@freeman1266: Spec + ReAct + Ralph：这三层架构，才是 Agent 长任务真正能跑通的工程基础。 很多人以为让 Agent "跑起来"就完了。 其实那只是开始。 模型停了，不代表任务完成。 做 Agent 长任务，你需要三层结构： 第…

X AI KOLs Timeline 新闻
agent architecture spec react ralph long-task engineering

摘要

提出Agent长任务的三层工程架构：Spec（任务定义）、ReAct（执行循环）、Ralph（外部完成判断），强调结构化可靠运行。

Spec + ReAct + Ralph：这三层架构，才是 Agent 长任务真正能跑通的工程基础。 很多人以为让 Agent "跑起来"就完了。 其实那只是开始。 模型停了，不代表任务完成。 做 Agent 长任务，你需要三层结构： 第一层：Spec——把任务拆清楚 没有清晰的任务定义，Agent 只会做到哪算哪。 Spec 的核心是把目标、验证条件、约束边界都写明白——不是写进 prompt，而是挂到 Session 上，让整个任务有一个持续存在的完成条件。 第二层：ReAct——让模型进入执行现场 ReAct 的循环是：思考 → 行动 → 观察 → 再思考。 Agent 才不是在"回答问题"，而是在"做事"。 PlanAct 管规划，CodeAct 管代码行动，MultiAgent 管协作——但底层都跑在这个循环上。 第三层：Ralph——在外面套一层 LoopControl Ralph 是外部控制器，负责判断任务有没有真正完成。 模型觉得差不多，不代表任务完成。Ralph 持续检查：继续、暂停、完成，还是停下来等人确认。 三层缺一不可： · Spec 解决任务定义 · ReAct 解决执行循环 · Ralph 解决完成判断 Agent 工程不是"让 AI 多干几轮"。是把任务、执行、控制都结构化，让每一次运行都比上一次更可靠。
查看原文
查看缓存全文

缓存时间: 2026/06/02 15:44

Spec + ReAct + Ralph：这三层架构，才是 Agent 长任务真正能跑通的工程基础。

很多人以为让 Agent “跑起来“就完了。

其实那只是开始。

模型停了，不代表任务完成。

做 Agent 长任务，你需要三层结构：

第一层：Spec——把任务拆清楚 没有清晰的任务定义，Agent 只会做到哪算哪。 Spec 的核心是把目标、验证条件、约束边界都写明白——不是写进 prompt，而是挂到 Session 上，让整个任务有一个持续存在的完成条件。

第二层：ReAct——让模型进入执行现场 ReAct 的循环是：思考 → 行动 → 观察 → 再思考。 Agent 才不是在“回答问题“，而是在“做事“。 PlanAct 管规划，CodeAct 管代码行动，MultiAgent 管协作——但底层都跑在这个循环上。

第三层：Ralph——在外面套一层 LoopControl Ralph 是外部控制器，负责判断任务有没有真正完成。 模型觉得差不多，不代表任务完成。Ralph 持续检查：继续、暂停、完成，还是停下来等人确认。

三层缺一不可： · Spec 解决任务定义 · ReAct 解决执行循环 · Ralph 解决完成判断

Agent 工程不是“让 AI 多干几轮“。是把任务、执行、控制都结构化，让每一次运行都比上一次更可靠。

相似文章

@MinLiBuilds: 今晚的作业来了。 DeepSeek 官方发了一篇超长技术文。 讲的是 Super-agent，一个更自主的 Agent 系统。 核心观点： 单任务，瓶颈是模型。 多任务，瓶颈是人。 一个人同时最多盯 3 到 5 个 Session，再多脑…

X AI KOLs Timeline

DeepSeek 发布长篇技术文介绍 Super-agent 自主 Agent 系统，采用 Router + Worker 双层架构解决多任务并发瓶颈，实测 p95 完成时间从 29.5 分钟降至 15.7 分钟，原型已开源。

@AxtonLiu: https://x.com/AxtonLiu/status/2073791557547794579

X AI KOLs Timeline

本文讨论了Agent OS的概念，强调通过分工将任务拆解为多个工位（抓取、提炼、核查、确认），每个工位由独立的Agent负责，以实现可控的自动化。作者通过消化浏览器标签的例子，展示了如何通过分工隔离上下文、责任和风险，确保AI输出的准确性和可靠性。

@XAMTO_AI: 想自己从零搭一个生产级 Agent Harness？别做梦了，以为随便挑个框架就能收工的，基本全翻车了。 真相是这玩意儿压根不是"选框架"能摆平的事，它背后藏着15项你绕不开的硬核职责： 每一项都得做成能安装、能版本化、还能换语言跑的 w…

X AI KOLs Timeline

The article argues that production agent harnesses should not be monolithic frameworks but rather a stack of independent, replaceable workers connected by a shared trigger primitive, outlining 15 core responsibilities and how the iii engine implements this approach.

@NFT_Chen: 太牛了！Agent交互强化学习终于不再“工程地狱”了！HarborRL开源全套框架，真实Coding Agent也能稳稳做RL！ 以前训Agent RL最痛苦的不是算法，是轨迹收集、Token对齐、多轮工具调用、策略版本一致性这些工程坑。…

X AI KOLs Timeline

HarborRL开源了一个轻量级智能体强化学习框架，将模型服务、轨迹生成、工具执行、验证器奖励和策略更新整合为可复现的流水线，支持Qwen/GLM模型×GRPO/DAPO算法×200+沙箱任务×40+ Agent Harness（如Claude Code、SWE-agent）的灵活组合。