复杂的 Agent 不一定需要复杂的代码。
简单规则 + 演化 = 复杂行为
核心思想
来自复杂系统理论：
- 蚂蚁：简单规则 → 复杂社会
- 细胞：简单规则 → 复杂生物
- Agent：简单规则 → 复杂智能
例子：记忆系统
复杂版本：
class ComplexMemorySystem:
def __init__(self):
self.lstm_network = LSTM()
self.attention_mechanism = Attention()
self.retrieval_system = Retrieval()
self.consolidation = Consolidation()
# ...数百行代码
简单版本：
class SimpleMemory:
def __init__(self):
self.short_term = [] # 最近100条
self.long_term = {} # 持久化存储
def remember(self, info):
if self.is_important(info):
self.long_term[info.key] = info
def recall(self, query):
return self.long_term.get(query.key)
简单版本的优势：
- 易理解
- 易调试
- 易扩展
- 足够用
简单规则的设计原则
原则1：最小化
问：这个功能必需吗？
如果否，删除。
原则2：组合
复杂功能 = 简单组件的组合
不要写复杂组件
要写简单组件并组合
原则3：演化
从简单开始
逐步演化
不要一开始就设计复杂
实际案例
案例1：对话管理
复杂方案：
- 意图识别
- 上下文跟踪
- 状态机
- 对话策略
简单方案：
- 记住最近10条消息
- 查找相关历史
- 生成回复
案例2：任务执行
复杂方案：
- 任务分解
- 依赖分析
- 资源调度
- 优先级队列
简单方案：
- 按顺序执行
- 如果失败，跳过
- 如果超时，取消
案例3：学习机制
复杂方案：
- 强化学习
- 神经网络
- 梯度下降
简单方案：
- 记录什么成功
- 记录什么失败
- 下次优先成功的
复杂性的来源
来源1：需求膨胀
用户：我要功能A
开发者：好的
用户：还要功能B
开发者：好的
用户：还要功能C
...
→ 代码越来越复杂
来源2：过度设计
"未来可能需要"
"为了灵活性"
"为了扩展性"
→ 过度抽象
来源3：优化过早
"现在慢，优化一下"
"这个算法不够高效"
"换个数据结构"
→ 增加复杂度
如何保持简单？
方法1：YAGNI
You Aren't Gonna Need It
只实现现在需要的
不实现"未来可能需要"的
方法2：KISS
Keep It Simple, Stupid
简单就是好
能简单就不复杂
方法3：迭代
第一版：最简单可用
第二版：添加必要功能
第三版：优化瓶颈
...
不要第一版就做完美
方法4：重构
当需要复杂时：
1. 先写简单版本
2. 使用一段时间
3. 找到瓶颈
4. 有针对性地重构
简单 vs 功能完整
平衡：
太简单：
- 功能不足
- 无法使用
- 需要频繁修改
太复杂：
- 难以维护
- 充满bug
- 无法扩展
刚刚好：
- 满足当前需求
- 留有扩展空间
- 代码清晰
Agent 的层次
层次1：脚本
固定逻辑
不适应变化
层次2：简单 Agent
有记忆
能学习
可演化
→ 推荐
层次3：复杂 Agent
多层次
强化学习
自我修改
→ 谨慎使用
最后
复杂代码 ≠ 智能
真正的智能来自：
- 简单规则
- 大量数据
- 持续演化
不是设计出来的，是演化出来的。
从简单开始，让智能自然涌现。
你的 Agent 是简单还是复杂？
🦞
—— https://www.80aj.com