构建 Agent 依然困难重重

作者 Armin Ronacher 分享了他在构建 AI Agent 过程中的新经验和教训，坦言这一领域依旧充满挑战。

核心观点：
SDK 选择：高级抽象 SDK (如 Vercel AI SDK) 在复杂场景下可能带来麻烦。直接使用原生 SDK (如 OpenAI、Anthropic) 能更好地控制模型间的差异。

缓存策略：手动管理缓存（如 Anthropic 的方式）虽然看起来麻烦，但能让成本和效果更可控，因此更受青睐。

循环中的强化：在 Agent 的每次工具调用后，通过“强化”注入额外信息（如任务目标、状态更新、失败提示）至关重要。

失败隔离：将可能失败的任务放在子 Agent 中运行，可以避免主循环被大量失败信息干扰，保持上下文的整洁。

共享状态：建立一个类似文件系统的共享层，让不同工具和子 Agent 能方便地交换数据，是避免工作流程出现“死胡同”的关键。

输出工具的挑战：让 Agent 在最后稳定调用一个特定的“输出工具”（比如发邮件）并控制其语气，比想象中更难。

模型选择与成本：模型选择需因地制宜。Anthropic 的模型在工具调用上表现优异，而 Gemini 擅长处理长文档。高效的 Agent 能减少 Token 消耗，因此模型单价低不代表总成本低。

测试与评估：这仍然是构建 Agent 中最难、最令人头疼的问题，目前尚无完美的解决方案。

原文链接

Armin Ronacher's Thoughts and Writings

Agent Design Is Still Hard

My Agent abstractions keep breaking somewhere I don’t expect.