摘要： 从反应式大语言模型（LLM）向持久化、可执行系统的快速转变，暴露了代理式人工智能（Agentic AI）在架构理解上的关键空白，尤其是在自主AI代理的推理、编排与执行层分离方面。尽管近期有所进展，但用于设计和评估全栈代理系统的统一框架仍然有限。本文提出了一种全面的、分层式的Agentic AI架构，概述了从反应式LLM接口向具备记忆、规划和持续执行能力的持久化、目标驱动的自主AI代理的演进过程。我们分析了OpenClaw和Ollama作为一个全栈Agentic AI系统的组合，其中Ollama充当LLM推理层，而OpenClaw则实现代理运行时编排，集成推理、工具使用和行动执行。对OpenClaw-Ollama架构的原型实验验证表明，持久记忆、工具利用和自适应决策等能力源于系统级集成，而非独立模型，且随着架构复杂性的增加，性能持续提升。本研究进一步探讨了代理系统在可扩展性、安全性、隐私、治理和评估方面的挑战，强调了稳健基准测试和系统级设计的必要性。未来方向包括可扩展的多代理架构、分布式自主系统，以及用于负责任部署的人类感知型Agentic AI框架。总体而言，这项工作为Agentic AI建立了统一的架构基础，验证了全栈自主AI代理的有效性，并为构建可扩展、安全且值得信赖的代理系统提供了路线图。所有模型、代码和数据集均已公开发布，以支持可复现性和基准测试。