agentic AI 一年实践：六条来自一线人员的经验教训

麦肯锡对 50 个 agentic AI 项目进行了研究，发现最常见的失败原因可以归结为 6 个关键因素，这些对 AI 工程师来说至关重要：

1. 关键不在于 agent 本身，而在于工作流。不要执着于打造“炫酷”的 agent，要关注整个系统，而不是只做有趣的小玩意。
2. agent 并非总是最佳选择。
   不是所有流程都需要多 agent 系统。低波动、可预测的任务用规则或 ML 更高效，LLM 反而会增加复杂性。agent 真正的价值在于高波动、复杂流程（比如提取复杂财务信息）。
3. 避免“AI 泥浆”现象。（很常见）
   要像培养员工一样长期培养 agent。别只看炫技演示，要重视基准测试。agent 需要明确的岗位描述、入职流程和反馈机制，才能持续进步。
4. 跟踪每一步，而不仅仅是结果。
   盲目扩展 agent 而缺乏可见性，容易出现隐性故障。要监控工作流的每个环节，这样团队能及时发现问题、快速优化逻辑，避免系统崩溃。出错时（总会出错），你能追溯问题根源。千万别忽视这一点。
5. 能复用 agent 就复用。
   很多公司为每个任务单独开发 agent，浪费了大量时间。更聪明的做法是构建可复用的 agent 组件（如采集、提取、验证、分析），用于不同工作流。集中管理验证过的工具和 prompt，可减少 30–50% 的重复工作，这个比例不容小觑。
6. 人类依然不可或缺，但角色发生了变化。
   agent 可以解析、自动化和扩展，但人类负责判断、处理边界情况和创造性解决问题。未来不是 agent 对抗人类，而是 agent 与人类协作。

这些都是初创公司和成熟企业在规模化时常犯的错误，会严重损害声誉和资源。现在你知道如何避免了。