ARTICLE · 1247905
别陷入「Agent崇拜」:AI工具的正确打开方式,是按需调用
别陷入「Agent崇拜」:AI工具的正确打开方式,是按需调用周末西湖骑行，偶遇一位Deepseed做大模型的朋友，我们聊了很久当下火热的Agent。
聊完最大的感触：现在行业里，好像进入了一种Agent崇拜。
仿佛只要挂上Agent，就是先进方案；不管什么任务，一股脑全部丢给智能代理去跑，这其实是一种「推理浪费主义」。
他和我分享了Zapier联合创始人Wade Foster的一个观点，我深以为然：我们现在用到Agent的场景里，大约80%，其实用传统确定性代码就能搞定。
举个我们猎头日常最熟悉的例子：每周的业务周报报表。
很多人直接写一句指令，丢给Agent，让它从表格取数、算环比、填模板。
Agent确实能做完这件事，但每一次执行，它都要重复走完一整套思考、规划、调用工具、输出结果的链路。
规则明明已经固定，计算口径没有变化，我们却在反复为“重新思考一遍”付费，还要承担联网依赖、调用成本、结果漂移的风险。
这里有一个很容易被忽略的分层思路：AI算力和推理能力，本身是分档位的。
高思考力、中思考力、低思考力，还有最重要的一档——根本不用调用大模型。
什么是不用大模型的确定性方案？
就是把清晰稳定的业务规则，写成脚本、公式、数据库查询。
按编号匹配候选人简历、固定口径算业绩环比、数据排序、批量提取字段……
哪怕每次进来的数据不一样，只要规则不变，脚本执行更快、成本更低、结果100%可控。
就像Anthropic举过的例子：让大模型去做排序，远比直接调用排序算法昂贵、麻烦。
当然，这不是否定AI和Agent的价值。
我的理解是：AI适合用来搭建这套自动化流程，而不是日复一日重复执行它。
先用AI帮我们梳理业务逻辑、生成脚本、调试流程；流程稳定跑通之后，日常交给脚本自动跑。
只有规则变动、流程迭代的时候，再请AI来维护和修改。
同时也要分清：什么时候只用单次模型调用，什么时候才真的需要Agent。
简单的摘要、文案润色、标准化简历提炼，单次调用模型就足够。
真正值得上Agent的场景，只有一种：任务需要根据上一步的结果，动态判断下一步动作、自主选择工具。
除此之外，绝大多数常规工作，都没必要拉起一套复杂Agent链路。
放到我们猎头的业务里，这个逻辑同样适用。
• 候选人薪资测算、业绩统计、岗位数据汇总、固定格式JD导出 → 脚本/公式搞定，不用Agent
• 理解候选人零散的自述、挖掘隐性诉求、解读创始人碎片化表达、跨场景灵活研判匹配度 → 这才是需要模型推理的地方
一套成熟的工作流，应该是组合式的：确定性脚本负责重复苦力，简单模型调用处理轻度理解，Agent留给真正需要动态决策的复杂场景。
不必拿到一把新的“AI宰牛刀”，就拿来切所有小菜。
和这位大模型同行告别时，我们达成同一个共识：该推理时再推理。
算力、推理，都是稀缺资源。
用好AI，不是事事交给AI；懂得克制，把昂贵的思考能力，留给真正需要思考的问题。
做AI赛道猎头久了，见过太多团队疯狂堆Agent方案，却忽略成本、稳定性和投入产出。技术是工具，不是标签。
适合业务的方案，永远优于听起来酷炫的方案。
聊完最大的感触：现在行业里，好像进入了一种Agent崇拜。
仿佛只要挂上Agent，就是先进方案；不管什么任务，一股脑全部丢给智能代理去跑，这其实是一种「推理浪费主义」。
他和我分享了Zapier联合创始人Wade Foster的一个观点，我深以为然：我们现在用到Agent的场景里，大约80%，其实用传统确定性代码就能搞定。
举个我们猎头日常最熟悉的例子：每周的业务周报报表。
很多人直接写一句指令，丢给Agent，让它从表格取数、算环比、填模板。
Agent确实能做完这件事，但每一次执行，它都要重复走完一整套思考、规划、调用工具、输出结果的链路。
规则明明已经固定，计算口径没有变化，我们却在反复为“重新思考一遍”付费，还要承担联网依赖、调用成本、结果漂移的风险。
这里有一个很容易被忽略的分层思路：AI算力和推理能力，本身是分档位的。
高思考力、中思考力、低思考力，还有最重要的一档——根本不用调用大模型。
什么是不用大模型的确定性方案？
就是把清晰稳定的业务规则，写成脚本、公式、数据库查询。
按编号匹配候选人简历、固定口径算业绩环比、数据排序、批量提取字段……
哪怕每次进来的数据不一样，只要规则不变，脚本执行更快、成本更低、结果100%可控。
就像Anthropic举过的例子：让大模型去做排序，远比直接调用排序算法昂贵、麻烦。
当然，这不是否定AI和Agent的价值。
我的理解是：AI适合用来搭建这套自动化流程，而不是日复一日重复执行它。
先用AI帮我们梳理业务逻辑、生成脚本、调试流程；流程稳定跑通之后，日常交给脚本自动跑。
只有规则变动、流程迭代的时候，再请AI来维护和修改。
同时也要分清：什么时候只用单次模型调用，什么时候才真的需要Agent。
简单的摘要、文案润色、标准化简历提炼，单次调用模型就足够。
真正值得上Agent的场景，只有一种：任务需要根据上一步的结果，动态判断下一步动作、自主选择工具。
除此之外，绝大多数常规工作，都没必要拉起一套复杂Agent链路。
放到我们猎头的业务里，这个逻辑同样适用。
• 候选人薪资测算、业绩统计、岗位数据汇总、固定格式JD导出 → 脚本/公式搞定，不用Agent
• 理解候选人零散的自述、挖掘隐性诉求、解读创始人碎片化表达、跨场景灵活研判匹配度 → 这才是需要模型推理的地方
一套成熟的工作流，应该是组合式的：确定性脚本负责重复苦力，简单模型调用处理轻度理解，Agent留给真正需要动态决策的复杂场景。
不必拿到一把新的“AI宰牛刀”，就拿来切所有小菜。
和这位大模型同行告别时，我们达成同一个共识：该推理时再推理。
算力、推理，都是稀缺资源。
用好AI，不是事事交给AI；懂得克制，把昂贵的思考能力，留给真正需要思考的问题。
做AI赛道猎头久了，见过太多团队疯狂堆Agent方案，却忽略成本、稳定性和投入产出。技术是工具，不是标签。
适合业务的方案，永远优于听起来酷炫的方案。
