本文最后更新于 2026-05-19，文章内容可能已经过时。

Keras之父说Agent是"盲松鼠"——但你可能用错了方向来理解这句话

让我猜一个场景：你让Agent帮你修一个bug，它信心满满地开始改。

第一次：失败，重试。第二次：失败，换个方向。第三次：改了另一个地方，原来的bug还在。第十次：你已经不确定哪里是它改的、哪里是你改的了。两个小时后，你关掉终端，手动把代码回滚，从头来过。

这不是Agent不够强。是你给错了任务。

---

一、fchollet说了什么，为什么值得认真对待

François Chollet，Keras的作者，现在在Google DeepMind做研究。他不是那种会随便发帖蹭热度的人——他搞出过ARC基准（Abstraction and Reasoning Corpus），专门用来测AI的真实推理能力，而不是记忆能力。

他对代码Agent的评价是这样的（原文大意）：

"代码Agent的工作方式更像是一只撞墙的盲松鼠——它不断尝试，偶尔撞到橡子。成功率的提升来自于更高频的尝试，而不是更好的推理。"

这句话在AI圈引发了不少争议。有人觉得他在黑Agent，有人觉得他是在"凡尔赛"。但如果你认真读他的上下文，会发现他的判断相当克制——他不是在说Agent没用，他在描述一种结构性局限。

这个区别很重要。否定一个工具是情绪，描述一个工具的边界是认知。

---

二、拆解比喻背后的3个判断

判断1：Agent的成功高度依赖"反馈密度"

Agent能收敛，前提是它能快速知道自己有没有撞对。

跑单元测试是个好例子：测试通过/失败，反馈即时、清晰、可量化。Agent在这类环境里表现不错，因为它的随机搜索有了明确的"校准信号"。

但换一个任务——"帮我优化这个模块的架构"——反馈在哪里？没有测试，没有明确的成功标准，Agent只能按自己的"理解"走。这时候它不是在推理，是在猜。

反馈越模糊，Agent就越像真正的盲松鼠。

判断2：Agent优化的是"通过测试"，不是"解决问题"

这是一个微妙但关键的区别。

在SWE-bench（一个用真实GitHub Issue测试Agent解决代码问题能力的基准）上，主流代码Agent的解决率大约在30%到50%之间浮动，顶尖模型在某些子集上能到更高。但这个数字有个隐藏前提：任务有明确的测试用例，Agent知道"通过测试=成功"。

问题是，现实工作里大量任务没有这种干净的验收标准。Agent在开放性任务上容易做出"看起来对"但实际走偏的输出——它满足了表面要求，但没有真正理解你的意图。

判断3：试错成本被严重低估

在demo里，Agent跑20次失败没什么感觉。在生产环境里，这意味着：

  • Token消耗：每次尝试都在烧钱，复杂任务一次完整的Agent循环可能消耗数万token
  • 时间延迟：多轮循环叠加，一个"应该5分钟搞定"的任务可能跑半小时
  • 错误传播链：Agent在第3步犯了一个小错，第7步才暴露，这时候回溯成本极高

这三个成本加在一起，在生产环境里会被放大成真实的业务损失。

---

三、两类任务的判断框架

在交给Agent之前，先问自己两个问题：反馈可不可以量化？容错空间够不够？

用这两个维度，可以画出一个简单的判断矩阵：

                    反馈可量化

│


┌──────────────┼──────────────┐


│              │              │


容错空间  │   ★ 最适合   │   ⚠️ 谨慎用  │


充足     │   Agent的    │   需要强约束 │


│   黄金区域   │              │


├──────────────┼──────────────┤


│              │              │


容错空间  │   ⚠️ 勉强可  │   ✗ 不适合  │


有限     │   但要监控   │   Agent的    │


│              │   危险区域   │


└──────────────┴──────────────┘


反馈不可量化
✅ 适合Agent的任务（黄金区域）
  • 批量单元测试生成：给定函数签名和功能描述，生成测试用例。反馈清晰（测试跑不跑得通），容错空间大（测试不对删掉重来）。
  • 批量格式转换：把100个JSON文件转成CSV，或者把一批Markdown文档统一格式。成功标准明确，单个失败不影响整体。
  • 爬取+结构化整理：抓取数据，按模板整理成表格。每条结果可以独立验证，整体容错高。
❌ 不适合Agent的任务（危险区域）
  • 核心业务逻辑的修改：牵一发动全身，错误传播链长，回滚成本高。Agent的随机性在这里是灾难。
  • 有依赖链的架构决策：选数据库、定接口规范、设计模块边界——这些决策的影响会在后续几个月持续显现，Agent没有这个时间维度的感知。
  • 需要上下文一致性的长文档写作：Agent在长上下文里容易"失忆"，前后矛盾，风格漂移。你花在校对上的时间可能比自己写还多。

---

四、Prompt层面能做什么——给Agent装护栏

既然Agent的本质是在一个空间里随机搜索，Prompt工程师能做的是缩小这个搜索空间，让随机性在你能接受的范围内发生。

三个核心手段：强制输出格式、设定中间检查点、要求自报置信度。

下面是三个可以直接复用的Prompt模板：

模板1：代码生成任务 
## 角色设定

你是一个严格的代码生成器，只输出可执行代码，不输出解释。



任务


[在这里描述具体任务]



约束


1. 每次只修改一个函数，不得跨文件修改


2. 修改前先输出：【修改位置】【修改原因】【预期影响范围】


3. 如果你对某个修改的置信度低于80%，停止并输出：【需要人工确认】+你的疑问


4. 输出格式：先输出diff，再输出完整修改后的代码块



禁止行为


  • 不得删除已有注释
    • 

  • 不得修改函数签名（除非任务明确要求）
    • 

  • 不得在一次回复中做超过3处修改
    •
模板2：信息整理任务 
## 任务

将以下内容整理成结构化表格：


[输入内容]



输出格式（严格遵守）

| 字段1 | 字段2 | 字段3 | 置信度 |



规则


  • 置信度列填写：高/中/低
    • 

  • 置信度"低"的条目，在表格后单独列出，注明疑问点
    • 

  • 如果某个字段信息缺失，填写"N/A"，不得推测填写
    • 

  • 整理完成后输出：【共处理X条】【低置信度X条】【缺失字段X处】
    •
模板3：多步骤规划任务 
## 任务

[描述目标]



执行要求


在开始执行之前，先输出完整计划：


1. 列出所有步骤（编号）


2. 标注每个步骤的前置依赖


3. 标注每个步骤的风险点


4. 等待我确认计划后再执行



执行过程中：


  • 每完成一个步骤，输出：【步骤N完成】【实际结果】【与计划的偏差】
    • 

  • 如果遇到计划外情况，停止并输出：【遇到阻塞】【当前状态】【建议选项A/B/C】
    • 



不得跳过的检查点


[列出你认为关键的节点，Agent必须在这里停下来等你确认]

这三个模板的本质逻辑是一样的：不是让Agent更聪明，而是把它的随机性关在一个更小的笼子里。

📌 这三个模板可以直接在支持System Prompt的API接口里使用。如果你还在用官方网页端，调控灵活度会受限——建议直接接API，自己控制temperature、system prompt和输出格式。国内访问稳定、支持主流模型（包括GPT-5系列、Claude Opus 4.6、Deepseek R1等）的接口：[api.884819.xyz](https://api.884819.xyz)，新用户注册即送体验token，国产模型完全免费，按量付费，没有月租。

---

五、启动Agent之前，先问自己这5个问题

在你把任务交出去之前，花30秒过一遍这个清单：

┌─────────────────────────────────────────────────┐

│           Agent任务启动前自检清单               │


├─────────────────────────────────────────────────┤


│                                                 │


│  □ 1. 这个任务有没有清晰的"完成"标准？          │


│       （测试通过？格式符合？数量达到？）         │


│                                                 │


│  □ 2. 如果Agent做错了，我能快速发现吗？         │


│       （有验证机制？有diff对比？）               │


│                                                 │


│  □ 3. 如果Agent做错了，回滚成本可以接受吗？     │


│       （删掉重来？还是要花几小时排查？）         │


│                                                 │


│  □ 4. 这个任务的上下文，Agent能在一次会话       │


│       里完整保持吗？                            │


│       （超长文档？跨文件依赖？历史决策？）       │


│                                                 │


│  □ 5. 我自己有没有想清楚目标？                  │


│       （如果我说不清楚，Agent肯定也做不对。）    │


│                                                 │


│  ✅ 5个都是"是"→ 放心交给Agent                 │


│  ⚠️ 有1-2个"否"→ 加Prompt约束后再试            │


│  ❌ 有3个以上"否"→ 自己做，或拆解后再交         │


│                                                 │


└─────────────────────────────────────────────────┘

---

结语：撞的不是天花板，是错误的期待

回到fchollet的比喻。

盲松鼠不是废物。在一片橡子密集的树林里，盲松鼠的随机搜索效率可能比你想象的高得多。问题在于，我们经常把它扔进一片没有橡子的沙漠，然后抱怨它找不到食物。

Agent是杠杆，不是替代品。 它放大你的执行力，但前提是你得先想清楚目标，选对任务，装好护栏。

fchollet的盲松鼠，撞的不是Agent的天花板，撞的是我们对它的错误期待。

搞清楚这个边界，才是真正会用AI的人。

---

【下篇预告】

fchollet的批评指向了一个更深的问题：Agent在"规划"上的缺陷，本质上是当前LLM对"因果关系"理解的局限。

给Agent加"思维链"，有时候反而会让结果更差——这个反直觉的现象背后，是什么在作怪？

下一篇我们聊：为什么思维链不是万能药，以及GPT-5、Claude Opus 4.6和Gemini 3.1 Pro在规划类任务上的真实差距到底在哪里。

不是模型评测，是帮你选对工具的决策指南。

---

本文由8848AI原创，转载请注明出处。关注8848AI，带你从零开始学AI。

#AI Agent #Prompt技巧 #代码Agent #fchollet #人工智能 #8848AI #AI工具 #LLM应用