我为什么把一部分 Agent 流程改回 Python

大家好,我是 WeiWill。

最近这段时间,Agent 相关内容热度一直没降。

一边是各种 Agent 框架、桌面 Agent、代码 Agent 不断更新;另一边是 MCP、Skills、持续记忆、工具调用这些词频繁出现在工程师的讨论里。很多人看到这些关键词后,会自然产生一个判断:既然我要做 AI 工作流,是不是应该尽快上一个 Agent 框架?

我一开始也有类似冲动。

我在搭自己的内容和知识处理平台时,最初想用 Hermes 串起整个流程。因为它有 Agent、Skills、记忆、仪表盘、定时任务这些能力,看起来很适合做一个“能自己干活”的系统。

但真正用下来,我慢慢发现一个问题:有些流程节点是固定的,输入输出也是明确的,并不需要 Agent 自己判断下一步。这个时候,用 Python 直接控制流程,反而更清晰、更稳定,也更容易排查问题。

这件事让我重新确认了一个朴素的工程判断:

固定流程,不要为了显得先进而强行使用 Agent 框架。工具适用性,比技术名词更重要。

问题已经从学习变成了选型

如果只是半年前,我可能不会专门写这篇文章。因为当时大家更多还在补概念:Agent 是什么?MCP 是什么?Skills 有什么用?

但现在不一样。

越来越多工具已经从演示阶段进入真实使用场景:有人用 Agent 管服务器,有人用 Agent 接微信入口,有人把知识库、写作、代码仓库、定时任务串起来,也有人开始研究 Skills、持续记忆和多模态模型配置。

问题也随之变化。

过去大家问的是:我要不要学习 Agent?

现在更实际的问题是:我这个任务,到底要不要用 Agent 框架?

前者是学习问题,后者是工程选型问题。学习时可以多试工具,做项目时就不能只看概念新不新,而要看它是否降低复杂度、提升稳定性、方便维护,并且让问题更容易定位。

我最近在自己的工作流里做了一个取舍:能用确定性流程解决的,就先用确定性流程;只有当任务真的需要动态规划、上下文判断、工具选择和多步反馈时,再考虑交给 Agent。

这不是否定 Agent,而是把 Agent 放回它真正适合的位置。

固定流程为什么别急着上 Agent

先看一个具体场景。

比如一套文章写作辅助流程,大概包括:

  1. 收集输入资料;
  2. 清洗文本;
  3. 提取主题;
  4. 判断是否适合写;
  5. 生成草稿;
  6. 做格式检查;
  7. 保存到指定位置。

乍一看,这很像 Agent 任务。因为它涉及文本理解、文件读写、结构化输出、质量检查,也可能调用模型。

但仔细拆开,会发现其中很多环节其实是固定的:

  • 文件从哪里来,是确定的;
  • 清洗规则是什么,是确定的;
  • 草稿保存到哪里,是确定的;
  • 格式字段有哪些,是确定的;
  • 哪些内容不能出现在对外文章里,也是确定的。

这类任务如果一开始就交给 Agent 框架,让它自己决定下一步,反而可能带来三个问题。

第一,可控性下降。

原本只需要一个清晰流程:读文件、调用模型、校验字段、写文件。接入 Agent 后,中间多了一层计划、工具调用、会话状态和执行链。流程看起来更智能了,但出问题时,追踪路径也变长了。

第二,调试成本上升。

如果草稿没生成成功,你要判断到底是模型输出问题、工具调用问题、权限问题、上下文丢失问题,还是 Agent 在规划时走错了分支。对于一个本来可以用普通脚本跑通的固定流程,这个成本不划算。

第三,稳定性变差。

固定流程最重要的是可重复执行。今天跑一次和明天跑一次,输入相同,结果至少要在结构上稳定。Agent 的价值在于灵活,但灵活也意味着更多不确定性。一个不需要灵活性的地方,强行引入灵活性,本质上是在给系统增加噪声。

所以我的判断是:如果一个流程能够画成确定的流程图,并且每一步的输入输出都能提前定义,那它优先应该用普通程序、工作流引擎、定时任务或脚本来解决,而不是默认上 Agent 框架。

Python 控制流程,反而更适合早期落地

这个项目开始时我想用 Hermes 做总控,后来改成 Python 直接控制,体验反而轻了很多。

比如一个固定任务:

  • 读取一批候选资料;
  • 过滤掉不相关内容;
  • 调用模型做结构化判断;
  • 根据评分选择一个主题;
  • 生成 Markdown 草稿;
  • 做字段和正文检查;
  • 写入本地知识库。

这件事如果用 Python 写,核心好处不是“代码更少”,而是每个节点都能被明确命名、明确记录、明确重试。

我可以在每一步加日志:读到了多少文件,哪些文件被跳过,模型输出是否合法,哪个字段缺失,最终写入是否成功。一旦失败,我知道从哪里开始看。

这就是工程系统里很重要的一点:不是所有自动化都要追求“像人一样思考”,很多自动化首先要追求“像机器一样可靠”。

在固定流程里,Python 这种直接控制方式有几个优势:

  • 状态简单:变量、文件、日志、异常都在眼前,不需要理解框架内部如何保存中间状态;
  • 失败边界清晰:第 3 步失败就是第 3 步失败,模型输出不合法就重新请求或进入人工检查;
  • 部署成本低:一个脚本、一个定时任务、一个日志文件,很多时候就能解决 80% 的需求;
  • 迁移成本低:以后不用某个模型或框架了,流程控制代码仍然保留,只需要替换调用层。

这也是我现在越来越重视的原则:

把稳定的业务流程沉淀在普通工程代码里,把不确定的智能判断交给模型或 Agent,不要反过来。

Agent 真正适合路径不固定的任务

说固定流程不需要 Agent 框架,并不等于 Agent 框架没有价值。

相反,Agent 真正适合的是那些路径不固定、信息不完整、需要动态选择工具的任务。

举个例子。

如果我要让系统帮我排查一个线上问题,它可能需要:

  1. 先读错误日志;
  2. 判断可能是哪类异常;
  3. 再去查配置;
  4. 如果配置没问题,再看最近的代码变更;
  5. 如果还是不确定,再查数据库状态;
  6. 最后给出假设和验证步骤。

这种任务很难提前写死流程。

因为不同错误对应不同路径。数据库超时、权限不足、配置缺失、接口变更、缓存污染,每一种排查路线都不一样。这里如果用固定脚本,很快会变成一堆复杂的 if else,而且很难覆盖所有情况。

这时候 Agent 的价值就出来了。

它可以根据当前观察到的信息,决定下一步应该调用哪个工具、读取哪个文件、执行哪个命令、询问哪个上下文。它不是简单执行流程,而是在边看边判断。

代码 Agent 也是类似。

你让它“修复这个接口的权限校验问题”,它可能要读路由、读中间件、读测试、读调用方,再决定改哪个文件。这个任务的关键不是流程固定,而是需要理解代码结构并动态探索。

所以我会用一个问题来判断:

这个任务的下一步,是我提前就知道,还是需要模型看完当前信息后再决定?

如果我提前就知道,大概率不需要 Agent 框架。

如果必须看上下文、做判断、选工具、再反馈,那才是 Agent 的主场。

持续记忆也要有边界

Hermes 这类 Agent 工具里,持续记忆是一个很有吸引力的能力。

它让 Agent 记住用户偏好、项目背景、常用路径、写作风格、执行习惯。下一次执行任务时,不用从头解释,Agent 可以接着上次的上下文继续工作。

但在工程实践里,记忆有价值,也有风险。

价值在于减少重复沟通。

比如我长期要求文章开头保持固定风格,要求 front matter 字段完整,要求技术文章避免营销表达。这些偏好如果能被系统记住,确实可以减少很多重复说明。

风险在于记忆会污染判断。

比如某次临时任务里,我让 Agent 使用了一个特殊规则。如果它把这个临时规则误认为长期偏好,后续任务就可能一直被带偏。再比如某个项目路径、账号配置、权限信息被不恰当地记住,也会带来安全和隐私问题。

所以我对持续记忆的态度是谨慎使用。

适合放进记忆的,是长期稳定、低风险、跨任务复用的偏好和规则。

不适合放进记忆的,是临时决策、敏感凭证、一次性上下文、未经验证的经验判断。

这和固定流程是否使用 Agent 框架是同一个逻辑:不要因为工具提供了能力,就默认每个场景都要启用它。

工具能力越强,越需要边界。

我现在会先问四个问题

经过这段时间的实践,我现在判断一个流程要不要上 Agent 框架,会先问四个问题。

第一,流程是否固定?

如果每一步都能提前定义,优先用普通程序控制。清洗、转换、校验、写入、通知,这些都不需要 Agent 来“思考”。

第二,是否需要动态选择工具?

如果任务需要根据当前情况选择读取文件、调用接口、查询日志、执行命令,那 Agent 才有明显价值。否则工具调用只是换了一层包装。

第三,失败后是否容易排查?

如果接入 Agent 框架后,失败链路变得更长、日志更难读、状态更难复现,那就要谨慎。工程系统不能只看成功演示,更要看失败时怎么处理。

第四,长期维护成本是否下降?

一个框架真正有价值,不是第一天跑通很酷,而是三个月后还能稳定运行,半年后还能迁移扩展,别人接手时还能看懂。

如果上框架之后,学习成本、部署成本、调试成本、迁移成本都上升,而收益只是“看起来更 Agent”,那就没必要。

我的一个简单判断是:

能用脚本解决的,不急着上框架;能用固定流程解决的,不急着上 Agent;能用明确模块复用的,不急着做复杂平台。

这不是保守,而是工程上的节制。

下一步怎么做

如果你也在做 AI 工作流、知识系统、内容生产平台,或者准备把 Agent 接进自己的项目,可以先做三个小动作。

第一,把你想自动化的任务画出来。

不用复杂工具,写成几行也可以。看清楚每一步的输入、输出和失败情况。如果大多数节点都固定,就先用普通流程跑通。

第二,标记哪些节点需要智能判断。

比如分类、总结、标题优化、代码分析、异常排查。这些地方可以接模型或 Agent,但不要让它们吞掉整个系统。

第三,把复用能力沉淀出来。

如果某个能力已经反复使用,比如格式检查、文本摘要、知识检索、日志分析,就把它做成清晰模块。未来它可以是函数、脚本、接口,也可以升级成 Skill。

最后回到这篇文章的核心判断:

Agent 很重要,框架也有价值。但工程落地不是把所有新概念都装进系统里,而是判断每个工具应该放在哪一层、解决哪个问题、承担什么成本。

程序员最容易犯的错,不是不会用新工具,而是因为手里有锤子,就总想找一个钉子敲一敲。

我是 WeiWill,深耕软件工程一线,专注 AI 应用落地与 Agent 开发。