模型优先

很多人拿到大语言模型后，第一个想法就是构建 Agent（智能体）。给模型配备工具、规划能力、记忆系统，让它像真正的助手一样自主完成任务。但这种热情往往忽视了基础：Model（模型）本身的能力边界。

模型优先原则很简单：在构建任何 Agent 架构之前，先用原始的 Model 完成核心任务。这看似倒退，实则是确保系统可靠性的关键步骤。

直接跳到 Agent 层面会掩盖模型的局限性。Langfuse 在关于 Agent 可观测性的文章中指出，Agent 使用多个步骤解决复杂任务，中间步骤的不准确结果会导致整个系统失败。当 Agent 表现不佳时，你无法判断是规划逻辑的问题，还是模型本身理解能力的不足。这种混淆会让调试变成噩梦。而 Model First 方法让问题在最早阶段暴露，这时调整成本最低。

实践中，这意味着先用简单的提示词测试模型能否完成核心推理步骤。比如构建代码审查 Agent，不是直接写工具调用逻辑，而是让模型分析代码片段，观察其是否识别出真正的问题。如果模型在这一步表现不佳，加再多的工具链也无济于事。

确认模型能完成核心任务后，再逐步引入 Agent 能力。先把核心流程固定下来，确定每一步的输入输出都符合预期。然后才加入自主规划、多步骤推理等动态特性。这种渐进式架构让每一层都建立在坚实的验证基础上。

可观测性是另一个优势。纯模型调用清晰透明，而 Agent 的内部决策路径往往难以追踪。当问题出现时，Model First 的系统更容易定位瓶颈。你可以在每一步设置检查点，而不是面对一个黑盒决策过程。

成本控制也是现实考量。Agent 通常需要多次模型调用和中间步骤，而直接使用 Model 可能一次请求就能解决。有开发者构建文档分析 Agent，花费两周时间调试工具链，后来发现模型本身就无法理解文档结构——如果先测试模型，这两周完全可以节省。在验证阶段，用最简单的方式验证假设，避免不必要的资源消耗。

当然，这并不意味着放弃 Agent 架构的价值。成熟的 Agent 系统能处理更复杂的任务，具备更强的适应性。它们能够规划多步骤流程、迭代执行、通过反思和工具使用改进输出。但构建这样的系统需要时间积累和对模型特性的深刻理解。Model First 正是这种理解的起点。

从零开始构建 AI 系统时，不妨先停下来问问自己：我是否真的理解了模型在这个任务上的能力？下次想构建 Agent 时，先花一小时测试模型能否完成核心任务。这个看似倒退的步骤，会帮你避免后续无数小时的调试时间。

参考来源

相关文章