摘要：大模型时代，人人都想做智能体（Agent）。但真正动手搞过的人都知道，构建一个靠谱的 Agent，不只是把模型接上工具这么简单。你会一边加结构让它跑起来，一边又被这些结构拖住步伐。很多时候，看起来是“捷径”，其实是“陷阱”。
大模型时代，人人都想做智能体（Agent）。但真正动手搞过的人都知道，构建一个靠谱的 Agent，不只是把模型接上工具这么简单。你会一边加结构让它跑起来，一边又被这些结构拖住步伐。很多时候，看起来是“捷径”，其实是“陷阱”。
这不是个例，而是很多 AI 工程师都在经历的“集体苦涩”。而这背后，正是 Rich Sutton 所说的那个经典观点：人类设计的结构，终将被计算和数据碾压。
2023 年底，我在做一个面向科研场景的 Agent 项目。那时候，工具调用还不太稳定，大模型上下文也偏小。为了解决这两个痛点，我用了一个“编排器-工作器”方案。
简单说，就是一个 LLM 负责把任务拆成几个报告章节（编排器），再交给多个 LLM 并行去查资料、写内容（工作器）。最后把这些章节拼起来，就成了一份完整报告。
从效果上看，这套结构挺好用的：快、稳、模块化，适合部署。但现在回想，其实我一开始就给系统强加了不少“假设”：
报告一定可以拆成多个章节；
各个小模型之间不需要沟通；
工具调用靠不住，最好别用。
这些假设，在当时看是合理的，但也埋下了未来发展的隐患。
到了 2025 年，MCP（Multi-Call Planning）技术开始成熟，工具调用也越来越稳，甚至成为了 Agent 的标配。但我的系统因为“结构定死了”，没法快速跟上。
比如：
不能灵活规划流程，因为任务一定要拆章；
不能动态引入工具，因为我压根没设计这部分；
章节之间不能交流，内容经常割裂；
也就是说，新范式来了，我却被旧系统锁死了。
更尴尬的是，我当初加结构是为了“稳”，但现在这些结构成了“慢”和“不适配”的源头。新模型、新工具都用不上，Agent 越跑越像个流水线机器人。
意识到问题后，我开始重构系统。这一次，我尝试最小化结构，最大化模型的自由度。
不再强制分章节，而是让 Agent 根据任务自由组织结构；不再并行写作，而是先做信息收集，再统一生成；引入工具调用和共享上下文，让子 Agent 之间能交流、协作；最终，我用这个新系统跑了一个公开基准测试（Deep Research Bench），得分 43.5，进入前 10（而且没用 RL，也不是大厂项目）。这意味着什么？结构放松了，Agent 反而跑得更好。
这也印证了 Hyung Won Chung 的观点：“结构是暂时的，拆除才是最终目标。”
这个过程带给我几个教训，可能对你也有启发：
结构是必要的，但要随时准备拆掉它。刚开始我们需要结构来跑通系统，但一旦模型能力更强、工具更好，你就要敢于打破这些“稳定”。不要把现阶段的不足写死在架构里。
比如，工具调用不稳定时可以绕开用，但别把“永远不用工具”写进系统逻辑。未来一旦工具升级，你就没法跟上了。设计要“松耦合”，方便替换和演进。
我现在用 LangGraph 做 Agent 编排，但只用它最底层的构件（节点+边），这样可以随时重构，不被抽象层困住。AI 工程不是“搭积木”，是“养生态”。
你不是在拼一个死板系统，而是在构建一个能随着模型成长而进化的生态系统。
AI 工程的很多失败，并不是因为技术太差，而是因为我们太早“定型”了。
我们以为在加速，实际上是把系统钉死在了某个能力阶段。模型变了，工具变了，环境变了——而我们还在用旧地图找路。
所以，结构不是问题，僵化才是。
构建 Agent 的苦涩教训在于：你必须不断拆掉你曾经精心构建的一切。
而这，恰恰是最难的事情。
来源：亓钦