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。
ChatGPT Work 标志着大模型向全托管自主智能体跃迁。其通过云端沙箱、无头浏览器、持久化存储及一键部署四大基础设施，实现从信息检索到网站上线的闭环自动化。系统提供 Cloud 与 Local 双形态及多档推理级别，适配不同任务需求。尽管具备强大自主执行能力，用户仍需警惕上下文压缩、CSP 限制及提示注入等风险。目前该工具仍面临云端与本地环境状态同步未打通的挑战，但已重塑软件工程协作模式。
Claude Code 多智能体协作提供 subagents 与 Agent Teams 两种架构。subagents 采用星型拓扑，适合独立任务委派；Agent Teams 为点对点网状结构，支持双向通信与状态共享，适用于复杂并行工作流。实战中需根据任务依赖度选型，并通过 Git worktrees 隔离并发写入冲突。同时应合理配置模型路由以控制成本，规避描述重叠与死锁风险。若缺乏三条以上独立并行流，建议优先使用单会话或 subagents 以提升效率。
ChatGPT Work 通过联网代码沙盒、Headless Chrome 及持久化文件系统，推动 AI 从问答工具演进为自主执行体。实测显示，智能体可凭单条指令自主调用 API 完成复杂地理计算并交付可视化地图与数据文件。该平台还支持一键建站、子智能体协作及定时任务，适用于实体交付场景。但当前仍存在代码透明度不足、上下文压缩致历史丢失及资源安全策略限制等问题，在生产环境的可复现性仍面临挑战。
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。
