跳转至

Agent 后端架构

Ch04.459 Agent 后端架构

📊 Level ⭐⭐ | 8.0KB | entities/backend-for-agent.md

Agent 后端架构

摘要

Agent 后端架构（Backend for Agent）是面向 AI Agent 而非人类 UI 的后端系统设计范式，涵盖 API 优先的接口契约、结构化输出、状态机化的流程编排与可回放交互。它由传统 BFF（Backend for Frontend）演化而来：消费方从浏览器变为会自主决策、反复试错、非确定性的 Agent，因此自描述 Schema、幂等性、端到端可观测性与成本控制成为一等公民。这一层正与 Harness 融合，并以 MCP 为默认工具协议，逐步形成"Harness 即后端"的新形态。

核心要点

  • BFF → B4A：消费方从人类 UI 变为机器，接口从"给人读的文档"变为"给模型读的可执行契约"——自描述 Schema、语义化命名、渐进式发现。
  • 结构化输出契约：JSON Schema / tool schema 是 Agent 与后端之间的契约层，契约测试取代人肉评审成为变更门禁。
  • 状态机化：Agent 工作流拆分为显式状态与转移，状态可查询、可持久化、可恢复，是长时任务可靠性的前提。
  • 可回放与可复现：完整记录输入、决策与工具调用序列，让非确定性行为可复现、可审计、可评估。
  • 幂等与重试语义：Agent 重试是常态而非异常，后端必须提供幂等键、安全重试与结构化错误码。
  • MCP 成为工具调用事实标准：后端从"给 UI 提供 API"转向"给 Agent 提供工具"，工具服务器 + Gateway 治理成为新形态。
  • 可观测性与流量治理：一条 trace 贯通模型调用与工具执行；Agent 流量突发且昂贵，需 rate limiting、预算控制与认证。

深度分析

1. 从 BFF 到 B4A：消费端范式的逆转

传统 BFF 解决的是"多个前端共享一个聚合后端"的问题，其消费方始终是人——人读文档、人处理错误、人理解隐含约定。Agent 后端的出现逆转了这一前提：消费方变成 LLM，它不"看"文档而"读"Schema，不"容忍"模糊而"依赖"显式契约，不"手工"重试而"自动"轰炸。因此 Backend for Agent 的第一性要求，是把接口从"给人读的文档"改造成"给机器读的可执行契约"：自描述 Schema、语义化命名、统一响应结构、幂等操作、可审计的操作边界。阿里 AI Friendly 标准的六类事实层正是这一思路的元数据化：把散落在人脑与群聊中的系统知识显式化、可检索化，让 Agent 在调用任何服务之前先获得系统级方向感，避免基于文件名与接口名的"局部推断"做出全局破坏的决策。核心洞见在于：B4A 不是发明新框架，而是把"可被机器理解"写入架构评审标准，让接口从文档升格为机器可验证的契约。

2. 状态机化与可回放：驯服非确定性

Agent 的本质是非确定性——对相似甚至相同的输入可能给出不同答案，这是其价值来源，也是调试噩梦。当系统有 1 个 Agent 与 5 个后端服务时，需要排查的随机路径约 5 条；4 个 Agent 时接近 80 条，基于日志关联的确定性调试彻底失效。工程界的应对是"状态机化 + 可回放"：将 Agent 工作流显式建模为状态与转移（pending、running、awaiting_tool、succeeded、failed），状态持久化到后端存储（session 存储或 state 原语），每一步决策、工具调用与结果写入事件日志。由此获得三项能力：从任意 checkpoint 恢复长时任务；按事件序列回放失败路径定位根因；把真实交互沉淀为评估集驱动迭代。AI Agent 工程师能力地图将"状态管理缺失"与"失败恢复缺失"列为生产失败的两大主因，印证后端架构的职责正从"管数据"扩展到"管 Agent 的执行状态"。

3. MCP 与工具服务器：能力暴露方式的根本变化

Agent 后端中能力暴露方式发生根本变化：传统后端暴露 REST API 给前端程序，而 Agent 后端暴露"工具"给模型。MCP（Model Context Protocol）已成为这一层的默认协议：工具服务器以标准化的 tool schema 声明能力，Agent 通过协议完成发现、调用与结构化结果接收，模型不再需要为每个系统定制集成代码。这一转变把"接口契约"升级为"能力契约"，也把后端工程师的角色从"写 API"推向"写工具并治理工具"——工具命名、参数约束、副作用声明与权限边界直接决定模型能否正确使用，工具随意是生产失败的常见根因。生产级部署还需一层 Gateway 统一处理鉴权、限流、预算与审计——工具一旦被 Agent 调用，流量特征与人类完全不同，未经治理的工具面同时是成本黑洞与攻击面。A2A 等协议补充了 Agent 间通信，但工具调用层已收敛为：协议标准化 + 能力治理 + 网关管控。

4. Harness 即后端：边界正在消解

2026 年最重要的后端架构命题是：Harness 与后端的二元分离只是暂时状态。当下 Agent 的编排循环、工具、记忆构成 harness，队列、状态、HTTP 路由构成传统后端，两层各自重试、各自超时、trace 无法贯通——这正是 Agent 系统难以调试的结构性根源。iii.dev 提出的 worker / trigger / function 三原语提供了一个消解方案：Agent 与支付服务、队列、浏览器同为 worker，注册 functions 与 triggers，共享同一套状态与 trace 语义；Agent 的工具就是 functions，记忆就是 state，编排就是 triggers 的组合。当类别坍缩发生时，实时发现、运行时扩展、端到端可观测性自然涌现，Anthropic 与 LangGraph 的薄厚之争退化为"注册多少 functions"的设计选择。与"自下而上"路径互补的是 AI Friendly 的"自上而下"路径：用 Architecture Map、Service Card 等元数据让现有后端可被 Agent 读取。两条路径合流方向一致：Agent 运行层与后端基础设施正在合并为同一层。

实践启示

  1. 接口语义化先行：把 OpenAPI/JSON Schema 覆盖率做到 100% 是第一里程碑；按"只读 → 读写 → 自治"推进，每阶段独立产生价值，不必推翻现有架构。
  2. 任何长时任务先状态机化：定义显式状态与持久化方案，确保失败可从 checkpoint 恢复而不是从头重跑，这是根治"失败恢复缺失"的工程手段。
  3. 投资统一的 trace 基础设施：基于 OpenTelemetry 让模型调用、工具执行、队列与状态写入共享同一条 trace，可观测性是 Agent 可调试、可评估、可信任的前提。
  4. 把幂等当成默认要求：所有写操作提供幂等键，统一结构化错误码，让 Agent 的自动重试变成低成本、无副作用的操作。
  5. 为 Agent 流量设计治理层：按 Agent 身份做认证与审计，设置 rate limit 与 token/成本预算，防止循环调用与失控开销，治理应先于扩展。
  6. 用回放闭环驱动迭代：将生产 trace 沉淀为评估集，每次架构或提示词改动后回放验证，用可复现性对抗非确定性。

相关实体