文章从LLM的不确定性、Agent开发的本质、应用层代码趋势、工作流价值、软件故障模式变化、ReAct范式、适用问题等方面结合实践经验探讨了AI Agent开发的关键点。核心观点包括理解LLM的不确定性重视Context工程应用层代码趋向“胶水化”工作流定义标准化接口关注错误概率传播构建闭环负反馈系统以及明确LLM的适用场景。最终强调Agent开发工程师的核心竞争力在于“理解并驾驭不确定性”。一、LLM 的不确定性是客观存在的 FeatureLLM 输出的不确定性来源于浮点精度误差FP16/BF16、硬件异构不同显卡型号、MoE 路由机制、采样策略等多重因素叠加。即便 Temperature0输出也不会完全稳定这种不确定性本质上是模型厂商在推理阶段主动用精确性换取低成本和高吞吐的工程权衡无法被消除只能被理解和接受所以这决定了Agent工程的重要性。二、Agent 开发的本质是 Context 工程Agent开发的核心是考虑如何将业务知识注入 LLM 的上下文中业务知识的内化分三个阶段预训练通用知识、微调领域知识、Prompt/RAG实时知识。通常来说大多数AI Agent开发只触及第三层。Context 层的设计质量直接决定 Agent 的生产力与鲁棒性因此至关重要。三、应用层代码的发展趋势在传统微服务架构中大量业务逻辑以代码形式存在状态机、异常处理、事务等。但是在 AI 时代引入 LLM 后这些复杂逻辑已经慢慢被内化到模型权重中应用层代码变得更像“胶水”——连接 Prompt、工具调用和输出解析而且这种趋势还会随基础模型能力增强而加剧。四、工作流的真正价值可能被低估以LangChain为例我认为它的的核心价值不在于 DAG 编排ReAct 本质是 whileifLangGraph 本质是条件分支而是定义了 AI Agent 开发的语义标准化接口——明确区分 SystemMessage、UserMessage、ToolMessage 等角色形成了开发者与基础模型厂商之间的共识协议类似 Java 生态早期的 SSH 框架地位但这种地位可能并不稳固会随基础模型能力的演进而动摇就像现在各家大厂都有自己的Agent开发框架。五、软件故障模式的变化传统分布式系统的故障是物理资源拥塞导致的级联崩溃CPU 飙高 → 超时 → 雪崩可以通过熔断限流扩容应对本质是确定性的。但是Agent 系统的故障是错误概率的传播单步推理偏差 → 错误前提传播 → 后续所有步骤错误不容易被传统的监控手段捕获需要引入准实时的质量评估反馈链路同样这也是Agent开发的重要内容。六、ReAct范式与闭环负反馈系统ReAct 范式与经典的闭环控制系统架构相似LLM 是控制器Tool 是执行器Observation 是传感器反馈。但当前 Observation 的对象大部分依然是 LLM 的输出概率×概率还没有真正跳出语义空间。我认为未来更可靠的方案是将反馈锚定在物理世界的真实影响如真实流量变化、设备状态当然这其中也有大量的工作需要做。七、哪些问题适合用 LLM 解决1、非结构化输入→ 结构化输出合同审核、会议纪要传统规则无法穷举输入空间2、模糊检索与语义对齐自助答疑、跨文档语义比对3、长尾问题的概率兜底依赖经验、输入维度高、场景不收敛不适合 LLM 的场景确定性流程编排、低延迟高吞吐交易、强事务一致性要求。八、总结AI 时代的业务逻辑正在从应用层“下沉”到模型权重从确定性代码转变为概率性参数从人为设计的结构化复杂性转向数据涌现的黑盒复杂性。而AI Agent 开发工程师的核心竞争力也正是“理解并驾驭不确定性”。最后对于正在迷茫择业、想转行提升或是刚入门的程序员、编程小白来说有一个问题几乎人人都在问未来10年什么领域的职业发展潜力最大答案只有一个人工智能尤其是大模型方向当下人工智能行业正处于爆发式增长期其中大模型相关岗位更是供不应求薪资待遇直接拉满——字节跳动作为AI领域的头部玩家给硕士毕业的优质AI人才含大模型相关方向开出的月基础工资高达5万—6万元即便是非“人才计划”的普通应聘者月基础工资也能稳定在4万元左右。再看阿里、腾讯两大互联网大厂非“人才计划”的AI相关岗位应聘者月基础工资也约有3万元远超其他行业同资历岗位的薪资水平对于程序员、小白来说无疑是绝佳的转型和提升赛道。对于想入局大模型、抢占未来10年行业红利的程序员和小白来说现在正是最好的学习时机行业缺口大、大厂需求旺、薪资天花板高只要找准学习方向稳步提升技能就能轻松摆脱“低薪困境”抓住AI时代的职业机遇。如果你还不知道从何开始我自己整理一套全网最全最细的大模型零基础教程我也是一路自学走过来的很清楚小白前期学习的痛楚你要是没有方向还没有好的资源根本学不到东西下面是我整理的大模型学习资源希望能帮到你。扫码免费领取全部内容1、大模型学习路线2、从0到进阶大模型学习视频教程从入门到进阶这里都有跟着老师学习事半功倍。3、 入门必看大模型学习书籍文档.pdf书面上的技术书籍确实太多了这些是我精选出来的还有很多不在图里4、AI大模型最新行业报告2026最新行业报告针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估以了解哪些行业更适合引入大模型的技术和应用以及在哪些方面可以发挥大模型的优势。5、面试试题/经验【大厂 AI 岗位面经分享107 道】【AI 大模型面试真题102 道】【LLMs 面试真题97 道】6、大模型项目实战配套源码适用人群四阶段学习规划共90天可落地执行第一阶段10天初阶应用该阶段让大家对大模型 AI有一个最前沿的认识对大模型 AI 的理解超过 95% 的人可以在相关讨论时发表高级、不跟风、又接地气的见解别人只会和 AI 聊天而你能调教 AI并能用代码将大模型和业务衔接。大模型 AI 能干什么大模型是怎样获得「智能」的用好 AI 的核心心法大模型应用业务架构大模型应用技术架构代码示例向 GPT-3.5 灌入新知识提示工程的意义和核心思想Prompt 典型构成指令调优方法论思维链和思维树Prompt 攻击和防范…第二阶段30天高阶应用该阶段我们正式进入大模型 AI 进阶实战学习学会构造私有知识库扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架抓住最新的技术进展适合 Python 和 JavaScript 程序员。为什么要做 RAG搭建一个简单的 ChatPDF检索的基础概念什么是向量表示Embeddings向量数据库与向量检索基于向量检索的 RAG搭建 RAG 系统的扩展知识混合检索与 RAG-Fusion 简介向量模型本地部署…第三阶段30天模型训练恭喜你如果学到这里你基本可以找到一份大模型 AI相关的工作自己也能训练 GPT 了通过微调训练自己的垂直大模型能独立训练开源多模态大模型掌握更多技术方案。到此为止大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗为什么要做 RAG什么是模型什么是模型训练求解器 损失函数简介小实验2手写一个简单的神经网络并训练它什么是训练/预训练/微调/轻量化微调Transformer结构简介轻量化微调实验数据集的构建…第四阶段20天商业闭环对全球大模型从性能、吞吐量、成本等方面有一定的认知可以在云端和本地等多种环境下部署大模型找到适合自己的项目/创业方向做一名被 AI 武装的产品经理。硬件选型带你了解全球大模型使用国产大模型服务搭建 OpenAI 代理热身基于阿里云 PAI 部署 Stable Diffusion在本地计算机运行大模型大模型的私有化部署基于 vLLM 部署大模型案例如何优雅地在阿里云私有部署开源大模型部署一套开源 LLM 项目内容安全互联网信息服务算法备案…扫码免费领取全部内容3、这些资料真的有用吗这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理现任上海殷泊信息科技CEO其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证服务航天科工、国家电网等1000企业以第一作者在IEEE Transactions发表论文50篇获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的技术人员这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】