基础篇
进阶篇
高频篇
精选篇
手写篇
面经篇
AI 篇
原理篇
每日一题
小程序题库
  • 知识卡片碎片时间过考点
  • 场景篇按分类整理的大前端场景考点
  • 历年面经按年份追踪真实考点
  • 算法题库NEW在线编码即时判题
  • 专项自测100 题快速查漏
  • 前端基础
    • HTTP从报文一路讲到 HTTPS
    • 浏览器渲染、事件循环、进程
    • 计算机基础Linux、网络、操作系统
  • 进阶专项
    • 设计模式23 种模式怎么用
    • 前端系统进阶学习大型项目工程化
    • 前端综合文章长期沉淀的实践文
  • 工程与工具
    • Node学习指南从环境搭建到服务端
    • NPM工作流script、依赖与发布
    • Docker容器化部署上手
    • Canvas图形与动画实战
  • 路线与导图
    • 思维导图知识点全景图
    • 学习路线按图索骥不跑偏
  • 动态
    • 公众号动态公众号历史文章
    • 博客动态站长的技术博客
    • 开发者导航常用工具与文档站
    • AI 热点每日 AI 资讯与动向
AI 工作台
旧版
AIHT
内容
精选全部 AI 动态热点榜AI 日报收藏
分类
模型行业编程产品技术观点开源
更多
Agent 接入
返回首页开发者导航
AIHT
精选 / 资讯详情
8.0
热点
AI SCORE
技术实践2026-11-20 15:00

任务流程何时需要智能体

dev.to · AI#智能体架构#工作流设计#成本控制
Editor brief · 编辑速览

文章用固定步骤的流水线和由模型逐轮决策的智能体作对照,建议先判断中间结果是否会改变后续步骤。动态决策带来灵活性,也会增加延迟、成本和运行结果的不确定性。

文章思维导图
Knowledge map
拖拽缩放
AI deep read

AI 深度解读

先写固定工作流,等你能说清模型需要做哪个决定,再考虑加 Agent。作者曾把一个只有 for 循环、提示词和工具调用的程序叫作 Agent。程序跑成功了,但它的执行路径基本固定,只有一个条件分支。这让作者重新审视了一个问题:每次运行都让模型决定下一步,换来的灵活性值不值额外的耗时、成本和排查难度?

区分 Chain 和 Agent,要看谁决定下一步

Chain(固定工作流)把步骤写在代码里,比如解析输入、检索资料、生成摘要。检索结果会改变摘要的内容,但只要检索之后始终是摘要,执行路径就是固定的。即便加了条件分支,只要分支规则事先写得出来,也可以由代码负责调度。

Agent 则在循环的每一轮让模型根据当前结果决定接下来做什么。作者建议先问,第 3 步的结果会不会改变第 4 步的动作?再把模型实际要做的决定一项项写下来。如果只有「从两个工具里挑一个」和「决定何时停止」,而选择条件与结束条件都能明确表达,用 switch 和显式退出条件就能把行为写清楚。

模型选错一步,多久能发现?

固定流程的某一步出了错,可以沿日志定位,对对应函数补单元测试。Agent 选错后还可能继续调用工具,后续决策又建立在前面的结果上。作者用「偏离任务后又跑了 6 轮」来说明 token 怎么被耗掉,也举了同一个用例连续失败两次、后来又通过的例子。这些数字是说明问题的例子,原文没有给出实测记录。

这也是作者追问怎么测试、有没有人盯着运行的原因。单元测试可以验证工具函数,但还得用评估用例(evals)看整个任务有没有完成,用运行轨迹(traces)查模型在哪一轮做错了决定。演示时有人能及时叫停,放到无人值守的流程里,团队就得自己定义何时停止,以及失败后怎么处理。

开放式任务可以只在一个步骤里用 Agent

作者举的例子是「探索这个代码库,找出鉴权缺陷」。先看哪个模块、发现线索后再追哪段调用,往往要等当前结果出来才能决定。这里的自主性有具体用途,模型可以根据新线索调整调查路径。

作者给出的折中做法是,保留外层固定流程,只让其中一个阶段自主探索,再把结果交给后续固定步骤验证。这样就能把验证边界写清楚,比如要求探索阶段返回相关文件、代码位置和判断依据,后续步骤再检查这些证据能否支撑结论。

我的判断

先列出模型必须做的决定,比先选 Agent 框架更有用。switch 的优势有个前提:路由条件能从已有数据里明确判断。遇到自然语言分类这类边界模糊的输入,也可以只让模型做一次分类,再由固定流程根据分类结果路由。这个做法仍需要评估分类质量,但错误影响的范围更容易界定。

原文最有说服力的是作者对自己程序的拆解,能看出循环、提示词和工具调用本身不足以说明任务需要自主决策。至于 GitHub 上「大多数」Agent 都该改成 Chain,作者没有给样本统计,也没有给同一任务的延迟、费用或成功率对照。把它当作设计评审里的经验之谈更合适。「开放式任务只能靠 Agent」也说得太满,原文没有比较人工主导、模型辅助的探索方式。

能拿来做什么

  • 写 Node 文档处理流程时,先把解析、检索、摘要拆成可独立测试的步骤。只有后续动作确实需要依据检索结果改变时,再决定由规则还是模型来选。
  • 给 AI 编程工具接入两个工具前,写清各自的调用条件和退出条件。能从输入或已有状态直接判断的,就在代码里显式处理。
  • 让编程助手调查陌生代码库时,可以只把探索阶段交给模型,设定最大迭代次数,并要求它返回文件位置和判断依据,再用固定步骤核对。
Original source

本文由 AI 通读原文后重新编写,观点部分为站内判断,细节以原文为准,来源 dev.to · AI,原文版权归原作者所有。

阅读原文
上一篇
OpenAI用智能体排查性能回归并验证修复
下一篇
排查 Claude Code 自动模式的两类故障

资讯速览

dev.to · AI · 2026-11-20 15:00

AI 评分 8.0 / 10

相关标签

#智能体架构#工作流设计#成本控制

继续阅读

  • Depth Pro 2兼顾视频深度边缘与帧间稳定
  • OpenAI用智能体排查性能回归并验证修复
  • 排查 Claude Code 自动模式的两类故障
  • 双层模型路由在哪些环节失去成本优势
  • Qwen 小模型权重微调能缓解推理循环吗