北京
一份50道題的回家作業，只答對3道。這成績放誰身上都得慌，但作者不僅沒黃，還拿到了這份工作。
當時他沒搭過完整的智能體系統，只玩過些大語言模型流水線和輕量AI工具。完全自主的架構對他來說是全新領域。這次翻車反而讓他摸清了門道——不只是關于AI智能體，更是怎么對付陌生的工程問題。
面試時他亮出成績單，現在的CTO注意到他全程用便宜的小模型（反復測試賬單已經爆表了），于是拿前沿的Opus模型跑了一遍他的智能體。結果更尷尬：只拿了2分。
問題根本不在模型。他的架構其實挺漂亮：插件化工具、統一接口、半自主流水線，結構約束做得整整齊齊。策略是先收緊——給智能體特定工具解決一部分題目，再圍繞這些抽象慢慢擴展，直到全覆蓋。
代碼看著扎實，實戰卻解不了題。
面試官告訴他，如果當初直接搭個智能體循環，配上Python沙盒讓代碼跑起來（當然不是完全無限制），這套東西能拿80%的分。不需要提示工程，不需要特殊工具，不需要高級抽象。就一個大模型、一個while循環、一個Python環境。
這倒不是說生產環境就該放智能體隨便跑代碼。核心教訓是：他在搞清楚狀況之前就動手蓋樓了。他以為自己知道該用什么抽象、該造什么工具、該怎么約束智能體。實際上他對考題的領域幾乎一無所知。
回頭看，正確的姿勢是從簡單開始。
先搭個能跑Python的智能體循環，拿到一個能用的基線。工具、約束、抽象這些東西，存在的意義只是提升可靠性、壓成本、降延遲。
更重要的是，這次經歷讓他真正理解了智能體是什么。傳統軟件里，要解決五花八門的問題，你得把復雜度顯式寫進系統。智能體把這個邏輯顛倒了——復雜度藏在模型本身。
他提煉出兩條心得。
第一條偏實操。行業趨勢是給智能體更多自主權，但有點諷刺的是，編程智能體自己好像還沒跟上這節奏。Claude總把他往低自主度、更"流水線化"的設計推。如果給智能體安全跑Python的能力，Python本身就是工具，而且靈活強大。隨著Pydantic Monty這類框架出現，這事越來越簡單。
第二條關于工程方法論。從簡單開始。別在搞清楚問題之前就預設抽象。
特別聲明：以上內容(如有圖片或視頻亦包括在內)為自媒體平臺“網易號”用戶上傳并發布，本平臺僅提供信息存儲服務。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
