人类学研究员 Erik Schluntz 分享了他观察到的人们在构建智能体（AI Agent）时最常见错误。
开发者们在与 AI 模型打交道时往往表现出矛盾的态度。他们会投入大量精力来优化提示词，精心设计每一个指令的措辞和结构，但在开发供模型使用的工具接口时，却常常草草了事，仅用简单的 A、B 来命名参数，甚至完全忽略文档说明。
这种做法折射出开发者在认知上的一个盲点。如果一个普通工程师面对没有文档的函数接口都会感到困惑，那么对于 AI 模型来说，理解和正确使用这些 "黑盒工具" 的难度只会更大。本质上，这反映了一些开发者仍未完全理解 AI 模型的特性，依然停留在传统编程思维中。他们似乎忘记了，模型并不是一个简单的程序执行器，而是需要通过自然语言来理解任务的智能系统。
TypeSafe AI 推出系统一模型 Jev，作为智能体概率决策闸门，仅返回带校准概率的结构化结果而不生成文本。该模型具备低成本、低延迟及零输出错误率特性，支持 Choice、Score、Noul 三种提问原语。文章详解了其 API 调用、SDK 集成及推测式并行、置信度路由等五种落地模式，并指出其本质是强类型函数调用而非廉价 LLM。建议在生产环境中锁定版本、规避算术任务，并通过影子模式实测校准效果。
Anthropic 开源 knowledge-work-plugins 项目，提供 111 个无代码智能体技能包。该体系基于 Markdown 和 JSON 构建标准化模块，支持渐进式披露与 MCP 工具集成，标志提示词工程向软件工程化转型。内置 marketing 与 productivity 等插件展示了结构化输入及分层记忆范式，支持语义路由与轻量化定制。尽管存在多插件上下文竞争及云端连接器限制内网访问等问题，仍为智能体工作流提供了可复用的模块化规范。
使用 LLM 辅助写作应将其定位为文字编辑而非代写枪手。核心原则包括绝不采纳模型生成的具体词汇及禁止其提供夸奖，以避免内容同质化。推荐采用“诊断-重写-比对”三阶段改稿流程，利用模型查找语法与逻辑硬伤，但由作者亲自重写。实践中可借助专用提示词库或本地工具提升效率。此外，需警惕长上下文压缩摘要可能引发的指令注入风险。AI 仅是批判性审视的效率放大器，人类创作者必须始终掌握写作主导权。
围绕《人们在构建智能体（AI Agent）时最常犯的错误》展开交流，未登录用户可浏览评论，登录后可参与讨论。
