现在的智能体 agent 到底是不是银弹？

看了 Utkarsh Kanwat  写的一篇文章，叫做《Why I’m Betting Against AI Agents in 2025 (Despite Building Them)》，他分享了他构建了大概十来个智能体应用后，所学习到的经验。我看的深有共鸣，也收获不少。

但是这篇文章，如果你还没有构建过 agent，我是不建议看的。因为只有真正搭建过一个 agent，反复被准确度，稳定性和 LLM 的胡言乱语折磨后，你再来看这篇文章，你就会只有深深的认同感。因为构建 agent，不管从那个思路上看，逻辑都是正确的，但是一旦落地实战，准备上产线了，你就会感受到满满的伤害，为什么会是这样？

构建 agent，第一个要考虑的问题是，它的边界在哪里？但是很多人会有一个误解，就是，我已经有那么多数据了，不管在哪里，数据库还是文档中，不就是跟 chatgpt 一样，丢给它就可以直接回答所有问题的吗？这真是一个最大的误解。除非你对于回答的准确度一点都不在乎。

对于很多 SaaS 应用来说，这是一个很关键的问题，而不是说你已经有了那么多数据，简单加一个 LLM 就可以了。很多时候，LLM 要回答的问题，甚至它都没有对应的领域知识。而我们往往期望过高，要问的问题都涉及到很多统计聚合操作。比如，第三层楼面积最大的房间里面有几个工位？这类问题是我们需要先定义的，agent 是有边界的。

第二个是，我们要考虑，一个标准的任务处理流程中，其实是需要10-20个步骤的，但是我们也忽略了如果做成全自动 agent，每个步骤 LLM 的成功率是多少？如果按照文章中的每一个步骤是95%的成功率（这个其实都有点难），那么20个步骤后，成功率只有36%。这个对于产线来说是真的可以接受的吗？

第三个是，我们需要算好经济账。每一次对话，需要花多少 token，如果做成对话式的，那么就是一个指数级的增长，越往后给 LLM 的上下文越长。但是对于用户体验来说，我在一个连续对话中，问的第一个问题和第二十个问题其实没有差别。所以作者说了一句，任何在产线上成功的 agent，基本上都不是对话式的。

基于上面的三点，一个成功的 agent，应该要具备的特征是什么？

一。一个是步骤不能太多，3-5步，而且每一步都可以验证，关键节点还需要人类确认。步骤短了可以控制上下文。

二。重心应该放在设计工具上，工具不仅仅是返回原来的数据，还需要构建一个 feedback 系统。这个数据是什么？比如一个工具返回了上万行数据，那么对于 agent，它上下文不需要知道所有数据，只需要前五行估计也就够了。

三。API 还是人机接口，给人看的，比如我们可以通过 postman 来使用，或者是给传统确定性的软件工程来用的，但是 AI不是需要的这个，它需要数据 + 反馈。

四。最后一个我非常认可的分工，AI 负责复杂度，人类负责控制，传统软件工程来负责可靠性。

这个跟我在其他地方看到的言论趋于一致，很多 agent 其实还是一个工作流，只不过其中某几个节点靠 AI 来处理判断后，人类介入来控制。而我们传统设计软件功能的能力被用去精心设计MCP 工具了。