在 AI Agent 的工程实践中，一个反直觉但被反复验证的结论正在形成：第一版越“笨”，项目越容易成功。
从 0 到 1 阶段的目标，并不是构建一个“会思考”的系统，而是构建一个可被工程化控制的系统。在这一阶段，刻意限制智能体的能力边界，反而是长期演进的必要前提。
一、第一版的核心目标不是智能，而是可控
智能体本质上是概率系统，而工程系统追求的是确定性。
如果在初始阶段就引入复杂推理、自主规划、多轮反馈，系统将迅速演变为一个无法解释、无法定位问题、无法稳定复现结果的黑盒。
“做得很笨”的本质，是优先完成三件事：
- 决策路径可见
- 状态变化可追踪
- 失败结果可复现
这是所有后续“变聪明”的前提。
二、逻辑透明化：用显式结构替代隐式推理
在第一版中，应当刻意避免让大模型承担“全链路思考”。
更可靠的做法是：
- 使用固定 Workflow，而非开放式任务描述
- 使用条件分支，而非自由联想
- 使用判断题和枚举值，而非长文本推理
当逻辑被显式结构化后，模型只是执行者，而不是裁判者。
一旦输出异常，开发者可以明确判断问题来源： 是输入错误、规则缺失，还是模型执行失败。
这比“看不懂模型为什么这么想”要重要得多。
三、确定性交付：稳定比灵感更有价值
在工程场景中，80% 的可预测输出，远胜 20% 的惊艳发挥。
“笨”的智能体通常具备这些特征：
- 输出格式强约束（如固定 Schema）
- 数据流向单一，几乎无回环
- 失败即中断，而不是“尝试自救”
这种设计虽然不“聪明”，但非常稳定。
当输入相同时，输出波动被严格限制在业务可接受范围内，这才是系统可上线、可扩展的前提。
四、观测成本越低，迭代速度越快
复杂系统最昂贵的成本不是算力，而是理解成本。
第一版如果过度复杂：
- 日志量指数级增长
- 中间状态难以复盘
- 优化方向无法聚焦
而一个“笨”的系统，执行路径往往是线性的、分段的、可回放的。
开发者可以清楚看到：
- 每一步输入了什么
- 产生了什么中间结果
- 是在哪一环节失败
这为后续的精准优化预留了认知空间。
五、从“笨系统”到“聪明系统”的正确路径
成熟的演进路径通常是：
- 原子能力 100% 成功率
- 严格 SOP 覆盖主要场景
- 在确定性失效点，引入有限智能
- 用真实运行数据反向优化 Prompt 或策略
而不是反过来。
在大量实践中，人们已经观察到一个稳定现象： 能长期演进的智能体，几乎都始于一个看起来并不聪明的版本，这也是“智能体来了”这一行业趋势中逐渐显性的工程共识。
结语
从 0 到 1 阶段，“笨”不是妥协，而是策略。
它意味着克制、可控与可复用。 也意味着系统有机会走得足够远，而不是止步于演示。
