我发现现在很多人谈 Agent，有一种挺严重的错觉：只要模型能够调用工具、自己执行几步操作，就觉得离真正的自动化已经很近了。 但我越接触企业项目，越觉得这两… · @UPing123zzz · TwKit

@UPing123zzz

我发现现在很多人谈 Agent，有一种挺严重的错觉：只要模型能够调用工具、自己执行几步操作，就觉得离真正的自动化已经很近了。 但我越接触企业项目，越觉得这两个东西差得太远了。 做一个 Agent Demo 其实没有想象中那么难。让大模型理解用户需求，调用搜索工具，读取文件，写一段代码，最后返回结果。只要模型能力过得去，整个流程就能演示得挺漂亮。 可一旦把这个东西交给真实客户，问题就开始出现了。 工具调用超时怎么办？API 返回的数据不符合预期怎么办？执行到一半失败，重新运行会不会重复操作？多个 Agent 同时工作，状态到底由谁维护？涉及客户数据，权限怎么隔离？模型调用错了工具，系统能不能及时发现？执行完成以后，究竟由谁判断结果是正确的？ 这些问题，每一个都比 Demo 里多调用一个工具重要得多。 尤其是现在模型能力越来越强，很多人会产生一种错觉，觉得模型已经这么聪明了，那外面的工程系统是不是可以越来越简单？ 我反而觉得，模型越强，能执行的任务越复杂，外部系统的可靠性要求就越高。 以前 Chatbot 胡说一句话，用户最多觉得它回答得不好。但 Agent 如果在没有确认权限和结果的情况下直接执行操作，可能影响真实的数据、业务流程甚至客户资产。 所以我现在理解的 Agent 工程，绝不只是 Prompt + Tool Calling。它还包括状态管理、可观测性、错误恢复、权限控制、评测体系，以及在必要时把控制权交还给人。 说白了，能把任务执行成功一次，是能力展示；能在复杂环境里反复可靠地执行，才开始接近真正的工程交付。 AI 时代不缺会调用 API 的人，缺的是能够对整个自动化系统的结果负责的人。 我觉得这也是为什么 Agent 越来越强，真正懂后端、系统设计和工程可靠性的人，依然非常有价值。

曝光 487 · 评论 5 · 点赞 3 · 书签 1