跳到主要内容
← 返回AI Agent Engineering|12 周从 Demo 到真实 Agent 系统

AI Agent Engineering · Week 00

00-02|什么时候根本不应该使用 Agent

用复杂度阶梯判断 Code、Rules、Workflow、LLM-assisted Workflow、Agent 与 Multi-Agent,避免用更昂贵的技术解决确定问题。

Agent Engineering · 技术选择 · 复杂度

一个看起来很适合 Agent 的需求

跨境客服主管提出:“客户申请退款时,让 AI 自动判断能不能退。”这句话听起来需要智能:客户表达各不相同,订单状态很多,政策还有地区差异。

继续追问后,你发现当前业务规则只有三条:订单必须属于登录客户;签收后 30 天内;商品不能属于不可退类目。三项事实都有稳定字段,结果只有“允许提交申请”或“拒绝并说明原因”。

这段核心判断用普通代码更合适。它可重复、可测试、可追责。LLM 可以在前面理解客户表达,也可以在后面把结果翻译成友好的回复,但没有必要决定退款资格。

工程选择的目标是:用足以解决问题的最低复杂度,得到可验证的业务结果。 每增加一层自由度,系统都会增加成本、延迟、失败路径和责任边界。

本课要建立的判断

  • 能沿着 Code → Rules → Workflow → LLM-assisted Workflow → Agent → Multi-Agent 选择最小可行方案。
  • 能识别“任务不确定”与“业务尚未说清”的差别。
  • 能说明哪些条件会直接阻止 Agent 上线。
  • 能把 Cross-border AI Support Agent 的任务拆到不同复杂度层级。

复杂度阶梯:能力增加,责任也增加

1
Code
输入与公式确定
运费、日期、金额、格式校验
2
Rules
条件清楚且可枚举
退款资格、权限与风险阈值
3
Workflow
步骤与分支预先知道
退款申请、审批、执行、通知
4
LLM-assisted Workflow
固定流程中有非结构化输入
先识别诉求,再进入确定流程
5
Agent
下一步依赖途中获得的信息
查询、追问或升级需动态选择
6
Multi-Agent
边界独立且拆分收益已被验证
少量专业上下文需要隔离
图 1|向上移动只发生在下一级无法满足任务时。复杂度是成本,不是荣誉。

Code 与 Rules:确定问题交给确定机制

Code 适合计算和验证。订单是否属于当前客户、承诺送达日与今天相差几天、退款金额是多少,都应该由可信数据和确定逻辑给出。

Rules 把业务政策表达成明确条件。规则可能很多,也可能经常更新,但只要输入字段和判断关系清楚,就能版本化、测试和审计。规则复杂不等于任务需要 Agent。

Workflow:路径可以有分支,但仍然预先设计

退款可以经历身份校验、资格计算、补充凭证、人工审批、支付执行和客户通知。分支很多,主路径仍然由业务规定。Workflow 保存“现在走到哪里”,也确保审批没有完成时执行节点无法运行。

LLM-assisted Workflow:把模型放在最擅长的位置

客户会说“the parcel is nowhere to be seen”“一直没收到”“quiero saber dónde está mi pedido”。LLM 适合把这些表达映射成有限意图,再由 Workflow 处理。此时模型提供理解能力,流程仍由代码掌握。

Agent:信息到达后才能选择下一步

一个客户同时说包裹未到、地址可能写错、还想退款。系统先查订单,看到尚未发货就不必查物流;发现订单号缺失时先追问;发现客户身份不匹配时立即停止。下一步依赖刚取得的事实,Agent 才产生价值。

Multi-Agent:只有证据支持拆分时再使用

多 Agent 会增加交接、上下文同步、调用次数和排错成本。单个 Agent 加清晰工具已经能完成的任务,不应为了角色感而拆成“订单 Agent、物流 Agent、退款 Agent”。只有上下文必须隔离、专业评估相互独立,且对比测试证明收益时,才进入这一层。

一张技术选择矩阵

低行动风险高行动风险任务确定
Code / Rules
计算运费、校验字段
Workflow + Approval
退款、改地址、补发
任务开放
LLM / 受控 Agent
理解诉求、选择查询
Agent 提建议 + 人决策
限制工具、权限和影响范围
图 2|任务越开放,越需要模型判断;动作风险越高,越需要确定流程、权限校验和人工闸门。

矩阵给出起点,最终方案还要看数据质量、错误成本和可验证性。开放任务如果没有可靠事实,Agent 只会更灵活地生成错误。高风险任务可以使用 Agent 收集材料、形成建议,但执行权应留在受控 Workflow 与审批节点。

五种情况,先不要使用 Agent

  1. 规则足够确定。 税费计算、订单归属校验和固定 SLA 判断用代码更稳定。
  2. 数据无法合法取得。 没有订单接口、客户授权或数据责任人时,Agent 没有事实基础。
  3. 错误无法被发现或恢复。 系统无法记录调用、撤销动作、转人工,就不应自动采取高影响行动。
  4. 业务目标无法验收。 “让客服更智能”没有成功标准,无法决定系统是否值得上线。
  5. 流程负责人缺席。 没有人确认政策、处理例外并承担最终责任,技术无法补上治理空缺。

Cross-border AI Support Agent 的责任分层

任务首选机制原因
校验订单是否属于当前客户Code身份和订单关系必须确定
根据地区与金额计算运费Rules / Code输入字段清晰,可精确测试
推进标准退款申请Workflow主步骤固定,需要保存状态
从多语言消息识别意图LLM-assisted Workflow输入开放,输出类别有限
根据查询结果决定追问或换工具Agent下一步依赖运行时事实
退款付款Workflow + Human Approval高影响动作必须受权与留痕

这一课给系统带来的变化是:项目拥有了技术选择边界。 V0.1 尚未开始编码,但我们已经避免把每项客服任务都塞进 Agent。

错误架构 Before / After

Before|一个万能 Agent

客户消息 → Agent → 读取全部后台 → 自己解释政策 → 自己决定退款 → 自己执行

事实、判断、权限和执行混在一起;任何一步出错都很难定位。
After|按责任选择机制

身份校验 → LLM 意图识别 → 受控查询 → Rules 判断 → Workflow 等待审批 → 执行

每个节点有明确输入、输出、责任主体和失败出口。
图 3|系统能力并未减少;自由度被放在需要判断的位置,高风险动作被放回确定流程。

Failure Lab

“先做成 Agent,以后扩展方便”

为什么诱人: 未来需求看起来很多,先上最灵活的方案似乎能减少返工。

为什么失败: 当前没有测试集和边界,灵活性会先变成不可预测;每次故障都难判断来自模型、工具还是流程。

更好的设计: 先实现最小确定路径,记录哪些输入确实无法靠规则处理。只有真实失败证据指向动态选择时,再加入 Agent。

“流程很长,所以需要 Agent”

为什么诱人: 长流程看上去复杂。

为什么失败: 长度与不确定性是两回事。固定的 20 步流程仍可由 Workflow 稳定执行。

更好的设计: 标记每一步的下一步是否能由已知状态确定。只有无法预先枚举的选择点才交给 Agent。

“模型准确率高,可以直接退款”

为什么诱人: 分类测试达到 95%,团队容易把准确率等同于授权。

为什么失败: 剩余 5% 可能集中在高金额、越权或欺诈场景;模型正确也没有资金操作权限。

更好的设计: 分类结果只进入流程。资格由规则计算,权限由服务端校验,敏感动作等待审批。

实践:给客服任务做最小复杂度分配

选择 8 个真实或教学客服任务,例如查物流、改地址、计算运费、解释政策、申请退款、取消订单、创建工单、识别投诉意图。

为每项任务写下:输入事实、结果是否可枚举、下一步是否固定、错误影响、失败后由谁处理。最后只选择一个复杂度层级作为主机制,并解释为什么下一级不够、上一级多余。

Acceptance Criteria

  • ☐ 至少列出 8 个任务。
  • ☐ 至少 2 个任务选择 Code 或 Rules。
  • ☐ 至少 1 个任务选择 Workflow。
  • ☐ 至少 1 个任务选择 LLM-assisted Workflow。
  • ☐ 只有在“下一步依赖运行时事实”时才选择 Agent。
  • ☐ 每个高风险动作都有权限校验与人工或确定流程闸门。
  • ☐ 明确写出一个当前不应使用 Agent 的任务及理由。
  • ☐ 没有用“更智能”“更高级”作为技术选择依据。

合上正文,试着回答

  1. 一个有 30 个条件分支的退款流程,为什么仍可能不需要 Agent?
  2. LLM-assisted Workflow 与 Agent 的关键差异是什么?
  3. 数据拿不到时,加入更强模型能解决什么、不能解决什么?
  4. 什么时候 Multi-Agent 的拆分收益才算被证明?
  5. 高风险且开放的任务,应怎样分配建议权和执行权?

下一课会把这套边界交给开发流程:你负责业务要求、架构和验收,Codex 负责检查仓库、实现、测试和调试。关键能力是把一句模糊愿望变成可执行、可检查的工程任务。

延伸阅读 / Sources

核查日期:2026-10-17。正文判断与案例为本课程教学设计。

长期有效的原理: 最小复杂度、权限分离、失败可恢复、结果可验收。当前实现方式: Agent SDK、模型能力和工具调用接口会变化,选型时应复核实际版本。