上个月，我们给团队接了一个"代码评审 Agent"。
Demo 那天很惊艳：它能读 diff、能提重构建议、还能自动生成 review 评论。三天后，我们把它下线了。
不是模型突然变笨，而是它在最关键的一步不断翻车： 该谨慎时自信满满，该给证据时只给结论，该升级给人时硬着头皮继续执行。
那一刻我意识到，2026 年真正危险的能力断层，不是"你会不会写代码"，而是"你会不会设计 Agent 工作流"。
先说一个我看到的信号
这几天我刷 GitHub，有两个现象非常明显：
- 框架在飞快迭代：LangChain langchain-core==1.2.26、LangGraph 1.1.6、LlamaIndex v0.14.20、vLLM v0.19.0、Transformers v5.5.0，发布时间几乎都挤在 4 月初。
- 新项目的关注点在变化：比起"更会聊天的模型"，大家更关心"可执行、可回滚、可协作"的 Agent 工程能力。
这说明一件事： 模型能力正在变成基础设施，真正拉开差距的是流程设计能力。
为什么"会写代码"不够了
过去我们做软件，默认逻辑是确定性的：输入 A，得到 B。 现在接入 Agent 后，系统里多了一个概率节点：它有时正确，有时离谱，而且离谱时往往很像正确。
这意味着工程挑战变了：
你要设计的，不再只是函数调用链，而是一个"会犯错的执行体"的活动范围。
换句话说，代码能力解决"怎么做"； 工作流能力解决"做错了怎么办"。
Agent 工作流到底在设计什么
我现在把 Agent 工作流拆成四层：
- 任务状态层：每一步都有明确状态（待执行、执行中、成功、失败、需人工确认），不能只靠一段 prompt 一把梭。
- 决策路由层：不同任务走不同路径，简单任务直达，风险任务必须升级或二次验证。
- 工具约束层：Agent 不是"想调什么就调什么"，每个工具要有输入输出契约、超时、重试和幂等策略。
- 观测评估层：全链路日志、失败分类、回放样本、成本统计。没有观测，优化就是玄学。
很多团队不是模型不行，而是这四层有两层是空的。
那次"最后一步翻车"，我们怎么修
最开始我们的流程是这样的：
- 把 PR diff 丢给 Agent
- 让它输出 review 建议
- 自动回写到代码平台
看起来顺，实际上风险极高。因为"输出"那一步没有证据门槛。
后来我们改成了五步：
- 第一步：先做变更分类（语法改动、逻辑改动、依赖改动、接口改动）
- 第二步：再做风险评分（低/中/高）
- 第三步：只在需要时调用外部工具（测试日志、历史缺陷、相关文件）
- 第四步：生成"带证据的建议"，每条建议必须附上定位依据
- 第五步：高风险建议默认不自动提交，进入人工确认
改完之后，最明显的变化不是"它更聪明了"，而是"它更可控了"。
可控，才是工程系统里真正的智能。
我越来越确定的一件事
2026 年之后，团队会出现一个新分层：
- 只会写 prompt 的人，在做"效果演示"；
- 能设计工作流的人，在做"生产系统"。
前者能跑出一个漂亮 demo，后者能扛住凌晨两点的报警。
如果你今天就在做 AI 应用，我的建议不是"再调 20 版提示词"， 而是先问自己三个问题：
- 你的 Agent 失败后会停在哪里？
- 谁可以接管？接管时能看到什么上下文？
- 这次失败会不会在一周后重复出现？
这三个问题，决定了你的系统是在"表演智能"，还是"交付智能"。
结尾
"不会写代码"会让你慢一点， "不会设计工作流"会让你在关键时刻直接失控。
下一个阶段，最值钱的工程能力，不是把模型接进来， 而是把模型关进一个可被治理的流程里。
这是我最近最深的体感。
你们团队现在的 Agent，属于"能跑"，还是"能扛事"？