我的 Agent 在第四步静默崩了——测完 Claude Opus 4.7 后我想说几句实话

上周我的 Agent 在 Claude Sonnet 4.6 上跑到第四步，静默失败了。

输出了一份看起来格式完整、数据齐全的分析报告——但实际上，从第三步开始数据就已经是幻觉。我花了将近两个小时，才顺着日志一路追回去，找到那个被"假装成功"吞掉的空值返回。

做过多步骤 Agent 的人，大概都经历过这种痛：不是模型笨，是它太"礼貌"——遇到问题不报错，硬撑着往下走，最后给你一个看起来正常的烂摊子。

这也是我决定系统测一遍 Claude Opus 4.7 的原因。不是为了跑分，是为了搞清楚一件事：它会不会在第三步给我整崩？

---

第一章：这次测试的背景和场景设计

Claude Opus 4.7 在 Anthropic 的最新部署策略里，被定位为"默认编排模型"（Default Orchestrator）。

这个定位很关键。"编排模型"不是聊天模型——它的核心职责是在多步骤流程里做指挥调度：接收上游输出、判断下一步策略、调用工具、处理异常、把结果传给下游。这类场景对模型的要求，和"聊天回答一个问题"完全不同。

我设计的测试场景是一个 5 节点多步骤 Agent 流程：

graph LR
A[节点 1\n信息检索] --> B[节点 2\n数据清洗]
B --> C[节点 3\n数据分析]
C --> D[节点 4\n生成报告]
D --> E[节点 5\n校验输出]

style A fill:#2d3748,color:#fff
style B fill:#2d3748,color:#fff
style C fill:#2d3748,color:#fff
style D fill:#e53e3e,color:#fff
style E fill:#2d3748,color:#fff

对比基线：同一套 Prompt、同一套工具定义、同一组测试用例，分别跑 Claude Sonnet 4.6 和 Claude Opus 4.7，各跑 10 次，记录每次的节点通过率和最终输出质量。

先给结论，后面逐步拆解：

样本量小，不代表统计意义上的绝对优劣。但方向性足够清晰。

---

第二章：差异一——指令追踪稳定性

这是让我感受最直接的一条。

在多步骤 Agent 里，System Prompt 通常会定义格式要求、角色约束、输出规范。问题是：随着对话轮次增加，context 越来越长，模型对"前置约束"的遵守程度会逐渐漂移。

Claude Sonnet 4.6 在步骤超过 3 层之后，这种漂移非常明显。

分析结果：
本季度用户增长呈上升趋势，主要受以下因素驱动：
1. 新功能上线带来的自然流量
2. 市场投放效率提升

建议：继续加大投入。

这个输出看起来"正常"，但问题在于：System Prompt 明确要求第四步输出必须包含 confidence_score 字段、data_sources 列表和 structured_json 块。4.6 把这些全忘了，直接用自然语言写了一段总结。

{
"report_id": "Q3-2024-001",
"confidence_score": 0.87,
"data_sources": ["source_a", "source_b", "source_c"],
"summary": "本季度用户增长呈上升趋势...",
"key_drivers": [
"新功能上线带来的自然流量",
"市场投放效率提升"
],
"recommendation": "继续加大投入，重点关注功能迭代节奏"
}

格式完整，字段齐全，和第一步定义的 schema 完全一致。

在 10 次测试中，4.6 的第四步格式保持率是 5/10，4.7 是 9/10。

实操结论：如果你的 Agent 流程超过 3 步且有严格格式要求，这一条值 80% 的迁移理由。

一个额外的发现：4.7 的格式稳定性在引入了"角色扮演"类约束（比如"你是一个严格的数据审计员"）时提升更明显。4.6 在这类场景下角色漂移更严重，跑到第四步经常变回"通用助手"模式。

---

第三章：差异二——工具调用的错误恢复能力

多步骤 Agent 最危险的失败模式不是"报错崩溃"，而是静默失败——工具返回了异常值（空值、超时、格式错误），但模型没有识别出这是异常，继续往下走，把污染数据传给了下游节点。

我在测试中专门设计了一个"陷阱"：在第二步（数据清洗）故意让工具返回空值，观察两个版本的处理方式。

def data_cleaning_tool(raw_data: dict) -> dict:
# 模拟异常：返回空结果
return {
"status": "success",  # 注意：status 是 success，但 data 是空的
"data": [],
"processed_count": 0
}

{
"tool_result": "数据清洗完成",
"next_step": "proceed_to_analysis",
"cleaned_records": 0,
"analysis_ready": true
}

4.6 看到 status: success 就认为没问题，cleaned_records: 0 也没有触发任何警告，直接把"空数据集"传给了第三步分析节点。第三步收到空数据，开始基于空数据"分析"——输出了一段完全是幻觉的结论。

{
"tool_result": "异常检测",
"status": "requires_attention",
"issue": "data_cleaning_returned_empty_dataset",
"detail": "工具返回 processed_count=0，与预期数据量不符。建议在继续前确认数据源状态。",
"suggested_action": "retry_or_escalate",
"next_step": "BLOCKED — awaiting instruction"
}

4.7 识别出了"success 状态但数据为空"的矛盾，主动标记为异常，阻断了流程，并向上报告。

在 10 次工具异常测试中，4.6 静默失败了 4 次，4.7 是 0 次。

这个差异的实际影响远比数字看起来严重。静默失败不只是"这次跑坏了"——它意味着你的 Agent 可能在生产环境里默默输出了大量有问题的结果，而你完全不知道。

---

第四章：差异三——中间推理的可解释性

这一条对 Agent 开发者来说，是调试效率的核心。

当流程出问题时，你需要知道：错在哪一环，为什么错了。这取决于模型在 Chain-of-Thought 输出里，有没有把推理过程说清楚。

4.6 的推理链经常出现"跳步"现象——直接给结论，省略了中间的判断逻辑。比如：

[4.6 推理片段]
收到数据 → 分析完成 → 结论：增长趋势正向

当这个结论出问题时，你不知道是数据解读错了、还是分析逻辑错了、还是输出格式转换时丢失了什么。

4.7 的推理链明显更结构化：

[4.7 推理片段]
1. 接收数据：共 3 个来源，总计 847 条记录
2. 数据完整性检查：字段 revenue 存在 12 条空值，已标记
3. 趋势分析：基于非空数据（835 条），使用环比方法
4. 异常值处理：Q2 第 7 周数据异常高，已排除（原因：节假日效应）
5. 结论：增长趋势正向，置信度 0.87（受空值影响降低）

每一步的"为什么这么做"都有迹可循。当结论出问题时，你可以精确定位到是哪个步骤的判断出了偏差。

You are a data analysis agent operating in a multi-step pipeline.
For each step, you MUST output your reasoning in the following structure:
1. [Input received] — what data/instruction you received
2. [Validation] — whether the input meets expectations
3. [Decision] — what you decided to do and why
4. [Output] — the result, with confidence level if applicable
Never skip steps. If a step produces unexpected results, flag it explicitly before proceeding.

这 5 行 Prompt 在 4.7 上的效果比在 4.6 上好得多——4.7 会严格遵守这个结构，4.6 在流程后期经常"忘记"这个格式要求（呼应第二章的指令追踪问题）。

---

第五章：综合评价与迁移建议

三个差异汇总：

• Agent 开发者：如果你在构建多步骤自动化流程，4.7 的稳定性收益是实打实的，尤其是工具异常恢复这一条，在生产环境里价值极高。
• 自动化流程搭建者：用 n8n、Zapier 或自研编排框架的用户，4.7 作为核心推理节点会让整个流程的可靠性提升一个台阶。

• 纯对话场景：如果你只是用 Claude 做写作、问答、总结，4.6 完全够用，没必要为了稳定性付出更高的 token 成本。
• 预算敏感用户：4.7 的调用成本高于 4.6，如果你的场景对错误容忍度较高（比如有人工复核环节），成本差异值得考虑。

4.7 不是革命，但如果你的流程在 4.6 上已经跑得七七八八，迁移的边际成本极低，稳定性收益是实打实的。

---

如果你想自己跑一遍本文的测试流程，不需要排队申请 API 权限——[api.884819.xyz](https://api.884819.xyz) 已经接入 Claude Opus 4.7，按量计费，新用户注册即送体验 token，把文中的 Prompt 模板复制进去，5 分钟内你就能看到自己的对比结果。国产模型（Deepseek R1/V3、通义千问 Qwen3 等）完全免费，没有月租，没有订阅。

---

在整个测试过程中，我发现 4.7 有一个有意思的行为——在长上下文场景下，它会在某些条件下主动压缩中间步骤的输出。

对 token 成本来说，这是好事。

但对某类任务来说，这个"压缩"可能是个隐患——当你需要中间步骤的完整输出做审计或回溯时，被压缩掉的内容可能恰好是你最需要的那部分。

---

#AI教程 #Claude #Agent开发 #8848AI #人工智能 #多步骤Agent #AI工程 #Prompt技巧