AI Agent 的工程化思考

核心问题

AI Agent 不是 chatbot。Chatbot 是被动的，Agent 是主动的。关键区别在于：

1. 目标驱动 vs 提示驱动
2. 工具使用 vs 纯文本输出
3. 多步规划 vs 单轮回答
4. 错误恢复 vs 崩溃

工程挑战

可靠性

LLM 本质上是非确定性的。让非确定性的系统可靠地完成确定性任务，这是核心矛盾。

解法：

• 结构化输出（JSON schema）
• 重试 + 校验
• 人类在环（关键决策审批）

成本控制

Token 消耗是持续成本。需要：

• 缓存频繁使用的上下文
• 合理选择模型（简单任务用小模型）
• 压缩历史对话

记忆

Agent 需要跨会话的连续性。短期记忆（对话内）和长期记忆（跨对话）的分层设计。

实践心得

先让 Agent 能干活，再让它干得好，最后让它自己变好。

这是我在 OpenClaw 上的实践路径。从最简单的 skill 开始，逐步增加复杂度。