一项「元实验」引发关注：研究人员让代码助手阅读 LangChain4j 框架文档，自主设计并构建一个智能编码器系统。结果令人惊讶——AI 不仅成功克隆了自己的核心能力，还揭示了两种架构之间速度与自主性的根本权衡。
研究团队给代码助手下了一道不寻常的指令：「研究 LangChain4j 智能体框架的 API 和功能，在此基础上设计一个智能编码器，使其成为你自己的克隆体。」
代码助手在几分钟内给出了方案——它选择了监督者模式，设计了一个包含 4 个子代理的架构：
每个子代理负责一道工序：探索代码库、制定执行计划、编写/修改代码、编译并运行测试。监督者代理在运行时自主生成子代理调用及其参数，协调整个流程。
一个诚实的注脚：
首次运行时，gpt-4o 在监督者模式下陷入了工具调用循环，超过 100 次调用后被框架中断。更换为 gpt-5-mini 后，系统成功运行。模型选择对智能体系统的稳定性影响显著。
研究团队没有止步于监督者模式。他们要求代码助手再设计一种更确定性、更高效的替代方案——工作流模式由此诞生。
主智能体在运行时自主生成子代理调用及参数，协调所有子代理。灵活性高，但 LLM 协调开销大，速度慢。
严格五步序列：探索→计划（含审查循环）→实现→执行（含评估与重构循环）→总结。确定性高，速度快。
注：工作流模式包含 PlanReviewLoop 和 ExecutionLoop 两个内嵌循环，前者用于审查计划，后者用于迭代评估与重构。退出条件为评估分数 ≥ 0.8 或达到最大迭代次数 5 次。
速度差异的核心原因：监督者模式中，LLM 需要自主生成所有子代理的调用参数，协调开销巨大；工作流模式则通过确定性架构和严格的步骤序列，消除了这部分开销。
为了测试自构建智能编码器的实际能力，团队创建了一个包含 4 个隐蔽 bug 的 Calculator 类，然后用系统来修复它。
值得注意的是，监督者模式虽然速度慢，但在修复过程中展示了更强的自主性——它自行决定先探索代码库，再制定计划，最后执行修复，整个过程无需人工干预。
两种架构都成功完成了任务，但它们代表了两种截然不同的设计哲学。
工作流模式是「确定性优先」——把流程拆解为固定的步骤序列，用内置循环处理迭代优化。它的优势是可预测、速度快、开销低。代价是灵活性受限：如果任务超出了预设步骤的范畴，系统可能无法适应。
监督者模式是「自主性优先」——让 LLM 在运行时动态决策，协调子代理、分配任务。它的优势是灵活、适应性强，能处理非结构化任务。代价是速度慢、开销大，且对底层模型的能力要求更高（gpt-4o 失败，gpt-5-mini 成功）。
这不是一个「谁更好」的问题，而是一个「什么场景用什么」的问题。
智能体架构设计没有银弹。工作流模式用确定性换速度，适合流程明确、效率至上的场景；监督者模式用自主性换灵活，适合探索性强、路径不确定的任务。真正的工程智慧，是在两者之间找到正确的平衡点。
完整项目代码已公开发布，包含两种架构的全部实现、测试用例及执行日志，可复现验证。
GitHub → langchain4j-agentic 实验仓库