統，其決策邊界與能力範圍必須是清晰、可稽核的。一個統一的控制平面，正是實現此目標的架構基礎。

統一控制平面帶來了哪些超越工程效率的好處？

將 Agent 配置整合為單一物件，帶來的好處遠不止是簡化開發流程。我認為，這對系統的長期健康與可信度有著更深遠的影響。

首先是**可維護性與可測試性**。當 Agent 的所有行為特徵都被封裝在一個地方，要理解它的運作方式、除錯非預期行為，或是為其撰寫單元測試都變得極為容易。我們可以輕易地複製、修改這個設定物件，來模擬不同的情境，而無需改動核心的執行邏輯。

其次是**可治理性與稽核性**。這是我認為最重要的價值。在企業或任何嚴肅的應用場景中，我們需要確保 AI Agent 的行為符合規範與預期，這在學術研究與產業標準中都是日益重要的議題。一個統一的控制平面就像是 Agent 的「數位身分證」與「能力說明書」，它讓稽核、版本控制與權限管理變得可能。我們可以輕易地回答「這個 Agent 在上週二的版本中，被允許使用哪些工具？」這樣的問題。

最後是**組合性與可重用性**。這些 Agent 設定物件本身就是可被傳遞、儲存與組合的資產。我們可以為不同任務設計不同的 Agent「範本」，並在需要時動態載入。例如，一個專門用於客戶服務的 Agent 設定，和一個用於程式碼分析的 Agent 設定，可以被團隊共享與重複利用，大幅提升組織整體的開發效率。這種架構上的轉變，讓我們從打造單一、巨大的「全能」Agent，轉向建構一個由眾多小型、專精、可組合的 Agent 構成的生態系，這更符合認知科學中關於模組化心智的觀點。

總結來說，Agent 開發的挑戰正在從「如何讓模型更強大」轉向「如何有效管理與駕馭這些強大的模型」。Pydantic AI v2 的設計提供了一個重要的啟示：真正的進展，往往來自於找到正確的抽象層次。透過一個統一的控制平面來管理 Agent 的複雜性，我們才真正開始有能力去建構那些不僅聰明，而且穩定、可信、可治理的 AI 系統。

延伸閱讀

• Pydantic Blog: Pydantic AI V2
• arXiv: ToolLLM: Facilitating Large Language Models to Master 16000+ Real-world APIs
• arXiv: Cognitive Architectures for Language Agents
• Martin Fowler: Is Declarative Infrastructure a form of Externalized Architecture Configuration?

我是江中喬，專注於 AI Agent Architecture、Memory Governance 與 Cognitive Diversity，持續研究如何打造能夠長期協作、可信任且可治理的 AI 系統。