Agent的代价
- ⏱️ 延迟高：每个工具调用都要等待，多轮循环下来可能需要几十秒
- 💰 token消耗大：每轮循环都要把历史对话重新发给模型，上下文越来越长
- 🎲 不确定性增加：多步执行，每步都有出错的可能，错误会累积
- 🔧 调试难度高：问题出在哪一步？需要看完整的执行trace
判断是否需要Agent的决策树
这个任务需要Agent吗？
1. 需要多步执行吗？（超过1次工具调用）
→ 否：直接用LLM
2. 需要外部工具吗？（搜索/文件/代码执行）
→ 否：直接用LLM
3. 执行路径确定吗？（每次步骤一样）
→ 是：考虑用脚本代替Agent
4. 可以接受不确定性？
→ 否：Agent不合适
→ 以上都满足：适合用Agent
10个判断示例
| 任务 | Agent? | 原因 |
|---|
| 把英文翻译成中文 | ❌ | 一次LLM调用完成 |
| 总结一篇文章 | ❌ | 一次LLM调用完成 |
| 搜索最新AI新闻并生成报告 | ✅ | 需要搜索工具+生成 |
| 分析股票并推送到微信 | ✅ | 多工具多步骤 |
| 将CSV转换为JSON格式 | ❌ | 固定格式转换，脚本更快 |
| 调试一个复杂Bug | ✅ | 需要读代码、运行测试、迭代 |
| 生成10个营销文案 | ❌ | 一次LLM调用可生成多个 |
| 从100个网页提取数据 | ✅ | 需要循环抓取+处理 |
| 判断情感是正面还是负面 | ❌ | 简单分类，一次调用 |
| 自动部署代码并验证上线 | ✅ | 多步骤、有条件判断 |
Agent是重型武器，不要滥用。能用LLM一次搞定的就用LLM；能用脚本的就用脚本。Agent适合那些"步骤不确定、需要工具、可以接受等待"的任务。