两年踩坑总结：让 agent 出答案和出对的答案是两回事
Tiwaryswarnim · reddit · 2026-09-23
作者分享多年构建 AI agent 的核心教训：
- 从终点倒推而非从模型能力出发：先明确目标、所需信息、该做与不该做的边界，以及何时该说“我不知道”。
- 上下文不是越多越好：agent 工作本质是伪装的上下文问题，关键在于筛选、结构化 agent 真正需要的信息，减少出错面。
- 别把 LLM 当锤子：能用确定性方案就用确定性方案，只在真正需要推理、解释、灵活性的环节用 LLM。
- 构建 agent 既是一门手艺也是科学：何时放手、何时约束、给多少上下文，只能靠试错摸索。
作者强调：传统代码出错会报错，而 LLM 可能给出极具说服力的错误答案——让 agent 稳定给出正确答案并在不该回答时拒绝，与让它“能回答”是完全不同难度的问题。
「编程与Agent」频道最新
- Drop 发布：OS 级沙盒隔离 coding agents，防幻觉 rm -rf — aronchick · 2026-09-23
- 推理与工具调用分离：双轻量模型 48 小时筛 3 万晶体候选 — bravo_abad · 2026-09-23
- Sentry 重投 Evals:1800 次 PR 触发评测,token 成本降 20-50% — zeeg · 2026-09-23
- MiMo-V2.6-Flash 工具调用翻车？三个 vLLM 服务端 bug 及修复 — mamolengo · 2026-09-23
- Stardock CEO:别当 agent 管理员,让一个 producer 自己招团队干活 — draginol · 2026-09-23
- Conductor 上线 GPT-6 Sol 与 Luna,编码 Agent 工具迎新模型 — charlieholtz · 2026-09-23