Agent 如何把外部变化处理成信号

源池维护与接入

“你们看哪些源、如何维护？”

输入质量决定一切。可见信号不是随机抓取，而是围绕 对象 / 领域 / 平台 / 来源角色 持续维护一个源池。信息进入系统时保留来源、时间、对象和上下文——这是后续一切可核对的起点。

Source Registry 记录来源类型、对象关系、更新频率、可信度与适用场景；行业经验在这里成为系统的选择标准 —— 先决定该看什么，再让信息进入处理链路。

识别信号

“信息很多，哪些会被识别成信号？”

信息进入系统后，先被整理成「变化」。系统合并重复信息、聚合相近线索，把动态绑定到 公司 / 产品 / 人物 / 技术 / 行业 / 议题对象，再判断哪些变化值得继续处理。

这一段以 确定性程序为主，不交给 Agent 即兴发挥 —— 先用规则过滤噪音，复杂度只在评估证明有益时才加入。

多 Agent 处理

“Agent 如何分工处理不同信号？”

不同信号进入不同处理路径：简单信号走标准工作流，复杂信号由 多个 Agent 分工 处理事实、背景与影响。Agent 不是泛化黑盒，而是被工作流、工具、Skills 和输出规范约束的处理单元。

Skill 是可复用的任务能力包：行业框架、解释结构、判断标准——也就是团队的 人文判断与行业 know-how —— 通过 Skill 封装进链路，让 Agent 在不同任务里调用。能力的杠杆也从「写 prompt」转向 为模型配置最合适的上下文。

Harness 运行与控制层

“Agent 如何分工处理不同信号？”

Harness 是 Agent 的运行与控制层 —— 决定 Agent 如何被组织运行、工具如何被调用、上下文如何传递、失败如何处理、过程如何留痕。正因为有这一层，链路不是一次裸模型调用，而是被运行环境、规则和 可核对的来源与证据 包住的系统。

可信不是一句「AI 生成」，而是每个关键判断都能回到来源与证据，并标明哪些已确认、哪些仍在观察、哪些来源之间存在分歧。

Eval 质量门

“Agent 如何分工处理不同信号？”

Agent 的结果 不直接交付，先过一道质量门。Eval 不是一次性验收，而是 持续的、与系统复杂度匹配 的质量测量：用从真实失败中提炼的评测集判断输出是否达标、把反复出现的问题按 badcase 归类、改动后跑回归确认整体没有退化。

关键原则是 评判产出本身，而不是它走的路径 —— 只要结果对，不强求 Agent 按固定步骤完成。通过评估的结果，会被整理成结构化的信号卡片，向下进入解读与工作流；未通过的进入回流。

Loop 越用越准

“系统如何越用越准？”

处理链路不是一次性设定。每次运行都会留下记录（Trace），错误与偏差进入反馈，有效判断沉淀为 golden case，反复出现的问题转化为评估项，最后推动来源、规则、处理方法和工作流更新。

这是「写 prompt → 配上下文 → 设计 Harness」之后的下一步：设计驱动 Agent 的循环本身 —— Trace 显示发生了什么，反馈解释什么重要，Evals 让期望可复用。Loop 跳出线性主链，包住整条链路。