SaaS Agent 应该怎么设计：从竞品实践到生产级架构

Word count: 11.8kReading time: 48 min

 2026/05/13 

本文内容由 AI 协助生成，并基于 2025-2026 年公开官方文档、产品资料、开源项目与 SaaS 架构实践整理。文中的竞品拆解仅使用公开信息，不推断未公开内部架构。

如果要设计一个 SaaS Agent，最容易走偏的地方是：一上来就把它理解成“套一个大模型的聊天机器人”。

但从 2025-2026 年主流产品和框架的实践看，真正能进入生产环境的 Agent SaaS，核心并不是“模型多聪明”，而是：

是否能接入真实业务系统；
是否知道自己能做什么、不能做什么；
是否能在高风险动作前暂停并让人审批；
是否能追踪每一次工具调用、决策、失败和成本；
是否能按租户隔离身份、数据、权限、密钥、账单与审计；
是否能被业务团队持续配置、测试、发布、回滚和评估。

一句话总结：SaaS Agent 不是“会聊天的 AI”，而是“被权限、流程、状态、审计和成本约束住的业务执行系统”。

这篇文档会从调研结论、竞品实践、推荐架构、关键模块、MVP 路线图和风险清单几个角度系统展开。

标注说明：文中涉及外部产品、框架、官方文档或公开 blog 的事实性描述，会在对应段落后用“来源”标注；没有单独标注的架构图、数据模型、checklist 和路线图，主要是基于这些公开资料抽象出的设计建议。

资料时效性说明：Agent 领域变化很快，本文按 2026-05-14 可访问的公开资料整理，不会把早期 agent loop / tool use 文档当成最新生产架构结论。文中把资料分成三类使用：第一类是 2025 年 10 月以后到 2026 年的最新工程资料，例如 Salesforce Agent Script / Agent Graph、Microsoft Agent Framework Workflows / Durable Agents、Oracle AI Agent Studio Workflow 等；第二类是仍在更新的官方产品文档，例如 Dify、Intercom Fin、CrewAI、LangGraph；第三类是 OpenAI / Anthropic tool use 这类基础机制资料，主要用于解释工具调用原语，而不是直接证明生产级 SaaS Agent 的架构方向。没有明确发布日期的 live docs，只按“截至本文写作时的公开页面状态”使用。

一、从公开资料和工程实践归纳出的设计原则

1. 先 workflow，后 autonomy

这个判断不是从“Agent 应该更保守”这个直觉出发，而是从公开官方资料、产品能力和工程实践里反复出现的同一个矛盾归纳出来的：模型擅长处理模糊输入，但生产系统需要可重复、可审计、可恢复、可测试的执行路径。

不同厂商和框架的表述不完全一样，但指向的设计取向很接近。下面的“原文摘录”保留英文原句，方便追踪来源；右侧才是本文的推导。

来源	公开资料原文摘录	对 SaaS Agent 的推导
Salesforce Agentforce hybrid reasoning / Agent Script control plane（2025-10 到 2026-04）	“separating deterministic execution from LLM reasoning”；“if you can express a decision as code, it should be written as logic”；“Agent Script lets you set control per decision.”	这是对 workflow-first 最直接的工程实践支撑之一：先定义可执行结构和确定性决策，再在需要判断、解释、自然语言生成的节点调用 LLM
Dify Workflow & Chatflow	“AI models are powerful, but on their own they can be unpredictable”；“you design a flow that orchestrates models, tools, and logic step by step—with clear conditions, checkpoints, and fallback paths.”	workflow 是降低幻觉、漏步骤和不一致输出的产品化手段
Microsoft Agent Framework Workflows / Overview（2026-04）	“the LLM decides what happens next”；“that’s powerful for open-ended tasks… but it’s a liability when the process itself has rules”；“Use a workflow when… The process has well-defined steps / You need explicit control over execution order.”	先判断任务是否能确定性表达；能确定的部分不应交给 agent 自由规划
Intercom Fin Procedures	“Give Fin detailed, step-by-step instructions”；“Fin combines agentic behavior with deterministic control”；“Turn written rules into enforced logic.”	面向业务团队的 Agent 产品也在把流程、规则、测试和升级路径显式化
Oracle AI Agent Studio Workflow	“Agent teams of type Workflow consist of a sequence of nodes used for deterministic, rule-based orchestration”；“Workflows are ideal for scenarios where compliance, repeatability, and governance are essential.”	企业 SaaS 厂商也在把 Agent 拆成节点、条件、业务函数、LLM 节点和输出 schema
LangGraph overview / CrewAI Flows	LangGraph: “orchestration framework and runtime for building, managing, and deploying long-running, stateful agents”；“durable execution, streaming, human-in-the-loop”；CrewAI: “structured, event-driven workflows”；“manage state”；“Flexible Control Flow”	这是偏框架层的间接证据：生产 Agent 需要运行时编排、状态和恢复能力，而不是只靠一次聊天循环
Google Gemini Enterprise Agent Platform overview	“build, deploy, govern, and optimize enterprise-grade AI agents”；“Agent Registry”；“Agent Identity”；“Agent Gateway”；“Agent evaluation”；“Observability.”	作为平台趋势信号：最新企业 Agent 已经从“能调用工具”扩展到全生命周期治理、评估和运行时管理
OpenAI Agents SDK / Anthropic Claude tool use	OpenAI: running agents、handoff、sessions、traces；Anthropic: tool schema、`tool_use` / `tool_result`、tool execution model	它们说明“模型如何调用工具”，但不足以单独推出“生产 SaaS 应该高度自治”；SaaS 侧还必须补 workflow、权限、审批和审计

所以本文里的“先 workflow，后 autonomy”更准确地说是：先把可确定的业务路径、状态和副作用边界显式建模，再把 LLM 放进无法完全规则化的局部节点。 对多数高风险、长流程 SaaS 场景，更稳妥的设计不是“让 agent 全自动决定一切”，而是：

先把关键业务路径做成显式 workflow；
再把 LLM 放进局部步骤做判断、总结、规划、生成；
再逐步开放工具调用、记忆、专家路由、多 agent 协作；
最后才考虑更高自治程度。

这里要避免过度解读：不是所有资料都直接说“必须先 workflow”。OpenAI / Anthropic 这类模型厂商文档更多是在定义工具调用和 agent loop；LangGraph / CrewAI 这类框架更多是在提供状态、编排和恢复能力；Salesforce、Dify、Microsoft、Intercom、Oracle 的资料则更直接把确定性流程、显式执行顺序、测试、审批和可审计性放在生产 Agent 的核心位置。把这些材料合在一起，才形成本文的设计判断：workflow 负责确定性，LLM 负责不确定性。（来源：LangGraph overview、Microsoft Agent Framework Overview、Microsoft Agent Framework Workflows、Salesforce Agentforce hybrid reasoning architecture、Salesforce Blog - Agent Script control plane、Dify Workflow & Chatflow、Intercom Fin Procedures、Oracle AI Agent Studio Workflow、CrewAI Flows）

2. LLM 负责判断，系统负责执行

一个生产级 Agent 不能把“模型说要做什么”直接等同于“系统就执行什么”。更合理的分工是：

层次	适合交给 LLM	应交给确定性系统
意图理解	用户想做什么、缺什么信息	认证、租户解析
规划	候选步骤、风险解释	流程状态机、超时、重试
工具选择	推荐调用哪个工具	工具白名单、权限校验
参数生成	生成草稿参数	schema 校验、资源权限校验
执行动作	低风险辅助动作	写入、删除、付款、发消息、审批
结果解释	总结、解释、建议	审计日志、计费、持久化

Salesforce Agentforce 的公开架构资料中提出了 hybrid reasoning 思路：能代码化的决策应走确定性逻辑，LLM 负责判断和生成。这个原则对任何 SaaS Agent 都适用。（来源：Salesforce Agentforce hybrid reasoning architecture）

3. 多租户边界就是系统边界

SaaS Agent 比普通 Agent 更难，因为每个租户都有自己的：

用户与组织；
数据与知识库；
工具与连接器；
OAuth token / API key / webhook secret；
预算、额度和账单；
审计要求与保留策略；
合规边界和地区要求。

所以每一次请求、每一次工具调用、每一个后台任务、每一条日志、每一个 trace、每一笔用量都必须带上 tenant_id。如果 tenant_id 不是一等公民，这个 SaaS Agent 从第一天起就是不安全的。

4. 高风险动作默认 human-in-the-loop

Agent 可以帮人起草邮件、查知识库、总结工单、生成 SQL、推荐 CRM 更新，但不应该默认自动执行所有高风险动作。

高风险动作包括：

向外部客户发消息；
修改 CRM、ERP、财务系统；
删除或覆盖数据；
创建付款、退款、合同、发票；
调整权限、邀请成员、导出数据；
调用不可逆第三方 API。

这些动作前面应该有 approval gate。OpenAI、LangGraph、Microsoft 等生态中的暂停、checkpoint 或人工介入机制，本质都在解决同一件事：让 Agent 可以暂停、解释、等待人类确认，然后再继续。（来源：OpenAI Guardrails and human review、LangGraph interrupts、Microsoft Agent Framework Overview）

5. 没有 eval 和 observability，就不要谈生产化

Agent 的质量不能靠感觉判断。至少要能回答：

哪些任务成功率下降了？
哪些工具最容易失败？
哪些租户成本异常？
哪个 prompt 版本引入了回归？
哪些审批总是被拒绝？
哪些 RAG 结果导致了错误答案？
哪些 agent 进入了重复循环？

Intercom Fin 的 Simulations / Analyze、LangSmith、OpenAI Traces、CrewAI Traces、Relevance AI 的评估能力、Dify Logs 等公开能力，共同指向一个产品判断：Agent 产品应该把测试、评估、追踪、监控做成核心能力，而不是上线后再补。（来源：Intercom Fin Testing、Intercom Fin Analyze、LangSmith Observability、OpenAI Agent evals、CrewAI Tracing、Dify Workflow & Chatflow）

二、别人是怎么做的：主流产品与框架实践

这一节只基于公开文档、产品页面、开发者资料和开源仓库做归纳。下面的“可迁移设计”是从公开能力中抽象出的产品和架构启发，不代表这些厂商的未公开内部实现。

1. OpenAI / Anthropic：标准 agent loop 与工具调用

OpenAI 和 Anthropic 的官方文档都把 Agent 执行抽象成类似循环。（来源：OpenAI Running agents、Anthropic Claude tool use）

模型读取上下文；
模型决定是否调用工具；
应用执行工具；
工具结果回传给模型；
模型继续判断或输出最终答案。

OpenAI 强调 running agents、handoff、session、trace；Anthropic 强调 tool schema、tool description、tool_use / tool_result、严格工具参数。（来源：OpenAI Agents SDK、OpenAI Running agents、Anthropic Claude tool use）

可迁移到 SaaS Agent 的经验是：

工具 schema 要精确，不能只写一句自然语言描述；
tool description 会显著影响模型调用质量；
并行工具调用要谨慎，存在顺序依赖时要显式串行；
工具执行层必须由业务系统控制，而不是模型直接访问外部系统；
trace 要覆盖模型调用、工具调用、handoff、guardrail。

这一类资料是 Agent 系统的基础层证据：它告诉我们模型如何参与工具调用循环，但它本身并不解决业务流程的确定性、审批、回滚和审计。因此，在 SaaS 场景里，标准 agent loop 更适合作为 workflow 节点里的执行机制，而不是整个产品架构的唯一抽象。

2. LangGraph：把 Agent 当成有状态工作流

LangGraph 的重要价值在于，它不是只提供一个“聊天循环”，而是强调以下能力。（来源：LangGraph overview、LangGraph interrupts）

stateful graph；
durable execution；
checkpoint；
replay / time travel；
human-in-the-loop；
memory；
debugging。

这对 SaaS Agent 非常关键。LangGraph 的证据不是“所有 Agent 都必须先画流程图”，而是：一旦任务变成长时间、有状态、可能失败或需要人工介入的执行过程，系统就需要 workflow runtime 级别的能力。因为 SaaS Agent 往往不是一次请求就结束，而是会经历：

收到用户任务；
查询数据；
生成计划；
等待审批；
调用第三方 API；
失败重试；
写回结果；
通知用户；
记录审计。

这更像 workflow，而不是普通 HTTP handler。

3. Microsoft Agent Framework：2026 年的 workflow / durable agent 取向

Microsoft Agent Framework / Semantic Kernel 的公开资料强调以下企业级 agent 能力。尤其是 2026 年 4 月更新的 Workflows 文档，已经不是泛泛地说“支持多 Agent”，而是明确讨论什么时候不能让 LLM 决定下一步。（来源：Microsoft Agent Framework Overview、Microsoft Agent Framework Workflows、Microsoft Agent Framework Workflows Overview）

agent session；
context provider；
workflow；
checkpointing；
OpenTelemetry；
human-in-the-loop；
memory。

值得借鉴的是：它把 Agent 放在企业系统工程里理解，而不是单独看成模型 API 封装。尤其是 observability 中对敏感数据采集的控制，提醒 SaaS Agent 不能默认把 prompt、response、工具参数全量明文打进日志。

Microsoft 的资料对 workflow-first 的支持比较直接：它明确把“open-ended or conversational”归给 agent，把“well-defined steps、explicit execution order、checkpointing、human-in-the-loop”归给 workflow；Workflows 文档进一步说明，前面那些 agent patterns 的共同点是 LLM decides what happens next，这在开放任务里有用，但当流程本身有规则时会成为 liability。它给出的折中方案是：workflow 定义结构、顺序和 gate，agent executor 只处理真正需要 LLM 推理的步骤。

2026 年的 Durable Agents / Azure Functions 集成又把这个方向推进了一步：它强调 stateful agents、deterministic multi-agent orchestrations、failure resume、human-in-the-loop pause / resume 和可观测 dashboard。这个更新说明生产 Agent 的问题已经从“模型会不会调用工具”推进到“长任务如何可靠执行、失败后如何恢复、人审等待期间如何保存状态和控制成本”。（来源：Microsoft Agent Framework Durable Agents）

4. Intercom Fin：客服 Agent 的“流程 + 测试 + 分析”闭环

Intercom Fin 的公开产品能力里有几个非常值得学习的设计。（来源：Intercom Fin Procedures、Intercom Fin Testing、Intercom Fin Analyze、Intercom Fin Integrations）

Procedures：用自然语言和条件逻辑描述复杂客服流程；
Data Connectors / MCP / API：连接企业内部数据；
Simulations：上线前做端到端对话测试和回归测试；
Analyze / Monitors / Recommendations：上线后看会话质量、风险和改进建议；
Handoff：复杂或高风险问题升级人工。

它说明客服 Agent 的关键不是“让模型自由聊天”，而是把业务流程、知识、连接器、测试、监控和人工升级组合成闭环。Fin Procedures 对 workflow-first 的支撑也很直接：复杂 query 被拆成 step-by-step instructions、if/else、code-enforced rules 和 Simulations，而不是只靠一个通用客服 prompt。

5. Salesforce Agentforce：确定性逻辑与 LLM 推理混合

Salesforce Agentforce 是企业 Agent 设计里非常值得单独研究的案例，而且它的关键材料集中出现在 2025 年 10 月以后：2025 年 10 月 Salesforce Developers Blog 介绍 Agent Script 和 hybrid reasoning，2025 年 10 月 Salesforce Engineering 文章解释 Agent Graph 和 guided determinism，2026 年 2 月 Agent Script decoded 进一步拆解语言基础，2026 年 4 月 control plane 文章又把 Agent Script 描述成 agentic decisions 的控制平面。这些资料共同传递一个信号：企业 Agent 不能只靠 prompt 驱动，而要把可确定的业务逻辑、权限边界、测试追踪和治理能力产品化。（来源：Salesforce Developers Blog - Introducing Hybrid Reasoning with Agent Script、Salesforce Engineering - Agentforce Agent Graph、Salesforce Developers Blog - Agent Script decoded、Salesforce Blog - Agent Script control plane）

官方 Architect 文档把 Agentforce 的新方向称为 hybrid reasoning。它的核心不是让 LLM 自由决定所有步骤，而是把系统拆成两类能力。（来源：Salesforce Agentforce hybrid reasoning architecture）

层次	适合放在确定性逻辑里	适合交给 LLM
规则	权限、状态、条件分支、字段校验	用户意图理解、模糊分类
流程	初始化、前置检查、收尾、失败处理	下一步建议、解释原因
数据	CRM / Data 360 取数、结构化变量	基于上下文生成回复
动作	action 调用顺序、审批、guardrail	参数草稿、自然语言说明

Agent Script 是这个设计的关键。公开文档显示，Agent Script 不是普通 prompt 文件，而是把自然语言指令、变量、分支、动作和 reasoning 节点放进一个可执行结构里。Architect 文档进一步说明，Agent Script 会编译成 Agent Graph，由 Atlas Reasoning Engine 在运行时执行；这些公开描述更像“作者层 → 编译产物 → 运行时”的分层，而不是单一聊天循环。（来源：Salesforce Agent Script、Salesforce Agentforce hybrid reasoning architecture、Salesforce Engineering - Agentforce Agent Graph）

更重要的是，它把“什么时候进入模型推理”变成了显式设计。官方材料里提到 before_reasoning / after_reasoning 这类确定性执行区，适合放初始化、校验、收尾、状态写入等稳定逻辑；带 prompt 的 reasoning 节点才进入 LLM。这个边界对 SaaS Agent 很关键：代码决定能不能做、何时做、以什么权限做；模型负责理解、生成和处理模糊性。（来源：Salesforce Agentforce hybrid reasoning architecture、Salesforce Developers Blog - Agent Script decoded）

从 Salesforce blog 和 Engineering 文章看，Agentforce 还在几个生产化方向上持续补强：

Testing Center / Testing API / Agentforce DX：强调上线前的 conversation-level testing、自定义评估、运行历史和测试数据管理，说明 agent 测试不应停留在手工聊天试验（来源：Salesforce Blog - Agentforce Testing Center、Salesforce Agentforce Testing API）；
Session Tracing / OTel 导出：官方开发者文档公开了会话追踪导出能力（Beta），可把 turns、messages、LLM calls、actions、metrics、feedback 等链路数据导出，便于接入外部可观测系统（来源：Salesforce Agentforce Session Tracing Data Export）；
Trust Layer / Trusted Services / guardrails：Salesforce 的安全与治理材料强调敏感信息保护、数据访问控制、运行时 guardrail 和可信服务，适合映射到 SaaS Agent 的权限、审计、脱敏和风险控制层（来源：Salesforce Agentforce agentic patterns、Salesforce Blog - Secure Agentforce with trusted services）；
CRM / Data 360 grounding：公开架构资料强调用 live CRM data、Data 360、RAG retrievers 等企业数据源 grounding，而不是把业务事实长期塞进 prompt（来源：Salesforce Agentforce agentic patterns、Salesforce Blog - Data governance for the agentic era）；
Custom Connections / Agent API / SDK：Agentforce 同时提供 low-code builder 和 pro-code API / SDK / custom connection，说明企业 Agent 平台通常需要同时服务业务配置者、工程团队和外部应用集成（来源：Salesforce Agentforce APIs and SDKs、Salesforce Agentforce Custom Connections）；
Latency 与平台化工程：Salesforce Engineering 关于 Agentforce 延迟与企业 agent platform 的文章，至少说明它把 Agent 看成需要专门运行时、性能优化和平台工程支撑的生产系统，而不是一次模型 API 调用（来源：Salesforce Engineering - Enterprise agent platform、Salesforce Blog - Reducing Agentforce latency）。

这对 SaaS Agent 的启发是：只给用户一个 prompt 编辑器远远不够。成熟产品通常需要：

面向业务用户的配置界面，让业务规则、流程和知识可以被维护；
面向工程团队的 SDK / API / 测试工具，让 agent 可以进入 CI、灰度、回滚和外部系统集成；
面向管理员的权限、审计、guardrail、数据治理和发布控制；
面向运营团队的 testing、simulation、run history、trace、评估和线上质量分析。

可以把 Agentforce 的公开设计总结成一句话：它把 Agent 从“prompt 工程”推进到“可治理的业务执行系统”。

6. Oracle / Google：企业 Agent 平台也在走向 workflow、身份和治理

2026 年以后，企业软件厂商的 Agent 平台资料里也出现了同样方向。Oracle AI Agent Studio 的 Workflow 类型 agent team 被定义为“deterministic, rule-based orchestration”，强调每一步预配置，适合 compliance、repeatability、governance；示例里把采购申请拆成 set variables、business object function、IF conditional、document processor、LLM、send email 等节点，并要求定义 workflow-level variables、output schema、error handling 和 access roles。（来源：Oracle AI Agent Studio Workflow）

Google Gemini Enterprise Agent Platform 的公开产品资料则体现了另一个新趋势：企业 Agent 平台不再只讨论 agent loop，而是把 Agent Studio、Agent Runtime、Agent Registry、Agent Identity、Agent Gateway、治理策略、评估、仿真和观测放在同一个平台生命周期里。这个来源更适合作为“平台化趋势信号”，而不是 workflow-first 的单点证明。（来源：Google Gemini Enterprise Agent Platform overview）

7. Zapier Agents：模板、连接器、治理边界

Zapier Agents 的公开资料体现了自动化 SaaS 做 Agent 的优势。（来源：Zapier Agents、Zapier Help - Build an agent in Zapier Agents）

大量 app connectors；
templates；
command-based execution 和后台自动执行；
activity monitoring；
chat when needed；
web/browser work；
Agent 与 Chatbot、Automation 的产品边界区分。

可借鉴点是：Agent SaaS 的 onboarding 不应该从空白 prompt 开始，而应该从模板开始。用户先选一个“销售线索跟进 agent”“客服分流 agent”“会议纪要 agent”，连上工具，跑通测试，再逐步定制。

8. Relevance AI / Lindy：团队化、治理化、运营化

Relevance AI 和 Lindy 的公开资料都在强调团队化和治理化能力。这里主要把它们作为市场产品信号，而不是像 Salesforce / Microsoft / Oracle 那样作为 workflow-first 的强架构证据；具体能力仍应以其最新 docs、changelog 或企业合同说明为准。（来源：Relevance AI Docs index、Relevance AI product overview、Lindy Enterprise、Lindy 3.0）

AI workforce / multi-agent teams；
marketplace / templates；
approvals；
monitoring dashboards；
audit logs；
RBAC / SSO / SCIM；
centrally managed agents；
app permissions；
evals。

这说明当 Agent 从个人效率工具进入团队 SaaS 后，真正重要的是治理：谁能创建 agent，谁能发布，谁能连接工具，谁能查看日志，谁能批准高风险动作，谁能导出数据。

9. Dify / CrewAI / AutoGPT / OpenHands：开源实现的工程启发

几个开源生态分别提供了不同启发。这里要特别注意时效性：Dify 和 CrewAI 的文档仍适合作为当前能力参考；AutoGPT / OpenHands 的 GitHub README 更适合作为开源平台化方向的启发，不能替代具体版本或 release notes 来证明 2026 年最新架构。（来源：Dify Workflow & Chatflow、Dify Agent、Dify Tools、CrewAI Flows、CrewAI AMP、AutoGPT、OpenHands）

Dify：明确区分 Workflow / Chatflow / Agent，提供 logs、run history、version control、maximum iterations；
CrewAI：强调 agents、crews、flows、memory、checkpointing、event listeners、traces、HITL；
AutoGPT：公开 README 将其定位为可创建、部署和管理 continuous AI agents 的平台，并保留 agent protocol、benchmark、低代码 builder、workflow management、monitoring 等能力线索；
OpenHands：公开 README 展示了 SDK、CLI、Local GUI、Cloud、Enterprise 等多种形态，Cloud/Enterprise 方向包含多用户、RBAC、权限、协作和托管/自托管能力线索。

可迁移到 SaaS Agent 的共同点是：

执行事件要可存储、可分页、可回放；
状态和 memory 要有 scope，不应无限增长；
工具与 sandbox 要隔离；
版本、日志、benchmark、checkpoint 是生产系统的基础能力。

这里的证据强度不完全相同：Dify 对 Workflow / Chatflow / Agent 的区分很直接；CrewAI 同时强调 Crews 和 Flows，更像是在说明“自主协作”和“显式流程”是两类可组合能力；AutoGPT、OpenHands 更多提供平台化、执行记录和治理方向的间接启发。因此本文不会把它们都解读成同一句口号，而是把它们共同归纳为：生产化 Agent 必须有流程、状态、评估和治理层。

三、SaaS Agent 的推荐产品分层

不要把所有能力都叫 Agent。更清晰的产品分层是：

层级	用户感知	适用场景	自治程度	风险
Chat	问答助手	查询、总结、解释	低	低
Copilot	辅助操作	起草、推荐、填表	中低	中
Workflow	固定流程自动化	审批流、工单流、数据同步	中	可控
Agent	目标驱动执行	调研、排障、跟进、运营	中高	高
Agent Team	多角色协作	销售/客服/研发多步骤任务	高	很高

MVP 不建议一开始就做 Agent Team。更推荐：

先做 Chat / Copilot，验证数据接入与权限；
再做 Workflow，沉淀可控流程；
再在 workflow 的局部节点引入 Agent；
最后才做多 Agent 协作。

四、总体架构：一个生产级 SaaS Agent 应该有哪些模块

推荐架构如下：

flowchart TD
  user["User / Admin / Auditor"]
  entry["Web App / API / Webhook / Slack / Email"]
  auth["AuthN → Tenant Resolve → RBAC / ABAC"]

  gateway["Agent Gateway
- quota check
- policy check
- risk classification
- prompt injection detection"]
  workflow["Orchestrator / Workflow Runtime
- state machine
- checkpoint
- retry / timeout
- human interrupt"]

  llm["LLM Runtime
- model routing
- prompt assembly
- context window control
- structured output"]
  tool["Tool Runtime
- tool registry
- schema validation
- permission check
- idempotency
- connector secrets"]
  memory["Memory / RAG
- tenant namespace
- retrieval policy
- memory scope
- delete / export"]
  approval["Approval Queue
- risk explanation
- diff preview
- approver policy
- resume execution"]

  governance["Cross-cutting Governance
Audit Log / Trace / Metrics / Evals
Billing / Cost Control / Admin Console"]

  user --> entry --> auth --> gateway --> workflow
  workflow --> llm
  workflow --> tool
  workflow --> memory
  workflow --> approval

  gateway -.-> governance
  workflow -.-> governance
  llm -.-> governance
  tool -.-> governance
  memory -.-> governance
  approval -.-> governance

这套架构的核心思想是：Agent Gateway 管边界，Workflow Runtime 管过程，Tool Runtime 管副作用，Observability 管事实，Admin Console 管治理。

五、关键模块设计

1. Tenant 与身份模型

SaaS Agent 的最小身份模型应该包括：

flowchart TD
  tenant["Tenant"]
  org["Organization"]
  workspace["Workspace / Project"]
  user["User"]
  role["Role"]
  agent["Agent"]
  tool_connection["Tool Connection"]
  knowledge_base["Knowledge Base"]
  policy["Policy"]
  billing["Billing Account"]

  tenant --> org
  tenant --> workspace
  tenant --> user
  tenant --> role
  tenant --> agent
  tenant --> tool_connection
  tenant --> knowledge_base
  tenant --> policy
  tenant --> billing

每次请求至少解析出：

tenant_id
workspace_id
actor_id
actor_role
agent_id
session_id
request_id

授权不应该只判断“用户是否登录”，而要判断：

用户是否属于这个 tenant；
用户是否有权限调用这个 agent；
agent 是否有权限访问这个工具；
工具是否能访问目标资源；
当前动作是否需要审批；
当前租户是否还有额度。

2. 工具系统：Agent 连接真实世界的边界

工具层是 SaaS Agent 的核心资产，也通常是最大风险来源。

一个工具定义至少应包含：

字段	说明
`tool_id`	工具唯一标识
`name`	给模型看的工具名
`description`	清晰说明何时使用、何时不要使用
`input_schema`	结构化参数 schema
`output_schema`	返回结构 schema
`risk_level`	read / write / external / destructive
`required_scopes`	OAuth/API 权限范围
`tenant_policy`	哪些租户可用
`approval_policy`	是否需要审批
`rate_limit`	调用频率限制
`cost_policy`	调用成本估算
`idempotency_key`	幂等策略

工具执行前必须做：

schema validation；
tenant permission check；
user-to-agent delegation check；
resource-level permission check；
quota / rate limit check；
risk classification；
approval gate；
audit log pre-write。

工具执行后必须做：

output validation；
sensitive data redaction；
audit log update；
trace span close；
billing meter；
retry or compensation if needed。

3. Memory 与 RAG：不要把所有东西都塞进“记忆”

建议把 Agent 的上下文分成五类：

类型	生命周期	用途	注意事项
Prompt context	单次模型调用	当前推理输入	不持久化敏感原文
Session state	一次任务/会话	当前步骤、变量、工具结果	可 checkpoint
Short-term memory	多轮会话	用户偏好、近期上下文	有过期时间
Long-term memory	长期	稳定偏好、业务事实	需可删除、可导出
Audit log	长期合规	记录发生了什么	不等同于模型记忆

LangGraph 的一个重要建议是：state 存原始数据，prompt 在运行时组装。 这可以避免 prompt 被当作事实存储，也方便回放和升级 prompt。（来源：LangGraph overview）

RAG / 向量库必须做到：

tenant namespace 隔离；
检索结果二次权限过滤；
引用来源可追踪；
文档版本可追踪；
删除请求能级联到 index；
高敏数据可脱敏或禁止入库。

4. Orchestrator：不要把长任务塞进一次 HTTP 请求

Agent 经常是长任务：会调用多个工具、等待审批、等待外部 API、失败重试。因此应该用 workflow / job runtime 管理。

推荐能力：

durable execution；
checkpoint；
retry with backoff；
timeout；
dead letter queue；
pause / resume；
cancellation；
compensation；
versioned workflow；
tenant-aware priority queue。

Temporal、LangGraph、Microsoft workflow 都可以作为参考。关键不是选哪个框架，而是要有“长任务状态机”的意识。（来源：LangGraph overview、Microsoft Agent Framework Overview）

5. Human-in-the-loop 审批

审批不是简单弹一个确认框，而应该是一个完整对象：

classDiagram
  class ApprovalRequest {
    tenant_id
    agent_run_id
    actor_id
    proposed_action
    target_resource
    before_after_diff
    risk_reason
    tool_input_redacted
    estimated_cost
    approver_policy
    expires_at
    status
  }

审批页面必须让人看懂：

Agent 想做什么；
为什么要这么做；
会影响哪些资源；
失败或误操作后能不能回滚；
这次动作的输入参数是什么；
谁发起，谁批准。

审批后 workflow 从 checkpoint 恢复，而不是重新跑一遍前面的模型推理。否则容易出现“审批的是 A，执行的是 B”的严重问题。

6. Guardrails：不是一个提示词，而是一整层控制系统

SaaS Agent 至少需要四类 guardrail：

类型	例子
输入 guardrail	prompt injection 检测、PII 检测、恶意意图识别
上下文 guardrail	检索来源过滤、租户隔离、敏感字段脱敏
工具 guardrail	allowlist、schema、权限、审批、rate limit
输出 guardrail	格式校验、事实引用、敏感信息过滤、风险提示

最容易被忽视的是工具 guardrail。真正造成损失的往往不是模型“说错话”，而是模型调用了不该调用的工具，或者用错误参数调用了真实系统。

7. Observability：trace 要能还原决策链

每一次 Agent run 都应该有完整 trace：

flowchart TD
  run["AgentRun"]
  request["User request"]
  policy["Policy checks"]
  prompt["Prompt assembly"]
  model["Model calls"]
  retrieval["Retrieval calls"]
  tool["Tool calls"]
  approvals["Approvals"]
  retries["Retries"]
  result["Final result"]
  billing["Billing events"]

  run --> request
  run --> policy
  run --> prompt
  run --> model
  run --> retrieval
  run --> tool
  run --> approvals
  run --> retries
  run --> result
  run --> billing

关键指标包括：

task success rate；
tool error rate；
approval rate / rejection rate；
average steps per run；
average cost per run；
cost per tenant；
latency p50 / p95 / p99；
retry count；
hallucination / groundedness score；
escalation rate；
prompt version regression。

生产环境要注意采样策略：普通成功路径可以采样，错误、高风险、高成本、企业审计路径应全量保留。（参考：OpenTelemetry Sampling）

8. Eval：把“感觉变好了”变成可测量

SaaS Agent 的 eval 至少分四层：

层级	测什么	示例
Unit eval	单个 prompt / tool 参数	是否生成正确 JSON
Scenario eval	一条业务路径	客服退款流程是否正确
Regression eval	新版本是否退化	prompt v2 是否比 v1 差
Production eval	线上真实质量	用户反馈、审批拒绝率、升级率

建议每个模板 / agent 都带测试集：

happy path；
missing information；
permission denied；
tool failure；
prompt injection；
high-risk action；
ambiguous request；
cost limit exceeded。

Fin Simulations、Relevance AI / Lindy 的企业评估能力、LangSmith Evals 等公开能力都指向同一个结论：没有评估闭环，Agent 就很难持续迭代。（来源：Intercom Fin Testing、Relevance AI Docs index、Lindy Enterprise、LangSmith Observability）

9. 计费、配额与成本控制

SaaS Agent 的成本不只是 token。还包括：

LLM input / output token；
embedding；
rerank；
vector search；
tool calls；
workflow steps；
browser / sandbox runtime；
external API；
storage；
retry；
human review operations。

建议按 tenant 做三层限制：

层级	作用
Soft limit	提醒用户成本接近上限
Hard limit	超过后停止高成本任务
Circuit breaker	发现循环、异常重试、爆量调用时自动熔断

还应该支持按 agent、tool、user、workspace 单独设置预算。很多 Agent 成本事故来自循环调用和失败重试，而不是正常使用。

10. Secrets 与第三方连接器

每个租户的第三方连接必须隔离：

OAuth token；
refresh token；
API key；
webhook secret；
service account；
browser session。

这类 secret 管理原则可参考云厂商对 secret 生命周期、访问控制和轮换的通用设计。（参考：AWS Secrets Manager）

原则：

secret 不进入 prompt；
secret 不进入日志；
secret 不进入 trace 明文；
工具执行时临时取用；
支持租户级撤销；
支持轮换；
连接器最小权限 scope；
集成断链要降级并提示重连。

11. 授权委托：Agent 不能超过授权者的有效权限

SaaS Agent 的权限不是“用户权限”或“agent 权限”二选一，而应该取多个边界的交集：

flowchart TD
  tenant_policy["Tenant policy"]
  actor_permission["Actor permission"]
  agent_policy["Agent policy"]
  tool_scope["Tool scope"]
  resource_permission["Target resource permission"]
  runtime_risk["Runtime risk policy"]
  effective["Effective permission
取所有边界的交集"]

  tenant_policy --> effective
  actor_permission --> effective
  agent_policy --> effective
  tool_scope --> effective
  resource_permission --> effective
  runtime_risk --> effective

这意味着：

用户没有权限做的事，Agent 也不能代替用户做；
用户有权限做的事，Agent 也不一定能自动做，还要看 agent policy 和 tool policy；
连接器拿到的 OAuth scope 应该小于或等于业务所需最小权限；
service account 场景必须明确“谁授权了这个 agent 使用服务身份”；
高风险动作即使权限满足，也可以继续要求审批。

这个设计可以避免一个常见漏洞：用户通过一句自然语言，让 Agent 绕过 UI 或工作流里原本存在的权限限制。

多租户身份、组织和 RBAC 的基础模型可参考 Auth0 Organizations / RBAC 与 AWS SaaS tenant isolation 的公开资料。（参考：Auth0 Organizations、Auth0 RBAC、AWS SaaS tenant isolation）

12. 数据保留、删除与导出策略

Agent SaaS 里的“数据”不只是业务表。至少要分别定义以下对象的保留期和删除路径：

数据类型	例子	建议策略
Prompt / response	模型输入输出	默认脱敏；企业租户可配置是否保存明文
Tool input / output	API 参数、返回结果	保存 redacted 版本；敏感字段不落库
Trace / span	调用链路	按租户配置保留期；错误和审计路径可更久
Audit log	谁在何时做了什么	合规需要较长保留，但应避免存明文 PII
Memory	用户偏好、长期事实	支持查看、删除、导出和过期
Eval dataset	回归测试样例	真实数据进入前必须匿名化或脱敏
Uploaded files	文档、附件	支持租户级删除、保留期和导出

尤其要注意 eval 数据集：很多团队会把线上失败案例直接回灌测试集，如果不做脱敏，eval 反而会变成新的 PII 泄露源。

13. Kill switch 与环境隔离

生产 SaaS Agent 必须能快速止损。管理员至少需要：

tenant-level agent disable；
tool / connector disable；
model route disable；
workflow version rollback；
budget circuit breaker；
global emergency stop。

同时，agent、prompt、workflow、tool、eval dataset 都应该区分 dev / staging / production。不要让测试中的 prompt、连接器或 eval 数据直接影响生产租户；发布到生产前应经过 simulation、权限检查和审批。

六、一个推荐的 MVP 范围

如果从 0 开始做 SaaS Agent，不建议第一版做“万能 Agent”。推荐 MVP 是一个窄场景、可控、可评估的业务 Agent。

MVP 目标

做一个“模板驱动的单任务 Agent 平台”，支持：

用户从模板创建 agent；
连接 2-3 个核心工具；
执行一个明确业务目标；
高风险动作需要审批；
每次执行都有日志、trace、成本；
管理员能配置权限和额度；
支持基础 eval 和回归测试。

MVP 不做什么

第一版不建议做：

完全开放的多 Agent 协作；
无限制工具市场；
自动长期记忆；
任意浏览器自动操作；
自动执行高风险写操作；
复杂 marketplace 分发；
通用插件系统。

优先级	模块	为什么
P0	Tenant / Auth / RBAC	SaaS 基础边界
P0	Agent template	降低首次使用门槛
P0	Tool registry	连接真实业务系统
P0	Workflow runtime	让任务可恢复、可暂停
P0	Approval gate	控制高风险动作
P0	Audit log / trace	出问题能复盘
P0	Quota / cost limit	防止成本失控
P0-lite	Basic admin console	最少支持角色、工具开关、审批和额度配置
P1	Eval set	支持持续改进
P1	Memory / RAG	增强上下文能力
P1	Full admin console	团队治理、版本管理、审计导出
P2	Marketplace	分发成熟模板
P2	Multi-agent team	复杂协作场景

最小可行 eval 基线

即使是 MVP，也不要完全没有测试集。推荐第一版至少准备：

20-50 条真实或半真实 scenario tests；
5-10 条 prompt injection / 越权尝试；
5-10 条 permission denied 场景；
5-10 条 tool failure / timeout 场景；
5 条 high-risk action 审批场景；
每次 prompt、model、workflow 变更前后做 regression comparison。

如果样例来自真实客户数据，进入 eval dataset 前必须做匿名化、脱敏和租户隔离。

七、典型场景设计示例：客服 SaaS Agent

以客服 Agent 为例，可以这样设计。

1. 用户路径

Admin 选择“退款客服 Agent”模板；
连接 Helpdesk、订单系统、CRM；
配置退款政策和升级规则；
上传或连接知识库；
跑 20 条 simulation；
修正失败案例；
灰度给 5% 会话；
查看 monitor；
扩大流量。

2. 执行路径

flowchart TD
  start["用户咨询退款"]
  intent["识别意图
退款 / 投诉 / 普通问答"]
  retrieve["检索退款政策和订单信息"]
  decision{"是否满足自动处理条件？"}
  low["低风险：生成回复草稿"]
  high["高风险：创建审批请求"]
  approve{"审批通过？"}
  refund["调用退款 API"]
  audit["记录审计日志"]
  notify["通知用户和客服团队"]
  escalate["升级人工处理"]

  start --> intent --> retrieve --> decision
  decision -->|低风险| low --> audit
  decision -->|高风险| high --> approve
  approve -->|是| refund --> audit
  approve -->|否| escalate --> audit
  audit --> notify

3. 关键 guardrail

金额超过阈值必须人工审批；
VIP 客户必须升级人工；
缺少订单信息不能执行；
政策不明确时只能生成建议，不能自动退款；
每个用户每日退款次数有限制；
所有退款 API 调用必须幂等。

八、典型场景设计示例：销售运营 Agent

销售运营 Agent 可以处理线索跟进、CRM 更新、会议纪要、邮件草稿。

为什么

销售场景里，错误成本不是技术错误那么简单，而可能影响客户关系、价格承诺和合规。所以更适合从 copilot 开始，再逐步开放 agentic execution。

九、技术选型建议

1. 编排层

可选方向：

简单场景：自研 state machine + job queue；
中等复杂度：LangGraph；
长任务 / 强可靠：Temporal；
企业 Microsoft 生态：Microsoft Agent Framework / Semantic Kernel；
低代码产品形态：参考 Dify / CrewAI Flow。

选择标准不是“哪个最火”，而是：

是否支持 checkpoint；
是否支持 pause / resume；
是否支持 replay；
是否支持人审；
是否方便接 trace；
是否能版本化 workflow。

2. 模型层

建议做 model router，而不是写死一个模型：

高复杂推理：强模型；
简单分类：小模型；
JSON 结构化：支持 structured output 的模型；
高隐私租户：指定区域或私有部署；
成本敏感任务：低成本模型 fallback。

3. 工具协议

建议同时支持：

内部 typed tools；
OpenAPI tools；
MCP server；
webhook / connector；
browser fallback（谨慎开放）。

MCP 和 OpenAPI 适合扩展生态，但内部核心工具仍应有更强 schema、权限和审计控制。

这里的工具协议选择参考了 OpenAI / Anthropic tool use、Dify tools、Intercom integrations 与 Agentforce custom connections 等公开资料。（来源：OpenAI Agents SDK、Anthropic Claude tool use、Dify Tools、Intercom Fin Integrations、Salesforce Agentforce Custom Connections）

4. 数据层

推荐最小组合：

Postgres：tenant、agent、run、tool、approval、audit；
Redis：短期状态、rate limit、队列辅助；
Object Storage：附件、导出、日志归档；
Vector DB：tenant namespace 的知识库；
Data warehouse：评估、成本、产品分析。

多租户隔离和 SaaS 架构的底层原则可参考 AWS SaaS 架构资料；用量计费事件的设计可参考 Stripe usage-based billing。（参考：AWS SaaS Lens、AWS SaaS tenant isolation、Stripe usage-based billing）

十、数据模型草案

Agent

classDiagram
  class Agent {
    id
    tenant_id
    name
    description
    template_id
    version
    status
    system_prompt_version
    workflow_version
    tool_policy_id
    memory_policy_id
    risk_policy_id
    created_by
    updated_at
  }

AgentRun

classDiagram
  class AgentRun {
    id
    tenant_id
    agent_id
    actor_id
    session_id
    status
    input_summary
    current_step
    checkpoint_id
    cost_estimate
    cost_actual
    risk_level
    started_at
    finished_at
  }

ToolCall

classDiagram
  class ToolCall {
    id
    tenant_id
    run_id
    tool_id
    input_redacted
    output_redacted
    status
    idempotency_key
    approval_id
    latency_ms
    error_code
    created_at
  }

AuditEvent

classDiagram
  class AuditEvent {
    id
    tenant_id
    actor_id
    agent_id
    run_id
    event_type
    resource_type
    resource_id
    action
    before_hash
    after_hash
    metadata_redacted
    trace_id
    created_at
  }

十一、上线与发布流程

Agent 的发布应该像软件发布，而不是改完 prompt 直接上线。

推荐流程：

Draft：编辑 agent / prompt / workflow / tools；
Static check：schema、权限、风险扫描；
Simulation：跑测试集；
Review：管理员或 owner 审核；
Canary：小流量灰度；
Monitor：观察成功率、拒绝率、成本、错误；
Promote：扩大流量；
Rollback：异常时回滚到上一版本。

每次发布要记录：

prompt version；
workflow version；
tool version；
model policy；
eval result；
approver；
release note。

十二、风险清单

1. 安全风险

prompt injection 导致越权工具调用；
RAG 泄露其他租户数据；
secret 被写入日志；
Agent 误调用高风险 API；
第三方连接器权限过大；
审批绕过。

2. 产品风险

用户不知道 Agent 能做什么；
模板太空，首次使用失败；
失败原因不可解释；
人审太多，自动化价值下降；
自动化太多，用户不信任。

3. 工程风险

长任务不可恢复；
工具调用不幂等；
trace 缺失导致无法排障；
prompt 改动无法回滚；
多 agent 调试成本爆炸；
成本无限循环；
缺少 kill switch，异常 agent 无法快速下线；
dev / staging / production 隔离不足，测试配置污染生产。

4. 合规风险

长期记忆无法删除；
audit log 含过多 PII；
跨境数据不可控；
企业客户无法导出审计；
租户级数据保留策略不一致；
eval 数据集混入未脱敏真实客户数据。

十三、落地 checklist

产品侧

是否有明确目标场景，而不是万能 Agent？
是否有模板化 onboarding？
用户是否能在 10 分钟内跑通第一个任务？
高风险动作是否需要审批？
是否能解释 Agent 做了什么、为什么做？
是否有失败升级人工路径？
是否有版本和回滚？
是否有紧急停用 agent / tool / connector 的入口？

工程侧

所有请求是否带 tenant_id？
所有数据查询是否做租户过滤？
工具调用是否有 schema 校验？
工具调用是否有权限校验？
外部副作用是否幂等？
长任务是否支持 checkpoint？
是否有 trace、metrics、audit log？
是否有成本和速率限制？
dev / staging / production 是否隔离？
是否有 kill switch 和 circuit breaker？

安全与合规侧

secret 是否永不进入 prompt / log / trace 明文？
RAG 是否按租户隔离？
memory 是否可删除、可导出？
trace、prompt、tool I/O、上传文件是否有保留期？
prompt injection 是否有检测和隔离？
审批链路是否可审计？
企业管理员是否能禁用工具或 agent？

评估侧

每个 agent 是否有 eval set？
是否覆盖 happy path 和 failure path？
是否能比较不同 prompt / model 版本？
是否能监控线上成功率和成本？
是否能从真实失败案例回灌测试集？
eval 数据集是否做了匿名化和脱敏？

十四、推荐路线图

Phase 0：研究与定义

选定一个窄场景；
明确用户角色和高风险动作；
定义工具清单；
定义成功指标；
收集 50-100 个真实任务样例。

Phase 1：Copilot MVP

支持问答、总结、草稿生成；
接入 1-2 个只读工具；
做基础 RBAC；
做基础 trace；
不自动执行写操作。

Phase 2：Workflow Agent

引入 workflow runtime；
支持状态、checkpoint、重试；
接入写工具，但默认审批；
做 audit log；
做 eval set 和 simulation。

Phase 3：Team SaaS

Admin console；
agent versioning；
tool permission；
tenant quota；
SSO / SCIM；
cost dashboard；
灰度和回滚。

Phase 4：Agent Platform

marketplace；
MCP / OpenAPI connector ecosystem；
多 agent collaboration；
高级 memory；
自动评估和推荐优化；
企业合规包。

十五、最后的设计判断

如果只记住一个判断，那就是：

SaaS Agent 的核心竞争力不是“模型调用”，而是“把模型放进一个可控、可审计、可恢复、可计费、可治理的业务系统里”。

所以，设计 SaaS Agent 时不要先问“要不要多 Agent”“要不要长期记忆”“要不要自主规划”。应该先问：

用户的真实任务是什么？
哪些步骤必须确定性？
哪些步骤适合 LLM？
哪些动作有风险？
失败后如何恢复？
谁有权限批准？
如何评估是否变好？
如何控制成本和租户边界？

把这些问题答清楚，再谈 Agent，才是真正的 SaaS Agent 设计。

参考资料

OpenAI Agents SDK: https://developers.openai.com/api/docs/guides/agents
OpenAI Running agents: https://developers.openai.com/api/docs/guides/agents/running-agents
OpenAI Guardrails and human review: https://developers.openai.com/api/docs/guides/agents/guardrails-approvals
OpenAI Agent evals: https://developers.openai.com/api/docs/guides/agent-evals
Anthropic Claude tool use: https://docs.claude.com/en/docs/agents-and-tools/tool-use/overview
LangGraph overview: https://docs.langchain.com/oss/python/langgraph
LangGraph interrupts: https://docs.langchain.com/oss/python/langgraph/interrupts
LangSmith Observability: https://docs.langchain.com/langsmith/observability
Microsoft Agent Framework Overview: https://learn.microsoft.com/en-us/agent-framework/overview/
Microsoft Agent Framework Workflows: https://learn.microsoft.com/en-us/agent-framework/journey/workflows
Microsoft Agent Framework Workflows Overview: https://learn.microsoft.com/en-us/agent-framework/user-guide/workflows/overview
Microsoft Agent Framework Durable Agents: https://learn.microsoft.com/en-us/agent-framework/integrations/azure-functions
CrewAI Flows: https://docs.crewai.com/en/concepts/flows
CrewAI Tracing: https://docs.crewai.com/en/observability/tracing.md
CrewAI AMP: https://docs.crewai.com/en/enterprise/introduction
Dify Workflow & Chatflow: https://docs.dify.ai/en/use-dify/build/workflow-chatflow
Dify Agent: https://docs.dify.ai/en/use-dify/build/agent
Dify Tools: https://docs.dify.ai/en/use-dify/workspace/tools
Intercom Fin Procedures: https://fin.ai/procedures
Intercom Fin Testing: https://fin.ai/testing
Intercom Fin Analyze: https://fin.ai/analyze
Intercom Fin Integrations: https://fin.ai/integrations
Salesforce Agent Script: https://developer.salesforce.com/docs/ai/agentforce/guide/agent-script.html
Salesforce Agentforce APIs and SDKs: https://developer.salesforce.com/docs/ai/agentforce/guide/get-started-agents.html
Salesforce Agentforce hybrid reasoning architecture: https://architect.salesforce.com/docs/architect/fundamentals/guide/hybrid-reasoning-agentforce-builder-agent-script.html
Salesforce Agentforce agentic patterns: https://architect.salesforce.com/docs/architect/fundamentals/guide/agentic-patterns.html
Salesforce Agentforce Testing API: https://developer.salesforce.com/docs/ai/agentforce/guide/testing-api-get-started.html
Salesforce Agentforce Session Tracing Data Export: https://developer.salesforce.com/docs/ai/agentforce/guide/otel-api.html
Salesforce Agentforce Custom Connections: https://developer.salesforce.com/docs/ai/agentforce/guide/custom-connections.html
Salesforce Developers Blog - Introducing Hybrid Reasoning with Agent Script: https://developer.salesforce.com/blogs/2025/10/introducing-hybrid-reasoning-with-agent-script
Salesforce Engineering - Agentforce Agent Graph: https://engineering.salesforce.com/agentforces-agent-graph-toward-guided-determinism-with-hybrid-reasoning/
Salesforce Developers Blog - Agent Script decoded: https://developer.salesforce.com/blogs/2026/02/agent-script-decoded-intro-to-agent-script-language-fundamentals
Salesforce Blog - Agent Script control plane: https://www.salesforce.com/blog/agent-script-control-plane/
Salesforce Blog - Agentforce Testing Center: https://www.salesforce.com/blog/agentforce-testing-center/
Salesforce Blog - Secure Agentforce with trusted services: https://www.salesforce.com/blog/secure-agentforce-with-trusted-services/
Salesforce Blog - Data governance for the agentic era: https://www.salesforce.com/blog/data-governance-for-the-agentic-era/
Salesforce Engineering - Enterprise agent platform: https://engineering.salesforce.com/beyond-crm-how-salesforce-engineered-an-enterprise-agent-platform-for-any-workload/
Salesforce Blog - Reducing Agentforce latency: https://www.salesforce.com/blog/agentforce-reducing-latency/
Oracle AI Agent Studio Workflow: https://docs.oracle.com/en/cloud/saas/fusion-ai/aiaas/create-custom-ai-agents-of-type-workflow.html
Google Gemini Enterprise Agent Platform overview: https://docs.cloud.google.com/gemini-enterprise-agent-platform/overview
Zapier Agents: https://zapier.com/agents
Zapier Help - Build an agent in Zapier Agents: https://help.zapier.com/hc/en-us/articles/24393442652557-Build-an-agent-in-Zapier-Agents
Relevance AI Docs index: https://relevanceai.com/docs/llms.txt
Relevance AI product overview: https://www.relevanceai.com/
Lindy Enterprise: https://www.lindy.ai/blog/lindy-enterprise-announcement
Lindy 3.0: https://www.lindy.ai/blog/lindy-3-0
OpenHands: https://github.com/OpenHands/OpenHands
AutoGPT: https://github.com/Significant-Gravitas/AutoGPT
AWS SaaS tenant isolation: https://docs.aws.amazon.com/whitepapers/latest/saas-architecture-fundamentals/tenant-isolation.html
AWS SaaS Lens: https://docs.aws.amazon.com/wellarchitected/latest/saas-lens/saas-lens.html
Auth0 Organizations: https://auth0.com/docs/manage-users/organizations
Auth0 RBAC: https://auth0.com/docs/manage-users/access-control/rbac
AWS Secrets Manager: https://docs.aws.amazon.com/secretsmanager/latest/userguide/intro.html
AWS CloudTrail: https://docs.aws.amazon.com/awscloudtrail/latest/userguide/cloudtrail-user-guide.html
Stripe usage-based billing: https://docs.stripe.com/billing/subscriptions/usage-based/recording-usage
OpenTelemetry Concepts: https://opentelemetry.io/docs/concepts/
OpenTelemetry Sampling: https://opentelemetry.io/docs/concepts/sampling/

Author：Edison

Link：https://edison-a-n.github.io/2026/05/13/saas-agent-design-doc/

Publish date：May 13th 2026, 12:00:00 am

Update date：May 21st 2026, 3:30:37 pm

License：本文采用知识共享署名-非商业性使用 4.0 国际许可协议进行许可

Next Post

Agent Memory 前沿调研：从长期记忆到经验系统
Previous Post

SaaS Agent Sandbox 设计原则：不要把 Sandbox 当成容器

CATALOG

1. 一、从公开资料和工程实践归纳出的设计原则
2. 二、别人是怎么做的：主流产品与框架实践
3. 三、SaaS Agent 的推荐产品分层
4. 四、总体架构：一个生产级 SaaS Agent 应该有哪些模块
5. 五、关键模块设计
6. 六、一个推荐的 MVP 范围
7. 七、典型场景设计示例：客服 SaaS Agent
8. 八、典型场景设计示例：销售运营 Agent
1. 8.1. 推荐边界
2. 8.2. 为什么
9. 九、技术选型建议
10. 十、数据模型草案
11. 十一、上线与发布流程
12. 十二、风险清单
13. 十三、落地 checklist
14. 十四、推荐路线图
15. 十五、最后的设计判断
16. 参考资料