多智能体工作流失效的真相：不是模型不行，是错误在上下文里滚雪球

Katsumonggo · reddit · 2026-09-24

作者在大型项目中发现：单次 AI 调用质量都不错，但多步工作流里，下一步常误解上一步的输出，再下一步又把它当已验证事实继续，最终结果看似完美实则建立在坏的上下文上。

他给出的解法是改工作流而非改提示词：

• 每个任务保持小而边界清晰
• 只向下游传递有用的上下文
• 关键输出在使用前先做校验
• 缺失信息主动检索，而不是让模型脑补
• 只在必要时把难题升级到更强模型
• 失败时只重跑出错的那一步，而非整个流程

作者开源了实现该思路的仓库 Jev-Orchestrated-Decision-Mesh（当前用 OpenAI 模型，可换成 Claude）。他的结论：多智能体的问题往往不在于模型智力，而在于阻止小错误传播。

原文链接 →

「编程与Agent」频道最新

• Hugging Face Agent Traces 上新：每次运行自带 token 与成本回执 — victormustar · 2026-09-24
• 独立开发者晒 Opus 5.5 造游戏全流程:Tripo+Blender+水物理 — chongdashu · 2026-09-24
• 一句话生成整套 GTM：Octo 自托管 Agent 的真实用例演示 — SarahAnnabels · 2026-09-24
• 不是「hi」的聊天泡泡：把真实工作交给 Agent 会发生什么 — SarahAnnabels · 2026-09-24
• 连医生网站都在「Claude Max」批量生成，一眼可辨 — gaganghotra_ · 2026-09-24
• Google 开源 EnvHarness:让 agent 训练环境随其进化 — bendee983 · 2026-09-24

更多「编程与Agent」频道 AI 资讯 →