---
title: "从定制Workflow到AI自主决策的架构演进——以TMIC AI小新为例"
description: "天猫新品TMIC AI小新：从定制化workflow→DeepAgent模式，解决跨模块协作/动态参数识别/上下文缺失三大痛点，Tree Action+异步Summary优化性能"
source_url: "https://mp.weixin.qq.com/s/XOejVumoe_-0v62i-FWUAg"
feed_name: "大淘宝技术"
author: "天猫新品营销技术"
ingested: "2026-05-29"
type: article
tags: [agent, deepagent, workflow, tmic, e-commerce, planning, context-engineering, architecture]
sha256: "e49aeb87209d2773b1062dcab2b6bc64d537d621195b49d1a647f882f2bf96e5"
---

# 从定制Workflow到AI自主决策的架构演进——以TMIC AI小新为例

> 来源：大淘宝技术 | 天猫新品营销技术 | 2026-05-29

## 核心命题

AI小新（TMIC平台核心AI问答产品）从定制化workflow演进到DeepAgent模式，解决三大核心痛点：跨模块协作、动态参数识别、上下文信息缺失。

## 产品背景

AI小新的核心价值：通过问答方式让商家利用TMIC平台数据快速进行数据洞察，降低使用门槛。

**复杂问题示例**："我想研发美容护肤类的新品，请帮我分析适合研发哪类新品（选10个竞争强度最低的叶子类目），并分析竞品特点"

**执行复杂度**：上百次工具调用 → 跨多个业务模块协作 → 参数动态下钻获取

## 定制化Workflow的三大痛点

### 痛点一：不能跨产品模块回答

业务模块选择定位单一业务模块，无法跨模块协作。复杂问题需要同时使用业务模块1（获取类目数据）和业务模块2（获取竞品数据），但定制化workflow只能选一个。

### 痛点二：回答思路过于定制

1. **功能模块拆分定制**：各子Agent并行执行互不感知，仅依赖总结Agent汇总，分析深度不足；提前为AI划分边界，限制自主发挥空间
2. **参数识别定制**：无法处理需要动态获取参数的问题（如类目层层下钻才能确定）

### 痛点三：总结时上下文信息有限

总结时只能获取有限数据字段（功能模块、单模块数据、数据描述、用户问题），取数过程及中间上下文未传递，无法感知全局思考过程。

## DeepAgent解决方案

**核心设计理念**：相信AI能力 + 解决上下文工程问题

### DeepAgent四大核心组件

1. **TodoList**：任务规划与进度跟踪，让Agent具备主动规划能力
2. **SubAgent**：任务分解和上下文隔离，支持并行执行独立任务
3. **Summary**：上下文压缩机制，自动监控并压缩历史消息，保留关键信息
4. **FileSystem**：上下文管理机制，自动将大型工具结果保存到文件系统，按需分页读取，避免上下文窗口溢出

### 业务场景特定优化

- **Tree Action模式**：按依赖关系执行Action Tree，减少Planning次数，提升执行效率
- **SubAgent优化**：简化SubAgent职责，聚焦核心任务执行，提升执行速度
- **异步Summary**：从串行改为异步执行，缩短整体响应时间

## 架构设计：加载上下文模块 + DeepAgent模块

### 加载上下文模块（前置）

在DeepAgent执行前提前识别业务范围、加载相关资源，减轻Planning压力：

1. **业务模块识别**：从单一升级为多业务模块识别，支持跨模块问题回答
2. **工具加载**：根据业务模块筛选工具，屏蔽不会用到的工具，减少上下文成本
3. **Skills加载**：加载业务模块特定的分析思路和最佳实践（如默认选择逻辑、业务定制逻辑）
4. **RAG加载**：加载相似问题的历史案例和分析思路，为Planning提供方向指导
5. **上下文参数获取**：提前获取系统参数和业务模块参数（如用户ID、主营类目等）

### DeepAgent核心模块

**Planning职责**：
- 任务规划：产生TodoList，动态跟踪任务进度
- 工具调用：直接调用工具（取数工具、参数识别工具）
- 子代理委托：将复杂任务委托给SubAgent执行
- 数据分析：对获取的数据进行深度分析

**ReAct模式**（Thought → Action → Observation）每一轮决定下一步做什么

### 工具箱三层树状结构

```
第一层：业务模块（如"新品管理"、"AI行业趋势报告"）
第二层：功能模块（如"人群分析"、"竞争分析"、"经营分析"）
第三层：工具（如"queryNewItemCrowdInfo"获取类目下的人群信息）
```

## 定制化 vs DeepAgent 对比

| 维度 | 定制化Workflow | DeepAgent模式 |
|------|---------------|---------------|
| 业务模块选择 | 单一模块 | 多模块识别，支持跨模块 |
| 参数识别 | 前置识别，依赖预设 | 动态参数识别，大模型规划 |
| 执行模式 | 各子Agent并行互不感知 | SubAgent上下文隔离，支持并行 |
| 上下文 | 有限数据字段，缺乏过程感知 | 完整执行历史+中间上下文 |
| 分析方式 | 预设workflow，限制AI自主发挥 | AI自主规划+Skills/RAG引导 |
| 工具管理 | 全量工具堆叠 | 按业务模块动态筛选 |
| 适用场景 | 简单确定性问答 | 复杂开放性问题，多步骤推理 |

## 工程启示

1. **"相信AI能力"不等于"把一切交给AI"**——需要配套的上下文工程（加载上下文模块）
2. **Skills+RAG组合**：Skills提供通用分析思路，RAG提供具体案例，共同确保AI按业务预期执行
3. **提前决策优于Planning自动加载**——业务模块识别准确率高，效果稳定，可观测可评测
4. **异步Summary**：将上下文压缩从串行改为异步，缩短响应时间

---

→ [[raw/articles/tmic-ai-xiaoxin-deepagent-architecture-evolution|原文存档]]