作者团队曾把商家智能场景拆成查询、诊断、操作三个 Agent，结果跨 Agent 通信丢语义、状态同步出错、调试要翻三份日志。Google Research 的研究显示 Agent 间交互轮数随数量增长遵循 n^1.724 幂律，3 个 Agent 的交互开销是 1 个的 6 倍。模型能力跨过临界点后风向又倒向单 Agent + 多 Skill，但换旗帜的姿势一模一样。

经典四要素定义（规划、记忆、工具、行动）是从模型视角出发的认知框架，容易让人误以为接上工具就是 Agent。实际上模型和工具之间还需要一整套控制结构：谁决定何时调用哪个工具、出错怎么兜底、多步任务状态谁管、输出格式谁约束。Harness 设计得好，一个 Agent 就够；设计得烂，拆成十个也是十倍的烂。

编排层相当于指挥官，负责任务拆解、步骤规划、错误恢复、循环控制、人机协作；能力层相当于参谋部，负责上下文组装、记忆检索、知识召回、Prompt 管理、上下文压缩；连接层相当于外交部，负责 MCP 工具调用、Skill 技能包、API 适配、沙箱执行。规划、记忆、工具、行动并未消失，而是被重新归位到三层之中。

两个团队接了同一个 Skill 和 MCP 工具，但 A 团队在调用前注入了店铺信息、历史偏好和对话摘要，编排上先查基础数据再做合理性校验，输出有标准话术模板；B 团队什么都没注入，模型想调什么调什么，调完就输出。Skill 是标准化的，能力层和编排层才是各团队的自留地。

连接层必须强势管理，工具的 name、description、参数枚举值、返回 schema 必须原样使用，改一个词可能导致调用率从 90% 掉到 60%；能力层必须定义上下文注入契约，比如必须有店铺 ID 和时间范围、禁止注入超过 10 轮完整对话历史；编排层提供前置条件建议。同时评测集就是新的 PRD，要把模糊反馈转化为可复现、可衡量的测试任务。

连接层建 20 到 50 条黄金测试集，看工具调用准确率、参数正确性、数值误差是否在 1% 以内、格式一致性；能力层在上下文充分与残缺两种条件下测试，重点看追问能力；编排层给 3 到 5 步的复杂任务，看步骤规划是否合理、出错后能否断点恢复、多步结果能否合理整合。能解释清楚系统行为的团队才是真正理解自己在做什么的团队。