为什么大多数 AI Agent 都过度设计了
AI Agent 无处不在。
你会看到 Agent 集群、自主团队和规划 Agent。每周都有新的框架出现。在研究了 AI 工作流后，我得出了一个结论。
大多数 AI Agent 都过度设计了。
Agent 并非毫无用处。开发者经常试图用 Agent 来解决那些简单的 Workflow 就能搞定的问题。
行业热衷于复杂化
想象一下，你想构建一个能够读取 PDF 并回答问题的系统。
一些开发者会构建庞大的架构。他们使用六个 Agent、复杂的状态管理和记忆同步。这会带来很多麻烦。
你通常可以用一个简单的序列来解决同样的问题： • PDF • Chunk • Embed • Vector DB • LLM • Response
一个 Workflow 就足够了。你不需要一支 Agent 大军。
Workflow 能解决大多数问题
大多数 AI 应用是确定性的。它们遵循一套既定的序列。
示例包括： • 文档问答 (Document Q&A) • 客户支持 (Customer support) • 会议摘要 (Meeting summaries) • 博客生成 (Blog generation) • 代码审查 (Code review)
这些是 Workflow，而不是自主系统。Workflow 更容易调试、扩展和维护。复杂性应当是实至名归的。
Agent 会引入隐藏成本
每一个额外的 Agent 都会增加： • 更高的 Token 成本 • 更高的延迟 • 更多的幻觉风险 • 更难调试 • 复杂的架构
一个简单的应用会迅速变成一个庞大的工程项目。
Agent 真正大显身手的地方
我并不是反对 Agent。在以下情况下，Agent 表现出色： • 任务耗时较长，例如研究多个网站。 • 需要基于逻辑做出决策。 • 必须进行多工具协作，例如 Email、GitHub 和 Slack。 • 人类干预是闭环的一部分。
我的准则
开发者往往会立即投入到 CrewAI 或 LangGraph 等框架中。在那样做之前，请问自己一个问题：一个 Workflow 能解决这个问题吗？
如果答案是肯定的，那就从那里开始。只有在复杂性要求时才使用 Agent。不要因为炒作而使用它们。
我遵循以下原则：
- Workflow 优先。
- Agent 其次。
- Multi-agent 最后。
复杂性并不代表创新。复杂性意味着成本。用户并不关心你使用了多少个 Agent，他们只关心你的工具是否好用。
简单才是最好的特性。
Source: https://dev.to/jaideepparashar/why-i-think-most-ai-agents-are-overengineered-249o
Optional learning community: https://t.me/GyaanSetuAi