十个 Agent 同时开工前,先把可靠性这笔账算清
2026 年 4 月的一个周五晚上,一位创始人给 Agent 下了个指令,让它把订单数据同步进 CRM,然后合上笔记本去参加家人的婚礼。Agent 半路撞上 429 限速,随即进入一种机械的死循环,规划,调用工具,报错,重新规划,再调用,每小时大约砸出 4800 次请求。成本曲线是这样的,第 1 小时 42 美元,第 4 小时 200 美元,第 12 小时 1000 美元,第 63 小时 4200 美元。等他回到电脑前,账单烧穿了,桥轮融资也黄了。
这不是恐怖故事,是 2026 年 Agent 行业的一个切片。Digital Applied 综合 150 多个数据点得出的结论是,88% 的 AI Agent 项目进不了生产环境。79% 的企业已经用上了某种形式的 Agent,真正跑在生产里的只有 11%。
另一半图景是这样的,PwC 的调研说 20% 的企业拿走了 75% 可衡量的 AI 价值。大家用的是同一批模型,差距不在技术,在运营纪律和知识基础设施。
我自己每天同时跑着十个左右的 Agent 实例,内容生产、多平台发布、SEO 分析、工具开发全在线上转。这套系统不是一次设计出来的,是踩着上面那种坑一轮一轮迭代出来的。今天把能跑进生产环境的那部分拆开讲,给你一套可执行的搭法。
先算可靠性账,八成项目死在这一步
Agent 项目失败的原因分布很有意思,基础设施缺口占 41%,治理和安全壁垒占 38%,ROI 衡量失败占 33%,技能人才缺乏只占 29%。排最前面的两样全是纪律问题,不是模型问题。
纪律问题里最硬的一堵墙是可靠性数学。单步成功率 95%,听着已经很高了对吧,一条 10 步的工作流端到端跑下来,成功率只剩 95% 的十次方,60%。20 步呢,36%。哪怕你把单步做到 99%,20 步也只有 82%。
这组数字解释了很多事。为什么 88% 的项目上不了线,因为大多数人把 20 步的端到端自动化当成了设计目标。为什么成熟的体系都不这么干,工作流切成几个阶段,每个阶段内部只放 3 到 5 步自主执行,阶段和阶段之间塞一道人工审核。95% 的五次方是 77% 上下,加上阶段口的纠偏,整条链路才立得住。
老雷给大家提个醒,让 Agent 自主跑多远,不是能力问题,是可靠性预算问题。你在纸上把单步成功率和步数一乘,答案自己就出来了。
三层架构,别一步登天
实践里能跑通的路径是三层递进,跳层的基本都摔下来了。
第一层,单 Agent 单任务。打开 ChatGPT 问一句拿一个答案,每次从零开始,没有上下文积累。全球绝大多数用户停在这一层。
第二层,单 Agent 多步骤。关键是给 Agent 挂上持久上下文,CLAUDE.md 加 Skill,让它执行一个有明确输入输出的多步骤流程。这一层的地基是知识库,根目录的 CLAUDE.md 当公司总览,子目录的当部门手册,Agent 走到哪个分支就自动加载哪一层的规则和资源。Anthropic 把这个思路叫即时上下文检索,维护轻量的标识符,运行时再动态加载,而不是把所有内容预灌进窗口。没有这层地基,多步骤工作流就是一堆松散的提示词拼接。
第三层,多 Agent 协作。多个实例同时跑,任务调度、状态同步、冲突解决全要跟上。Anthropic 自己的研究给过多 Agent 的加分项,内部研究评测上比单 Agent 高出 90.2%,代价也写在同一份报告里,多 Agent 系统的 token 消耗大约是普通聊天的 15 倍。Princeton NLP 的对照研究更扎心,给定相同的工具和上下文,单 Agent 在 64% 的基准测试上就能追平多 Agent。
所以老雷的建议是,先把单 Agent 的上下文质量做扎实,真遇到需要隔离的子任务再拆 Agent,为了多 Agent 而多 Agent,烧的是自己的钱。DEV.to 上有位同时跑着约 20 个 Agent 的开发者,连造 7 个没人要的产品之后想明白一件事,每个新东西开建前都得先回答谁在拉它,他后来专门设了一个只读 Agent,职责就是说不。
再强调一遍,知识库不是存文件的仓库,是通过层级配置主动塑造 Agent 行为的大脑,Agent 还没提问,答案已经在上下文里了。它和 RAG 的区别就在这,RAG 是问了再去找,这套体系是走到哪自动带到哪。
具体编排上有五个可复用的模式,Anthropic 那篇 Building Effective Agents 定义得很清楚。提示链把任务拆成顺序步骤,每步出口加一道程序化检查,路由按输入类型分流到专门的处理线,并行化让独立子任务同时跑,编排者加工人由一个主 Agent 拆活委派再汇总,评估者加优化器是一个生成一个挑刺循环迭代。日常业务里这五个基本都用得上,按任务形态对号入座就行。
成熟度上还有个五级刻度可以对照,L1 手动辅助,L2 单 Agent 自动化,L3 工作流编排,L4 多 Agent 协作,L5 定时自治。验证标准很具体,L3 的门槛是 3 到 5 个可复用工作流稳定运行、每周省出 10 小时以上,L5 的门槛是连续 7 天无人干预自动运行。大多数人卡在 L1 到 L2 之间,卡住的原因不是技术,是不愿意做写规范、沉淀知识库这种短期看不见回报的基础建设。
基础建设的时间不是成本,是投资。Agent 输出质量的上限,就是你喂给它的上下文的上限。

四道防线,防的就是开头那 4200 美元
回到开头的婚礼夜事故,复盘的人 Sattyam Jain 说过一句话,架构是产品,模型只是上游依赖,任何一周都可能退化。他在生产环境跑着 15 个以上的 Claude Agent,90 天可用性 99.9%,靠的不是模型强,是四道防线。
第一道,边界验证。每个工具调用做类型检查、权限校验、按工具限速,429 来了就该熔断退出,而不是换个姿势再砸一次。
第二道,预算上限。美元上限、token 上限、挂钟时间上限、递归深度上限,四个天花板必须在模型推理之前生效,不是事后对账。
第三道,归属可观测性。Agent A 让 Agent B 去调工具,你必须在 30 秒内能重构完整调用链,不然出了事连锅都找不到。
第四道,默认拒绝。Agent 不继承任何权限,每一项权限都是显式授予、有日志、可撤销。
这四道不是理论推导,安全行业的数据摆在那,61% 的 Agent 安全事件源自凭证权限过大,34% 的已部署 Agent 被提示注入打过,一次 Agent 相关数据泄露的平均成本是 470 万美元。
治理姿态上再补一句,Gartner 给过四级自主权模型,观察、建议、审批后执行、护栏内自主执行。别把治理当二元选择,要么全锁死要么全信任,那 40% 会在 2027 年前被取消的项目,一半是这么死的。分层才是正解,读数据的任务放低级别跑,发钱、发布、删数据这些关键动作设人工闸门。

成本账,拿数字说话
一人公司量级的 Agent 栈,基础配置月费 100 到 300 美元就能跑起来,模型 API、自托管 n8n、一台 5 到 40 美元的 VPS。全功能栈 300 到 800 美元。对比雇一个全职助理每月八千到一万五人民币的开销,杠杆是 10 到 18 倍。
但别只算 API 账。社区实测数据显示,可观测性和编排占了真实成本的 62%,只算 token 就决定上线的团队,后来都发现维护才是大头。好在模型路由能省回一大截,简单任务走低成本模型,这一招实测能压掉约 47% 的成本。
效率侧我自己有本账。写一篇 8000 字的深度文章,从 8 小时压到 2 小时,省下的 6 小时里素材采集从 90 分钟变 15 分钟,初稿 3 小时变 30 分钟,多平台发布从半小时变 5 分钟。一次 SEO 站点诊断从 2 天压到 3 小时。一条稿子发 6 个平台,从 2 小时变 15 分钟。
要说清楚的是,剩下那 2 小时我没歇着,选题决策、质量审核、调性把关这些判断全在人这。Nomixy 做过一个 90 天实验,结论是 AI 替掉了一人公司 70% 到 80% 的运营雇佣需求,剩下两三成,销售、品牌声音、创始人判断,还是纯人类工作。
十步清单,今天就能开工
这套路径平台无关,FDE 拿去就能用。
1、用一句话定义单一、可衡量的目标,写死输入、处理逻辑、输出和成功指标,别做什么都干的 Agent。
2、在纸上画一遍人工流程,把每步标成三类,代码能做的、要判断的、必须人审的。
3、选平台,不会编程选 n8n 或 Make,会编程上 Claude Code 加 CLAUDE.md,别花两周比选型,先跑起来。
4、写系统提示词,按职位描述的标准写,身份、职责、可用工具、输出格式、禁止行为。
5、接工具,MCP 是 2026 年的标准协议,总下载量 9700 万,权限给到最小。
6、设计记忆,短期记忆管单次会话,CLAUDE.md 管跨会话,运行时临时笔记管工作状态。
7、建测试套件,50 条真实数据跑批量,准确率过 90% 才放行,八成生产问题出在边界情况。
8、加护栏,四个天花板配齐,高风险动作设强制人工审核。
9、上线低风险场景,盯五个指标,完成率、准确率、延迟、自主完成比例、每任务成本,连续 7 天无需紧急修复算过线。
10、第一个稳定了再扩第二个,急着扩展的后来都返工了。
写这么多,其实想说的就一件事。别问老雷是怎么知道的,四个天花板、阶段闸门、知识库纪律,都是烧过钱换来的。今天能做的第一步很便宜,在你的项目里建一个 CLAUDE.md,把项目上下文写进去,500 字就够。从每次都从零开始,到 Agent 带着上下文干活,L1 到 L2 的那道坎,迈过去就是复利的起点。
Boris Cherny 说他现在不再写提示词了,他写的是循环,循环去驱动 Claude 干活并决定下一步。循环什么时候停,决定了产出质量。你搭的也一样,先让一个窄任务稳稳跑起来,再谈十个 Agent 同时开工。
