Building Reliable Agentic AI Systems (PRINCE)
编译摘要
1. 浓缩
- 核心结论1: PRINCE 从 Search→Ask→Do 三阶段演化，将制药临床前数据检索从关键词搜索升级为多 Agent 研究助手
- 关键证据: Bayer AG 与 Thoughtworks 合作；整合数十年安全研究报告；LangGraph 编排 + FastAPI 服务
- 核心结论2: 上下文纪律（context discipline）是可靠 agentic 系统的关键设计原则——不同阶段接收不同上下文，而非一个大 prompt 装所有信息
- 关键证据: Think & Plan 接收规划上下文、Researcher 接收检索上下文、Reflection 接收证据上下文、Writer 接收综合上下文；早期迭代中过多上下文导致系统更难引导和评估
- 核心结论3: 三类反思循环（过程反思、数据反思、草稿反思）共同保障系统可靠性
- 关键证据: Think & Plan 做过程反思（轨迹是否正确）、Reflection Agent 做数据反思（证据是否充分）、Writer 做草稿反思（输出是否完整）
2. 质疑
- 关于"三阶段演化"的质疑: Search→Ask→Do 的演化路径是否适用于其他领域？制药数据的高度结构化和监管要求可能使此路径不具普遍性
- 关于"上下文纪律"的量化依据: 文章定性描述了上下文选择的重要性，但未提供不同上下文策略的量化对比数据
- 关于生产可靠性的质疑: 文章描述了错误处理和回退机制（状态持久化、内置重试、LLM 回退），但未提供生产环境的 uptime 或错误率数据
3. 对标
- Context-Engineering: 本文的"上下文纪律"原则是 Context-Engineering 在多 Agent 系统中的具体实践——不同 agent 接收不同上下文而非共享一个大 prompt
- Corrective-RAG: PRINCE 的 Reflection Agent 做数据充分性检查与 Corrective-RAG 的纠正机制一致，但更侧重验证而非纠正
- Agent-Orchestration: LangGraph 编排多阶段工作流的模式与 Agent-Orchestration 中 Agent 编排概念一致
- Agent-Harness: 三类反思循环（过程/数据/草稿）是 Agent-Harness 中 harness 验证层的具体实现
关联概念