上線AI Agent的7條鐵律：別把新人當工具用

大多數團隊放棄AI Agent的時機都太早了。

問題不在于模型。Pazi團隊運行數月后發現，早期失敗幾乎都是"入職失敗"——人們把Agent當成插電即用的工具，而它其實更像一個需要培訓的新員工。OpenAI Agents SDK將Agent定義為"能夠規劃、調用工具、跨專業協作、并保持足夠狀態以完成多步驟工作的應用"。它有工作、有工具、在循環中運行直至完成。但"循環"才是關鍵。

Anthropic工程團隊在生產環境中部署多Agent研究系統時，直白地列出了早期失敗模式："Agent會犯諸如為簡單查詢生成50個子Agent、無休止地搜索不存在的網絡來源、以及用過多更新互相干擾等錯誤。"——這是造出Claude的團隊在描述自家早期Agent的問題。教訓很明確：Agent沒壞，是模型周圍的腳手架需要打磨，而這工作更像帶新人而非配工具。

規則一：單線程啟動

并行部署多個Agent不會倍增產出，只會倍增調試面積。第一天上線十個工作流，意味著十個半訓練的Agent產出十股半殘的輸出，同時爭奪你的注意力。瓶頸在于校正循環，而循環只能串行經過你。

選定一個重復性任務。陪Agent完成幾輪校正：修復錯誤、補充缺失的上下文，直到輸出干凈。再進入下一個任務。

成本角度同樣關鍵。Anthropic數據顯示：Agent通常比對話交互消耗約4倍token，多Agent系統則消耗約15倍。更多Agent不是免費杠桿，是疊加在疊加的校正債務之上的復合成本。

規則二：心智模型決定首會話

把Agent當工具，粗糙輸出等于工具損壞，你會放棄；把Agent當新人，粗糙輸出等于教學時刻，你會留在循環中足夠久，讓Agent學會工作。Anthropic將底層機制描述為"模型循環調用自身，將復雜任務分解為可管理的步驟"。這個循環需要你的介入，直到Agent積累足夠的上下文獨立運行。

早期輸出粗糙是正常的。不是模型不行，是Agent還沒有被校正足夠多次以學會工作。

規則三：工具不是越多越好

給Agent的工具集膨脹是常見陷阱。每個新增工具都是Agent可能誤用的分支點。Pazi的經驗是：從最小可行工具集開始，僅在Agent反復卡在特定步驟時才添加工具。工具是債務，不是資產。

規則四：狀態管理是隱形工作

Agent需要"保持足夠狀態以完成多步驟工作"，但狀態不會自動正確。你需要檢查Agent在循環中攜帶了什么上下文，是否遺漏了關鍵信息，是否在長任務中丟失了早期步驟的線索。狀態調試是沉默的勞動密集型工作。

規則五：子Agent是最后手段

多Agent協作是強大模式，也是復雜度的深淵。Anthropic早期"生成50個子Agent"的災難說明：委托邊界模糊時，Agent會過度拆分任務。先嘗試單Agent完成，僅在任務天然需要不同專業領域時才拆分。

規則六：輸出格式是約束條件

Agent的輸出格式不是裝飾。結構化輸出（如JSON、特定標記語言）是下游步驟的契約，也是你檢查Agent是否正確理解任務的窗口。格式混亂往往意味著理解混亂。

規則七：監控循環本身

不要只監控最終輸出。監控循環：Agent調用了多少次工具？是否在原地打轉？是否頻繁回溯？循環指標暴露的是Agent的"工作習慣"，比單次輸出更能預測長期可靠性。

這七條規則的核心是一個認知轉換：Agent不是配置出來的，是教出來的。放棄太早的團隊，錯把教學期當成了產品缺陷。而那些愿意陪Agent走完前幾輪校正循環的人，最終得到了真正自動化的工作流——不是因為他們買了更好的模型，因為他們完成了入職培訓。