AI 竞争已转向编排能力：2026.3月智能体工程的核心变革

三月份发生了三件事。

Anthropic 公开了三智能体架构的工程细节。Claude Code 源码泄露了。前千问负责人林俊旸发了一篇长文。

三件事撞在同一个月，指向同一个判断：单智能体的天花板到了，下一个战场在编排框架。

先说让我真正停下来想的那个实验

一个叫 Prithvi 的工程师，让 Claude 在无人干预的情况下连续工作了 4-6 小时，从零搭出一个完整应用。

他的结论不是"Claude 变聪明了"。他的结论是：关键在于三个角色分开干活。

规划器只管范围，不碰实现。生成器冲刺交付，做完自评，再进下一轮。评估器用 Playwright 模拟真实用户，UI、API、数据库三个维度挨个测，任何一项没过就算失败。

这个思路在软件工程里不新鲜——它像极了 GAN。生成器和评估器互相对着干，生成质量才能往上走。只不过在 LLM 时代，梯度反向传播变成了文本反馈。

我做风控的时候就知道一件事：执行者不能自己评判自己。自我评估有系统性宽容倾向，这不是态度问题，是结构性问题。生成和评判必须分离，在 AI 这里同样成立。

两个设计细节，比架构图更值得记

第一个：上下文重置优于压缩。

很多人遇到 AI "虎头蛇尾"的问题——跑着跑着开始敷衍，开始走捷径，开始输出一些"这个功能暂不实现"之类的话。

根源是上下文焦虑。模型感知到窗口快满了，开始收尾。

Prithvi 的解法不是压缩，是清空。把状态写进结构化交接文件，启动新智能体，从文件读状态接着干。上下文归零，但任务连续。

这和我们跑风控批处理任务时的分片逻辑很像——不要指望一个进程撑到底，把状态落盘，分段执行，结果一样可以接。

第二个：评估器是瓶颈，但大家低估了调优难度。

Prithvi 原话："开箱即用的 Claude 是糟糕的 QA 智能体。"

它识别出问题之后，会自我说服"这不是大问题"。它倾向表面测试，藏在深处的 bug 它懒得挖。

调优路径只有一条：读日志、找分歧示例、更新 QA 提示词，循环。没有捷径。

成本这件事得单独说

20倍成本差。

换来的是从"无法工作"到"可以交付"的质变。对企业来说，开发周期从几周缩到几小时，这笔账不难算。

Marc Lou 同时运营 15 个产品。他的核心逻辑是：当每个项目结构都一样，AI 就不用猜。标准化不是束缚，是上下文锚点。

林俊旸那篇文章说的三阶段

训练模型 → 训练智能体 → 训练系统。

他认为推理模型时代已经过去。智能体式思考要处理四件事：什么时候停止思考开始行动、工具调用的顺序、消化环境里的噪声、失败之后怎么修正计划。

这四件事，模型本身给不了答案。框架给。

Claude Code 泄露这件事暴露了什么

源码被扫了个底朝天：五层架构、六层权限防线、三层记忆系统、Hook 平台。

Anthropic 发了 DMCA，把仓库下架了。24 小时之内，社区用 Python 重写了一个，5 万 star。

两件事：第一，架构本身的价值在于设计思想，不在于代码本身。第二，智能体时代的开源和闭源边界，真的在重构。

一个还没有答案的争议

Opus 4.6 已经能自行消除上下文焦虑行为，冲刺结构被移除了。

这引出一个问题：编排框架是永久架构，还是模型能力不足时的临时拐杖？

Prithvi 的判断是：编排框架的组合空间不会缩小，它在移动。模型进步和框架演进是共生关系，不是零和博弈。

我倾向于同意这个判断。但"谁来评估评估器"这个递归问题，目前还没人给出干净的答案。

给实践者的三条建议

从最简单的方案开始。先跑单智能体，发现瓶颈再加组件。不要一上来就搭三层架构，你大概率用不到，但折腾的时间是真的。

生成和评判必须分离。这是成本最低、收益最高的单一改动。自我评估的宽容倾向是结构性问题，绕不过去，只能从架构上解决。

标准化你的技术栈。项目结构、命名规范、代码约定固化之后，AI 接手的速度和质量都会显著提升。就像老搭档——不用每次都解释背景，直接干活。

最后

模型能力是引擎，编排框架是整车。引擎再好，没有底盘和控制系统，跑不出成绩。

2026 年三月发生的这三件事，说的是同一个变化：AI 竞争从"谁的模型更聪明"，转向"谁的系统更会组织"。

这个转向，才刚刚开始。