停止构建Agent智能体！ 文章作者Hugo表示：只有很少的情况需要构建智能体，大多数时候，AI工作流更好。 要理解这句话之前，我们要先知道，什么是智能体？ 智能体系统需要满足4个特征：【图1】 1. 记忆（Memory）——记住过去交互 2. 信息检索（Retrieval）——查外部数据给上下文 3. 工具调用（Tool Use）——接入API或函数 4. 流程控制（Workflow Control）——LLM自己控制使用哪些工具、什么时候调用、怎么走流程 前3项我们叫“增强型（Augmented）LLM”，第4项才是智能体的核心：LLM主导整个决策流程，动态适配任务。 智能体听上去很智能，但问题是：它太灵活，很容易失控。 Hugo用一个真实例子，来说明智能体系统的“优雅溃败”：他用CrewAI搭建了一个研究型智能体团队： - 一个Research智能体去网上查资料 - 一个Summarizer智能体总结内容并引用来源 - 一个Coordinator智能体分配任务 逻辑上很完美，但现实是： - 研究智能体常忽略专门配置好的爬虫工具； - 总结智能体在长文档里忘记引用，忽略上下文； - 协调智能体一遇到模糊任务就卡死，一整个放弃。 那么问题来了，“智能体们”为什么失败？作者Hugo解释道—— - 智能体本身无法准确识别哪些工具适用于当前场景； - 智能体之间缺少人类监督，协调成本高； - 系统看似模块清晰，实际上出错难以追踪、缺乏可控性。 Hugo干脆画了一张【图2】，并表示：只有当任务需要系统“动态改变执行路径”时，才需要智能体。而这种需求，极少。 那什么方案更适合大多数人用？ 他总结了5种典型的AI工作流，适合不同类型的任务，结构清晰又容易维护： 1. 串联流程（Prompt Chaining）【图3】 适合任务有明显先后步骤，例如生成个性化邮件： - 第一步：提取结构化信息（公司名、职位） - 第二步：补充公司上下文（愿景、职位空缺） - 第三步：写出个性化邮件 💡优点：线性、可控、容易调试 ⚠️缺点：中间一步出错会影响全流程 2. 并发任务（Parallelization）【图4】（由于原文图没给全，部分图片引用自Anthropic） 适合要同时处理多个子任务，例如抽取简历中的不同信息： - 并行提取工作经历、技能、教育背景 - 然后整合成统一结构输出 💡优点：速度快，适合批处理任务 ⚠️缺点：有异步执行时序问题，需处理超时或数据一致性 3. 分流处理（Routing）【图5】 适合根据输入分类走不同子流程，例如客服系统： - 产品问题 → 技术支持流程 - 退款请求 → 财务流程 - 模糊请求 → 默认兜底流程 💡优点：适配性强，逻辑明确 ⚠️缺点：边界不清晰的输入可能走错路线，需兜底策略 4. 协调-执行模型（Orchestrator-Worker）【图6】 适合需要“分类+分配+多步控制”的任务，但流程仍可预设： - 主控模块（Orchestrator）决定流程路径 - 多个执行模块（Worker）完成子任务 和Routing的区别是：Orchestrator不只是分流，还负责控制整体流程、收集子结果。 💡优点：灵活扩展，支持多轮协调 ⚠️缺点：Orchestrator设计不好容易逻辑混乱 5. 评估-优化回路（Evaluator-Optimizer）【图7】 适合追求高质量输出的任务，例如营销邮件、文案、代码建议： - 初始输出不满足标准 → 给出反馈优化 → 循环直到合格或达到次数上限 💡优点：支持逐步优化、对质量把控更强 ⚠️缺点：可能出现死循环，需设置上限 最后Hugo强调，任务复杂度高、路径难以预定义的任务，如果一定要用智能体，则需要有人类把控，例如： - 数据分析：写SQL→可视化→总结 → 需要人判断输出合理性【图8】 - 创意任务：生成标题、重写文案、建议排版 → 需要人反馈 - 高不确定性环境下快速迭代 → 人可中途调整智能体行为 值得注意的是，智能体无论如何都不适合稳定的企业系统。如财务、医疗、法律等对流程确定性要求高，这样的生产系统中，智能体自由度太高，会导致不可预测的行为。 原文链接：-building-ai-agents
