90% 的 Agent 失败,不是框架不行,而是卡在 5 个工程问题
如果你在过去一年里修过 Agent 的 Bug ,那你大概率已经撞上一堵名叫"工程复杂性"的墙了。
AI Agent 社区有个很典型的叙事:先用 LangChain ,发现太抽象;换成 CrewAI ,发现协作链路不可控;再研究 LangGraph ,开始手动画图,终于以为找到了银弹——然后上线一周,凌晨三点被 PagerDuty 叫醒。
一位在 Agent 领域深耕 18 个月的开发者 Mukunda Katta 在 Dev.to 上发了一篇文章,标题就戳中了很多人的痛处:大多数 Agent 的失败并不有趣,它们只是同样的 5 个问题,换了一套模型、换了一个框架、换了一周时间——但根因一模一样。
这篇文章在开发者社区引发了强烈共鸣,因为它做了一件很罕见的事:不是在推框架,而是在拆问题。
为什么是现在: Agent 正在跨越 Demo 到 Production 的峡谷
2024 年是"Agent 能做什么"的秀场年。 2025 年是"Agent 框架哪家强"的选型年。而 2026 年上半年给出的信号非常明确:这不再是一个框架问题,而是一个工程问题。
一个典型现象:几乎所有 Agent 框架的 Demo 跑起来都很顺。给 GPT-4 配上一个搜索工具,再加一个代码解释器,演示效果令人心动。开发者兴冲冲地把它接入自己的业务系统,然后开始出 Bug——不是偶尔出错,而是一个接一个的连锁失败。
核心分歧在于: Demo 里的 Agent 面对的是精心控制的环境和单一意图。而生产环境的 Agent 面对的是模糊意图、不可靠的下游服务、以及一个东西没处理好就影响全局的级联效应。
这不是一个"换个更好的模型"就能解决的问题。当 Claude Opus 4.7 和 GPT-4.1 的能力已经远超一年前, Agent 的失败率却并没有同等下降——问题不在推理引擎,在工程底盘。
逐个击破: 5 个被框架掩盖的工程问题
Katta 把这些"换了马甲但本质相同"的问题归纳为五个类别。每一个都很基础,但恰恰因为没有得到基础层面的解决,它们在高层的框架中反复出现。
问题一:工具调用失败——Agent 最脆弱的环节
这可能是 Agent 失败的第一大来源。模型生成了正确的 JSON 、正确的函数名、正确的参数类型——但工具就是没跑通。原因可能是一百种里的任何一种:超时、网络抖动、 API 返回了意料之外的格式、权限过期、限流、参数语义正确但业务逻辑非法……
框架对这件事的处理通常极其粗粒度:要么重试 n 次,要么把错误信息原样丢回给 LLM ,寄希望于模型能"看懂"并纠正。但实际效果是——当第一个工具调用失败后, Agent 的后续行为往往越来越离谱。因为它拿到的错误信息对 LLM 来说并非结构化的工程信号,而是一段需要重新"理解"的自然语言。
真正的解法不在重试策略,而在于:让工具的错误信号对 Agent 可编程。错误不只是给人类看的日志,它应该是 Agent 决策循环中可消费的结构化输入。这意味着你需要一个薄薄的错误抽象层——不是框架,是工程契约。
问题二:上下文丢失——Agent 的"健忘症"
多轮对话中, Agent 需要在不断膨胀的消息历史中,记住最初的任务目标、中间的关键决策、以及已经尝试过什么。这不只是 token 限制的问题。
更隐蔽的失败模式是:…