做了几个 Agent 项目之后，发现有几个错误几乎每个团队都会犯一遍。
反模式 1：把 Agent 当万能胶水
最常见的想法：“给 Agent 足够多的工具，它就能自动搞定一切”。结果往往是 Agent 在无关工具之间反复横跳，几步能完成的事情走了十几步，token 成本直接爆掉。
正确的做法：把 Agent 的核心链路控制在 3-5 个工具以内。如果需要更多，考虑拆成多个子 Agent，各自负责一个子域。
反模式 2：没有退出条件
让 Agent “一直执行直到你觉得做完了”是一个噩梦。必须给 Agent 明确的成功/失败判断条件：
- 成功：任务状态变更为 done 且关键字段非空
- 失败：重试 3 次仍无法完成，或 token 消耗超过阈值
没有硬约束的 Agent 会在边缘 case 上无限循环。
反模式 3：忽视了成本
一个复杂的 Agent 任务轻松吃掉 50K token。按 GPT-4 价格算，单次任务 ¥3-5 看起来不多，但每天跑 200 次就是 ¥600-1000，一个月两三万。
控制策略：
- 简单任务用便宜的模型（GPT-4o mini / Claude Haiku）
- 敏感步骤才切到大模型
- 严格限制 context 长度，历史消息做压缩
- 加 token 预算告警
反模式 4：对 LLM 的规划能力过于乐观
让 Agent 自己规划步骤（“plan-then-execute”模式）在复杂任务上成功率不超过 60%。更好的方式是 半结构化 plan：人类定义好步骤框架和关键决策点，Agent 在框架内做填充和执行。
总结一句话：Agent 的能力边界取决于你的系统设计，而不是模型本身。