作者把 agent 系统拆成两层：loop 活在节点内部，负责 produce / check / correct 直到 GREEN；graph 活在节点之间，决定有哪些工作单元、哪些能并行、结果回到哪里。核心判断是 loop 的第一性问题是「什么能失败」——写不出可被程序判定的检查条件，拿到的只是 scheduler。graph 层给出四种节点（splitter / worker / code node / gate）、两条回边（correction 短边修当前这次运行，learning 长边把被接受的结论变成 splitter 的约束），并主张闸门按爆炸半径而非模型置信度开合：迁移、删除、动钱这一类永久关闭。适合已经在跑 agent、但仍在逐步骤人肉审批的工程师。
本文基于Anthropic对40万次Claude Code会话的分析，揭示当前“Human-in-the-Loop”实践中的核心问题：用户93%的审批率导致“审批疲劳”，人类名义上在场但实际失去判断力。作者提出应将工作流重新设计为三个层：输入层（任务描述、约束、示例）、引导层（计划级审批而非逐步骤批准）、输出审查层（定义质量标准并自我评估）。实验显示，仅添加输出审查检查点即可将生成质量提升8-10%。文章给出具体操作步骤，并指出真正的差距不是模型能力，而是工作流架构设计。适合AI工程、Agent开发及所有使用AI辅助工作的一线工程师。
本文总结了15种AI智能体设计模式，覆盖从单智能体、顺序/并行多智能体、循环评审、协调器、分层分解、ReAct、人机协同到事件驱动等。核心观点是：选择哪种模式取决于问题的确定性形态，而非追逐流行度。每个模式都给出了适用场景、真实案例和常见失败点，最后提炼10条生产规则强调最小化复杂度、严格限制工具调用次数、不可逆操作必须经确定性校验或人工批准。适合所有正在构建或计划部署Agent系统的一线工程师。