智能体生态观察 · 第 39 篇｜边界重构：什么时候不需要 Agent（反模式清单）

反模式为什么值得先讲

智能体领域不缺最佳实践清单，缺的是「什么时候别用」的判断。原因很实际：最佳实践教人怎么把事做对，反模式教人怎么不做错的事——后者省下的往往是整个项目的沉没成本。前文散篇讨论过工作流引擎与人机交互设计，本篇把散落在那些讨论里的反面信号收拢成一份明确的清单：哪些场景不该上 Agent，哪些改造方式注定失败，哪些产品姿态会把好技术做成坏生意。

先给一个总纲：Agent 的本质是用不确定性换取灵活性。凡是灵活性不值钱、不确定性致命的场景，Agent 都是错误的工具。这句话是整份清单的推导起点——后面四类场景、一个陷阱、一个架构原则，全部可以从这一句话推出来。反模式清单看起来消极，实际上是这个领域里杠杆率最高的知识：避开一个错误项目的收益，常常大于做成一个正确项目的收益，因为错误项目的成本是全款的，正确项目的收益是打折的。

四类不该用 Agent 的场景

场景一：确定性流程——规则已知就别绕道模型

如果一个流程的每一步都能写成明确的规则——对账、报表生成、定时备份、固定格式的合规申报——那它应该用传统自动化实现：定时任务、流程编排、脚本。让模型介入确定性流程，等于给已解决的问题引入新的失败模式：模型会在百分之九十九的情况下做对，然后在没人盯的一个百分点里悄悄做错；而传统代码做对的话是一直做对，做错的话也会一直错在同一个地方——错误模式的可预测性，本身就是一种安全。

常见的错误动机有两种。一种是「用 Agent 改造显得技术先进」，把汇报材料的美学需求当成了架构需求。另一种是「规则太复杂，写代码麻烦，让模型试试」——规则复杂到写代码麻烦，正确答案通常是重新梳理流程本身，而不是把梳理的义务外包给一个概率系统；流程的混乱不会因为模型聪明就消失，只会从代码里挪到提示词里，变成更难调试的混乱。前文第 8 篇讨论过工作流形态的自动化，这里补一句判据：能画出确定流程图的，用流程图执行；只有描述不清、分支爆炸、需要理解语义的，才轮到 Agent。

现实里还有一类「半确定性流程」需要单独处理：主流程确定，但入口与出口沾着语义——比如工单系统，分类与路由是规则，但用户的描述五花八门。正确的做法是混合架构：语义环节交给模型（理解用户在说什么），规则环节交给代码（按分类走既定流程），两段之间用结构化数据衔接。很多「要不要 Agent 化」的争论，争的其实是边界画在哪一段；把流程切成语义段与规则段分别处理，争论自然消解。

场景二：低容错与不可逆操作——错误代价无限大的环节

Agent 的错误率不可能降到零，这是概率系统的本性。因此错误代价接近无限的环节不该交给 Agent 自主执行：资金转账的最终执行、生产数据库的删除与迁移、法律文件的对外签署、医疗处置的直接执行。这些环节可以有 Agent 参与——准备、起草、交叉核对、发现异常——但最终扣扳机的必须是确定性代码加人工确认。

一个实用的分层框架：可逆的、有沙箱的操作可以自动化到底；不可逆的操作自动化到「临门一脚」，由人确认；错误的修复成本低于人工审核成本的，才值得全自动。判断标准不是 Agent 的准确率有多高，而是「错一次的代价乘以发生概率」是否超过「每次人工审核的成本」。这个期望值算清楚，多数灰色地带会自动变得清晰——剩下的争议只剩数据拿不到时的风险偏好问题，那是治理决策，不是技术决策。

场景三：高延迟敏感——实时性压倒一切的地方

Agent 的推理延迟以秒计，多轮任务以分钟计，这与毫秒级响应要求的场景天然冲突：高频交易、实时风控拦截、工业产线的实时控制、游戏的即时反馈。在这些场景里，Agent 可以做离线的部分——策略复盘、异常事后分析、规则挖掘、参数推荐——但在线决策环路里塞进大模型，等于主动放弃实时性竞争。

常见的踩坑是把「实时」误判为「准实时」：客服场景里用户能接受几秒延迟，于是团队以为一切对话场景都能接受，直到把 Agent 塞进支付确认流程，用户在几秒的等待里流失；或者把 Agent 塞进车机与工控界面，延迟的每一百毫秒都在吃掉安全余量。延迟容忍度要按环节实测，不能按场景类比。同一个产品里，A 环节能等三秒不代表 B 环节能等三百毫秒，环路的位置比产品的类型更决定延迟预算。

场景四：成本倒挂——解决问题比问题本身贵

最后一类是经济性硬伤：任务本身价值很低，Agent 化的成本高于收益。判断一个价值几毛钱的分类任务，用旗舰模型跑十步工具链，单次成本几块钱；批量处理十万条，成本倒挂百倍。这类倒挂常藏在「顺手 Agent 化」的改造里——团队不为新场景设计，而是把所有存量功能贴上 Agent 标签，把原本一毫秒的正则匹配升级成一次模型调用。

成本倒挂的解法不是放弃智能，而是降档：小模型、单轮调用、结构化输出，或者干脆保留传统实现。Agent 是工具箱里最贵的工具，用锤子能干的活，别动用起重机。判断时可以问一句反话：这个任务如果让一个远程实习生用最普通的方式干，人工成本是多少？模型方案的成本高于实习生方案，而质量提升又不需要模型级别的智能，倒挂成立。

经济性还有一层动态视角：成本结构会变，判断要留复查点。模型价格在降，但任务复杂度（调用轮数、上下文长度）在涨，两个变量相向而行，今天的倒挂任务未必永远倒挂。健康的做法是给「暂用传统方案」的清单标注复查周期——每半年重估一次，把因降价而翻盘的任务捞回来。反模式清单不是终身判决，是带复查日期的缓刑。

Agent 化改造的沉没成本陷阱

比「不该用而用」更隐蔽的陷阱是「用了之后退不出」。Agent 化改造一旦启动，会生成一批难以回收的投入：为模型行为调教的提示词体系、围绕模型输出设计的数据管道、按 Agent 语义重构的业务接口、团队里形成的新技能栈。这些投入本身是合理的，但它们会反过来绑架决策——当评测数据显示 Agent 方案不如老方案时，团队倾向于「再调调提示词」而不是退回工作流，因为退回意味着承认之前的投入作废。

识别这个陷阱的信号有三个：评测指标持续不达标，但迭代重点放在「调教」而不是「换架构」；人工兜底的占比居高不下且没有下降趋势；成本模型已经证明不经济，但项目仍以「战略投入」的名义续命。三个信号凑齐两个，这个项目大概率已经从产品变成了组织的心理账户。

对策是在立项时写下明确的退出条件：什么指标、到什么时间、不达标就降级为辅助工具或回退工作流。退出条件要写在所有人都乐观的时候，不是在数据难看的时候——乐观时写下的条款还能被理性讨论，难看时写下的条款只会被立场辩护。退出机制不是对 Agent 的不信任，恰恰是对 Agent 合理用法的保护：知道什么时候撤，才敢在合适的地方全押。

组织层面还有一个更隐蔽的绑定：团队身份。当「做智能体化」从项目变成部门的定位宣言，撤退就不只是技术决策，而成了存在性威胁——这也是为什么外部评审在这类项目里如此重要：让没有历史包袱的人看数据。一个可操作的机制是强制引入独立评审：由未参与项目的同事基于评测数据给出继续或终止的建议，建议与决策记录留档。身份归身份，数据归数据，分离得越早，转型的总成本越低。

工作流优先、Agent 兜底的架构判断

把前面的判断收拢成一个架构原则：工作流优先，Agent 兜底。

具体形态是：主干业务走确定性编排——每个步骤有明确输入输出，失败有重试与人工升级路径；Agent 只出现在两类位置。一类是语义入口：把用户的自然语言请求翻译成对工作流的调用，翻译错了可以澄清，成本低、可恢复。另一类是异常分支：规则覆盖不了的个案，由 Agent 给出建议，人工裁决后把裁决结果沉淀为新的规则——时间越长，规则库越厚，Agent 的介入频率越低，系统越稳。

这个架构的美感在于：智能用在刀刃上，确定性承担确定性，两条腿各干各的，系统的可解释性与成本结构都健康。反过来的架构——Agent 优先、规则兜底——是多数失败项目的通病：让概率系统承担主干，再试图用规则修补它的错误。修补成本无限增长，因为概率系统的错误空间是开放的；规则能补的漏洞，永远赶不上模型能制造的新花样。判断一个团队架构是否健康，看它的调用拓扑就能猜个大概：模型调用在边缘还是在中枢，是健康度最单一有效的指标。

把 Agent 当卖点而非工具的风险

最后是产品层面的反模式：把 Agent 当成营销概念而不是实现手段。症状包括：官网每个功能都标着「智能」，用户说不清它比三年前的版本聪明在哪；发布会演示的是理想路径的完美执行，真实用户遇到的是第一次就卡住的边界情况；定价跟着「AI 溢价」走，价值没有跟着涨。

这类产品的风险是复合的。用户为「智能」付了溢价，用的却是不稳定的体验，口碑反噬尤其猛烈——期望被拉得越高，失望的杠杆越大。行业里已有产品被揭出「智能客服」实际是人工客服加话术模板的案例，公众对「伪智能」的敏感度在上升；一旦被贴上「名为 AI、实为人工」的标签，信任损失远超功能本身的问题。资本市场同样在修正：单纯靠概念包装的产品故事越来越难讲，估值正在向留存与毛利回归。

健康的姿态是把 Agent 当工具：产品叙事讲用户任务完成度的提升，Agent 在技术栈里的位置由工程必要性决定，而不是由融资叙事决定。判断一个团队是不是真信这个原则，看他们的产品文档里写不写失败率与适用边界——敢写边界的团队，才是把技术当工具的团队；只写成功案例的团队，要么没测过边界，要么不敢让人知道边界在哪。

小结

反模式清单的价值在于止损。确定性流程用规则执行，别让概率系统稀释可靠性；不可逆操作自动化到临门一脚，期望值算清再决定授权边界；延迟敏感的在线环路把 Agent 挡在外面，离线分析才是它的位置；成本倒挂的存量功能降档处理，别让最贵的工具干最便宜的活。

沉没成本是转型项目最隐蔽的敌人，退出条件要在乐观时写进立项文档。架构上的健康形态是工作流优先、Agent 兜底——智能放在语义入口与异常分支，确定性承担主干，模型调用在边缘还是在中枢是健康度最有效的单一指标。产品上的健康姿态是把 Agent 当工具，敢在文档里写失败率与边界。

一句收束：Agent 是灵活性换不确定性的交易。这笔交易在流程模糊、语义复杂、容错有余的场景里是净赚的；在规则清晰、错误致命、实时苛刻、成本敏感的地方是净亏的。清单在手，签约之前先算这笔账——能不动用 Agent 就解决问题的团队，才是真正会用 Agent 的团队。