在大型语言模型（LLM）驱动的AI代理架构研究中，现有框架往往只从单一视角描述系统：行业指南（如Anthropic、Google、LangChain）聚焦于执行拓扑——即数据如何流动；而认知科学调查则聚焦于认知功能——即代理做什么。然而，单一维度无法区分架构上截然不同的系统：相同的Orchestrator-Workers拓扑可以实现Plan-and-Execute、Hierarchical Delegation或Adversarial Verification——这三种模式具有根本不同的故障模式和设计权衡。

为弥补这一空白，arXiv上发布的一篇新论文提出了一种二维分类框架，结合了（1）认知功能轴，包含七类：上下文工程（Context Engineering）、记忆（Memory）、推理（Reasoning）、行动（Action）、反思（Reflection）、协作（Collaboration）和治理（Governance）；（2）执行拓扑轴，包含六种结构原型：链（Chain）、路由（Route）、并行（Parallel）、编排（Orchestrate）、循环（Loop）和层次（Hierarchy）。由此产生的7x6矩阵识别出27种命名模式，其中13种为原创命名。

该框架通过系统性的跨轴分析证明了正交性，详细定义了八种代表性模式，并在四个真实世界领域（金融贷款、法律尽职调查、网络运营、医疗分诊）验证了描述覆盖范围。跨域分析产生了五条关于模式选择的经验法则，这些法则支配着环境约束（时间压力、行动权限、失败成本不对称性、规模）与架构选择之间的关系。

具体而言，五条经验法则包括：时间压力法则（Time Pressure Law）指出，在高时间压力下，系统倾向于选择更简单的执行拓扑（如Chain或Route），以减少协调开销；行动权限法则（Action Authority Law）表明，当代理具有高行动权限时，需要更强的治理机制（Governance）来确保安全性和合规性；失败成本不对称性法则（Failure Cost Asymmetry Law）揭示，当失败成本高度不对称时（如金融贷款中错误批准的成本远高于错误拒绝），系统更倾向于采用Reflection或Adversarial Verification模式来降低高风险错误；规模法则（Volume Law）说明，随着任务规模的增加，Parallel和Orchestrate拓扑比Chain拓扑更具可扩展性；环境约束整合法则（Environmental Constraints Integration Law）则强调，这些约束并非独立作用，而是共同影响模式选择，需要综合考虑。

该框架为AI代理架构设计提供了一个原则性、框架中立且模型无关的词汇表。研究者指出，这一二维分类不仅有助于理解现有系统的设计选择，还能指导新系统的架构设计，促进不同团队之间的沟通与协作。例如，在设计一个金融贷款审批代理时，开发者可以首先根据时间压力和失败成本确定认知功能需求（如需要强推理和反思），然后根据规模选择执行拓扑（如Orchestrate模式），从而快速定位到合适的模式组合。

此外，该研究还通过四个真实世界领域的案例验证了框架的描述覆盖范围。在金融贷款领域，系统通常需要结合Context Engineering（如信用评分上下文）、Reasoning（如风险评估）、Action（如批准/拒绝决策）和Governance（如合规检查），执行拓扑多采用Orchestrate或Hierarchy模式。在法律尽职调查领域，系统需要强大的Memory（如法律条款记忆）、Collaboration（如多律师协同）和Reflection（如文档复核），拓扑上常采用Parallel或Loop模式。在网络运营领域，系统需要快速Action和Reflection（如故障检测与修复），拓扑上Chain或Route模式更为常见。在医疗分诊领域，系统需要Context Engineering（如患者病史）、Reasoning（如症状分析）和Governance（如隐私保护），拓扑上Orchestrate模式较为普遍。

这项研究为AI代理的设计与实践提供了系统化的方法论，有望推动代理架构从经验驱动走向理论指导，降低设计复杂度并提升系统可靠性。随着LLM代理在更多领域的部署，这一框架将成为开发者、研究者和架构师的重要参考工具。