基于Workbuddy的双Agent闭环校验实践：解决AI技能装载中的信息遗漏问题
摘要：本文记录了一次针对Workbuddy Agent在执行技能装载（Skill Loading）任务时出现的遗漏问题进行架构优化的实战过程。通过引入“双Agent架构”（执行Agent + 校验Agent），构建了一个最小闭环的反馈系统，显著提升了任务执行的准确率，并探讨了该模式在低成本自动化中的技术价值。
一、问题背景：单一Agent的执行盲区
在长期使用Workbuddy（下称“小钱”）的过程中，我发现了一个典型的LLM（大语言模型）应用痛点。当输入源包含几十篇关于“三省六部”、“OODA循环”的技术文章时，单一Agent存在明显的信息遗漏（Information Omission）。
例如，在最近一次测试中，小钱生成的技能列表漏掉了关键的GitHub链接。这并非简单的“粗心”，而是类似于软件开发中的“单点失效”。由于LLM的注意力机制限制及上下文窗口的干扰，单一执行者在没有外部反馈机制的情况下，很难保证100%的准确率。
二、架构设计：引入“小严”进行逆向校验
为了对抗这种熵增，我设计了第二个Agent——“小严”。
这不仅仅是增加一个实例，而是构建了一个生产者-消费者模型的闭环系统。
- 执行层（Agent A - 小钱）：负责解析文档、提取技能点、生成配置文件。
- 校验层（Agent B - 小严）：角色设定为“拥有上帝视角的科学家”。其Prompt工程核心在于逆向思维与完整性校验。
工作流如下：
graph LR A[输入文档] --> B(小钱: 技能提取) B --> C{小严: 校验} C -- 通过 --> D[技能入库] C -- 失败 --> E[返回错误日志] E --> B三、深度剖析：为什么需要“小严”？
从技术原理上讲，这利用了对抗生成的思想雏形。单一Agent往往陷入“局部最优”或“自我确认偏误”（Confirmation Bias）。通过引入第二个具有独立视角的Agent，我们实现了：
- 交叉验证（Cross-Validation）：对配置路径、文档完整性进行二次确认。
- 错误隔离：将执行与验证解耦，避免错误累积。
四、成本效益分析（Cost-Benefit Analysis）
该架构在“一人公司”场景下的优势极为明显：
维度 | 传统开发团队 | 双Agent架构 |
|---|---|---|
人力成本 | 程序员(2W) + 测试(1.5W) | Token消耗 (~200元/月) |
容错率 | 依赖人工Review | 自动化闭环校验 |
扩展性 | 招聘周期长 | 秒级复制Agent |
五、总结与展望
这次实践验证了“AI即员工”的技术可行性。未来的优化方向在于：
- 递归校验：如果小严出错怎么办？是否需要引入第三个仲裁Agent？这将涉及递归深度的性能损耗问题。
- 人机共生：正如我在实践中感悟到的，AI并非替代者，而是人类能力的延伸（Extension）。开发者应从“编码者”转型为“架构师”与“Prompt工程师”。
这种双Agent模式，正是目前构建高可靠AI应用的关键路径之一。