Hacker News 中文摘要

RSS订阅

不造AI代理，还能造什么 -- What to build instead of AI agents

原文链接 | HN讨论 | 2025-07-03 20:47:20

文章摘要

文章核心内容：Hugo建议停止构建复杂的AI代理系统，因为这些系统往往难以调试且容易崩溃。相反，他提倡使用更智能的LLM工作流程，简化开发过程，减少不必要的复杂性。他通过教学和咨询经验发现，许多团队在构建LLM系统时过度依赖代理，导致系统脆弱且难以维护。

文章总结

文章《停止构建AI代理：使用更智能的LLM工作流》由Hugo撰写，主要讨论了在构建基于大语言模型（LLM）的系统时，AI代理（Agents）的过度使用及其带来的问题。Hugo通过自身经验和实际案例，提出了更简单、更有效的工作流模式，并建议开发者在大多数情况下避免直接使用复杂的AI代理。

主要内容总结：

  1. AI代理的常见问题：

    • 许多团队在构建LLM系统时，首先想到的是使用AI代理，但这种方式往往导致系统复杂、难以调试和失败。
    • Hugo通过自己构建的“研究团队”案例，展示了AI代理在实际应用中的失败：代理忘记任务、选择错误的工具、协调失败等。

  2. AI代理的四大特征：

    • 记忆：让LLM记住过去的交互。
    • 信息检索：通过RAG（检索增强生成）提供上下文。
    • 工具使用：让LLM访问函数和API。
    • 工作流控制：LLM的输出控制工具的使用和流程。
    • Hugo指出，大多数情况下，简单的模式（如链式或路由）比复杂的代理更有效。

  3. 五种LLM工作流模式：

    • 链式模式：任务按顺序执行，适用于简单的流程。
    • 并行模式：独立任务并行执行，适用于数据提取等场景。
    • 路由模式：根据输入类型选择不同的处理流程。
    • 协调者-工作者模式：协调者控制流程，工作者执行具体任务。
    • 评估循环模式：通过循环优化输出质量，直到达到标准。

  4. 何时使用AI代理：

    • AI代理在需要人类监督的不稳定工作流中表现最佳，例如创意生成、数据分析等场景。
    • 对于稳定的企业系统，应避免使用AI代理，转而使用更可控的协调者模式。

  5. AI代理的失败教训：

    • 代理假设了不存在的上下文，导致任务失败。
    • 代理未能正确选择工具，导致效率低下。
    • 代理在处理复杂任务时协调失败。
    • Hugo建议在构建代理时，应像构建完整软件系统一样，确保可观测性和明确控制。

  6. 总结与建议：

    • AI代理被过度炒作和过度使用，大多数情况下，简单的模式和直接的API调用更为有效。
    • 在需要人类监督的场景中，AI代理可以发挥其优势，但对于稳定的企业系统，应避免使用代理，以减少复杂性和风险。

图片说明：

  • Image 1：展示了在调试过程中发现AI代理的失败模式。
  • Image 2：展示了AI代理在人类监督下的应用场景。
  • Image 3：展示了何时使用LLM、增强LLM或AI代理的决策表。

结论：

文章建议开发者在构建LLM系统时，优先考虑简单的工作流模式，而不是直接使用复杂的AI代理。AI代理在特定场景下有其优势，但在大多数情况下，简单的模式和明确的工作流控制更为有效和可靠。

评论总结

评论总结

1. AI代理的未来与模型进步

  • 观点：AI代理的构建是对AI进步的一种赌注，未来更好的模型将解决当前问题。
  • 论据：ldjkfkdsjnv认为构建大型启发式引擎来串联LLM调用是对AI进步的赌注，而主流玩家不会采取这种策略。
    • 引用："Building some big heuristic engine that strings together LLM calls is essentially a bet against progress in ai."
  • 反驳：ilaksh认为随着SOTA LLM（如Gemini 2.5 Pro和Claude 4）的发展，代理将成为主流，尤其是在浏览器和计算机使用场景中。
    • 引用："The next thing that will happen over the following year or two is going to be a massive trend of browser and computer use agents being deployed."

2. AI代理的实用性与复杂性

  • 观点：AI代理在某些场景下过于复杂，传统编程或简单工作流可能更有效。
  • 论据：dmezzetti指出，许多问题仍然可以通过传统编程解决，而不必依赖LLM。
    • 引用："Plain old coding still solves a lot of problems."
  • 论据：rm999认为，如果问题有明确的解决方案，代理只会增加不必要的复杂性。
    • 引用："You don't need an agent if you have a well-defined solution that can be implemented in advance."

3. AI代理的局限性与改进方向

  • 观点：AI代理在上下文管理和任务过滤方面存在严重问题，需要改进。
  • 论据：mccoyb提到，代理缺乏有效的上下文过滤机制，需要手动引导和角色设定。
    • 引用："Agents don't have very effective filters on what is relevant to supercharge them on tasks."
  • 论据：abelanger强调，代理的稳定性依赖于每个组件的成功率，需要接近100%的成功率或纠错机制。
    • 引用："You need a success rate for each individual component to be near 100% or build in a mechanism for corrective action."

4. AI代理在企业自动化中的应用

  • 观点：AI代理在企业自动化中具有巨大潜力，尤其是在处理复杂和多样化任务时。
  • 论据：lmeyerov认为，AI代理可以处理比传统Python脚本更广泛和深入的任务，尤其是在安全事件响应等领域。
    • 引用："You can easily sketch out 1 investigation template in natural language that literally goes 10X wider + 10X deeper than the equiv of Python code."
  • 反驳：aryehof认为，确定性业务流程不适合LLM编排，作者在文章中表达了这一发现。
    • 引用："Deterministic business processes are not suited to LLM orchestration."

5. AI代理的推广与质疑

  • 观点：AI代理的推广可能被夸大，实际应用场景有限。
  • 论据：mindwok表示，目前对AI代理的广泛采用持怀疑态度，更喜欢保持对AI的紧密控制。
    • 引用："Giving the AI more agency isn't necessarily desirable, because I want to provide that taste."
  • 论据：joeblubaugh质疑许多AI代理的应用场景只是“发送更好的垃圾邮件”。
    • 引用："Why do so many examples break down to 'send better spam faster'?"

6. AI代理的工具与工作流集成

  • 观点：AI代理与传统工作流工具的集成是未来的趋势。
  • 论据：jlaneve提到，将LLM集成到传统工作流编排工具中（如Airflow）可以简化复杂性并提高价值。
    • 引用："Taking traditional workflow orchestration tools and instrumenting LLMs as part of it."
  • 论据：intellectronica支持通过编排特定工作流来提高生产力，而不是依赖通用代理。
    • 引用："Orchestrating specific workflows and processes and using AI to do things only AI can do, is the right approach."

总结

评论中对AI代理的未来、实用性、局限性和应用场景展开了广泛讨论。支持者认为随着模型进步，代理将成为主流，尤其是在企业自动化中；反对者则认为代理过于复杂，传统编程或简单工作流更为有效。此外，代理在上下文管理和任务过滤方面的局限性也被多次提及。