过去一年，"智能体"（AI Agent，具备自主决策能力的人工智能系统）这个词在行业里被用烂了。某大厂技术负责人告诉我，他们团队今年收到的方案里，73%都把"增加规划-执行循环"写进了需求文档——哪怕只是做个数据格式转换。
这不是技术进步，这是集体焦虑下的过度医疗。
一个价值200万的错误决策
去年Q3，我参与评审了一个金融客户的智能客服项目。他们的原始需求很简单：用户问"我的账单在哪"，系统返回对应链接。原本30行正则表达式就能解决。
交付方案却长这样：意图识别模块→记忆上下文→工具选择→执行→反思→重试。六个环节，三个模型调用，平均响应延迟4.2秒，成本是原方案的47倍。
上线两周后，他们发现一件尴尬的事：用户最常问的三个问题，有固定答案。但智能体偶尔会"发挥创意"，把账单链接解释成理财产品推荐。
确定性系统给你的是保证。智能体系统给你的是概率。当你需要"永远相同的结果"时，引入大语言模型不是升级，是埋雷。
这个项目的最终处理方案是：保留智能体框架，但给那三个高频问题写死规则。相当于给跑车装了个脚蹬子。
自动化和智能，根本不是一回事
我见过太多团队把这两个概念混为一谈。用个粗暴的类比：自动化是地铁，智能体是网约车。
地铁的路线、站点、发车间隔全部固定。你不需要"智能"，你需要的是可预测、低成本、高吞吐。网约车面对的是不确定——乘客在哪、目的地哪、走哪条路不堵。这时候才需要实时决策。
判断标准很简单：如果你能把它写成函数或工作流，就别上智能体。
日常工作中，发送邮件通知、格式化数据、按条件路由请求，这些属于自动化。而回答开放式用户查询、跨源信息整合、处理模糊需求，这些才需要智能体。
麻烦的是，很多团队反着来。他们用智能体处理确定性问题，理由是"更灵活""可扩展"。结果得到的是更慢、更贵、更难调试的系统。
调试智能体，像在迷雾中找针
传统系统崩溃时，日志会告诉你第几行报错、什么变量越界。智能体崩溃时，你得到的是："模型认为这个查询应该调用工具B，但工具B返回了空，于是模型决定重试，重试时改变了参数格式，导致工具C理解错误……"
你不再是在调试代码。你是在调试一个黑盒的"决策倾向"。
某头部云厂商的工程师跟我吐槽，他们一个生产环境的智能体工作流，连续三天在凌晨2点触发异常重试。最后发现原因是：那个时间段的系统提示词里，"请尽快处理"被模型解读出了紧迫感，导致决策阈值漂移。
这种bug，单元测试抓不住，日志看不全，复盘时连复现都困难。
那个能省你三周的问题
在动手之前，问一句：这个任务需要推理，还是只需要执行？
听起来像废话。但就是这个判断，区分了干净系统和过度工程。
我见过最离谱的案例：一个数据清洗任务，源字段和目标字段的映射关系完全固定。开发团队却设计了"智能映射"——让模型自己猜对应关系，准确率91%。剩下9%的错误数据流入下游，花了两周才定位。
最后改成硬编码映射表，代码从400行降到30行，准确率100%，执行时间从分钟级降到毫秒级。
智能体真正的用武之地
说这些不是为了否定智能体。它们在某些场景下不可替代。
当你的系统满足以下任一条件时，上智能体是合理的：输入无法用固定规则穷举；执行路径依赖实时上下文；输出需要创造性组合；失败代价低于人工介入成本。
典型的合适场景：研究助手（跨多源整合信息）、代码生成（理解模糊需求并产出）、个性化推荐（平衡多目标优化）。
最好的系统往往不是全智能体架构。而是混合设计：数据转换用确定性管道，异常处理用规则兜底，只有核心决策环节交给模型。
某电商平台的客服系统就是这样。80%的查询走规则引擎，15%走检索增强生成（RAG，结合外部知识库的大语言模型应用），5%的复杂投诉才进入多步骤智能体。这套架构的维护成本，是纯智能体方案的1/8。
为什么现在说这些特别重要
大语言模型越来越便宜，越来越容易调用。这创造了向复杂性倾斜的偏见。
"更多智能=更好系统"——这个等式在工程里不成立。有时候最好的系统是：做一件事，每次都做对，出了问题能定位。
智能体不是默认架构。它是一种工具，和其他工具一样，有适用范围。
好的工程不是用最先进的方法，而是用对的方法。当整个行业都在讨论"怎么让智能体更智能"时，或许更值得问的是：这个地方真的需要智能吗？
那个金融客户后来给我发了个截图。他们的账单查询接口，最终版本是27行Python，平均响应12毫秒。用户满意度评分，比智能体版本高了0.3分。
理由很朴素："它每次给的链接都一样，我不用猜。"
热门跟贴