驾驭工程的核心组成部分有哪些？

1. 引导与传感器（ Guides & Sensors ）

Martin Fowler 将编码智能体的驾驭层归纳为两类控制手段。引导（ Guides，前馈控制 ）在智能体行动前提供约束与说明，提升"一次做对"的概率，如 AGENTS.md 、架构文档、编码规范、环境初始化脚本。传感器（ Sensors，反馈控制 ）在智能体行动后观察结果并触发自我修正，如类型检查器、Linter、单元测试。两类缺一不可：只有引导而无传感器，智能体编码却不知效果；只有传感器而无引导，智能体重复犯同样的错误。

2. 计算型与推理型控制

• 计算型控制（ Computational ）：由 CPU 确定性执行，速度快、结果可靠，如测试、Linter、类型检查、结构分析，可在每次变更时低成本运行。
• 推理型控制（ Inferential ）：基于语义分析与" LLM 即裁判"的审查，由 GPU 或 NPU 执行，较慢且具有一定非确定性，但能提供更丰富的语义判断。实践建议优先部署计算型传感器，推理型作为补充而非主力。

3. 上下文工程与架构约束

OpenAI 在内部产品中落地的驾驭层包含三个核心部分：上下文工程（ 持续增强的知识库与可观测性、浏览器导航等动态上下文访问 ）、架构约束（ LLM 智能体叠加确定性 Linter 与结构化测试双重监控 ）、垃圾回收（ Garbage Collection，定期运行的智能体清理文档不一致与架构违规 ）。

4. 六大组件视角

LangChain 将一套成熟的驾驭层概括为六个组件：

• 多层级 System Prompt：超大规模、分层、可缓存的指令集。
• Tool Schema：工具的精确定义，包括文件读写、Bash、Web 批处理等。
• Tool Call Loop：区分"规划模式"与"执行模式"，消除长链路执行中的中间错误。
• Context Manager：百万级 Token 上下文的高效管理。
• Sub Agent：主智能体编排，子智能体在隔离环境中执行。
• Verification Hooks：独立分类器校验工具执行结果，抑制模型"自我美化、虚报完成"。