我想要的 Agent：探索未知，可靠执行

本文是 sunsh1ne 的《我想要构建什么样的Agent？》的简明版，由 AI 根据原文改写，以下沿用作者的第一人称表达。完整论述与技术细节请阅读原文。

如果用一句话说明我想构建什么样的 Agent，那就是：让模型探索未知，让软件可靠地处理已经确定的事情。

这里的 Agent，指的是不只回答问题，还能使用工具、执行任务的 AI 系统。它可以读代码、改文件、做计划，也可以在遇到问题后换一条路继续尝试。

我看重这些能力。但我不认为，模型越来越强，就意味着所有事情都应该交给模型。

已经清楚的事情，为什么还要重新猜一次？

比如，我只想把一个按钮从蓝色改成绿色。

如果系统已经知道是哪个按钮、要改哪个属性、新值是什么，接下来就是一次明确的修改。为什么还要让模型重新理解需求、寻找位置、生成代码，再由我检查它有没有顺手改动别的地方？

在这种情况下，一个普通的编辑功能可能更直接，也更可靠。

同样，配置是否合法、任务是否真的完成，能用程序检查的部分，就不应该只靠模型说一句“没问题”。

模型能做一件事，不代表这件事最适合由模型来做。

这并不意味着，我希望把 Agent 变成一套固定流程。

面对陌生项目或还没想清楚的问题，系统本来就不知道该怎么走。这时候，需要模型探索、理解、提出判断，必要时推翻原来的计划。这正是 Agent 的价值。

但探索一旦得到可靠结果，就应该让结果真正进入系统，而不只是留在聊天记录里。

比如，Agent 发现：两个任务可以同时做，第三个任务必须等它们都完成。这个关系确定以后，软件就可以负责安排执行，不必让模型每一轮都重新判断谁先谁后。

如果执行中又发现新问题，再让模型回来调整计划。

未知时允许探索，明确后交给软件推进，遇到新的未知再重新思考。

我在原文里把这个过程称为“渐进确定化”。说得简单一点，就是：不要反复解决已经解决的问题。

一个确认过的修改目标、一组验证过的任务依赖，都可以被记录成程序能够直接使用的结构。这里的“确认”不能只是模型觉得自己想对了，而需要验证。

原文讨论的 Agent Graph 和 Agentic IR，都是围绕这个方向的尝试：把任务关系、修改意图等信息明确记录下来，让系统能够据此执行，而不是一直依赖模型重新读懂一段对话。

我想要的不是更少的智能，而是让智能用在仍然需要探索的地方。

模型越强，应该能带我们探索更远；系统越成熟，应该越能保存探索的成果，减少重复推理和不必要的出错。

这就是我正在探索的下一代 Agent：既能面对未知，也能把已经弄清楚的事情，变成可靠的软件行为。

它的进步，不只取决于模型变得多聪明，也取决于我们能否把软件真正做好。