得物以分层知识和双路径构建推荐诊断Agent

针对 Agent 知识会丢、行为会漂的问题，得物推荐把知识分为三层：L1 为整体架构，定义不可逾越的行动边界。L2 为模块设计文档，解释关键取舍与依赖关系。L3 为代码注释，最贴近 AI、读代码时随用随取。文中给出的实验结果为：补充 L3 注释后，简单问题准确率从 52% 提升到 91%，复杂问题准确率达到 100%。 简单题整体 token 消耗下降 48%，复杂题下降 26%。单次上下文可能变长但任务完成轮次显著减少，整体成本反而下降。在排查场景上，团队观察到约 80% 的问题高频、可归类、可复现，20% 长尾复杂需探索，因此推查查采用 Highway 与 ATV 混合架构：Highway 把稳定路径写进代码，保证每次在同处执行、同处观测、同处定位错误，LLM 只负责最后的结果润色。 ATV 为剩下 20% 长尾问题提供工具、MCP 与约束，让 Agent 按 ReAct 自主拆解、调用工具、读取结果、生成结论，探索成功后由 Memory 把轨迹剪枝、把 UID 等一次性特征升维成业务变量，再经 Dry Run 准入沉淀为新的 Highway 能力。