生产级 Agent 排雷实战

Agent 从 demo 跑通到上线扛住真实流量，中间隔着的不是模型能力，而是一连串没人提前告诉你的坑。这门课不教你搭一个玩具 Agent，它假设你已经写过、或者正准备把 Agent 推上生产，然后带你逐个拆掉 20 个真实会炸的工程地雷。

先确认你是不是该看这门课

如果你只跑过一两次大模型接口，把工具调用串起来就以为完事，这门课对你偏难——它默认你至少理解一次完整的 Agent 请求链路：模型决策、工具调用、状态回传、结果落库。反过来，如果你已经遇到过下面这些信号，说明缺口就在这里：

• 同一句用户输入，Agent 今天答对明天答错，复现不了也定位不到。
• 工具调用偶尔超时或返回脏数据，链路直接卡死，没有兜底。
• 多轮对话跑长之后上下文爆炸，成本飙升还答非所问。
• 测试环境一切正常，上生产当天就开始零星报错。

这些不是模型不行，是工程没排干净。课程要补的正是这块：从「能跑」到「跑得稳」之间被忽略的工程判断。

20 个地雷大致埋在哪些地方

它把生产级 Agent 的排雷面拆成几个反复出问题的区域，每个地雷都对应一类真实故障：输入与意图的边界处理、工具调用的超时与重试、上下文与记忆的膨胀控制、多 Agent 协作时的状态一致性、以及可观测性与降级策略。重点不在「知道有这些坑」，而在每个坑给出可落地的处置动作——什么时候该重试、什么时候该直接短路、状态在哪一层做校验、日志要记到什么粒度才能复盘。

换句话说，它训练的是你在故障发生前就预判它的能力，而不是等线上报警了再去救火。

配套练习该怎么用

这类排雷课只看不练基本无效，因为坑的形态和你的技术栈强相关。建议按这个节奏走：每学完一个地雷，先在自己的项目里找对应位置——哪怕只是个原型——把课程里的处置思路改一版塞进去，观察行为变化。遇到课程给的判断标准（比如某类调用多久没返回就该放弃），不要照抄数字，换成你系统真实压测下的阈值。课程的价值是给你排查的顺序和检查清单，具体数值得你自己测出来。

看完你应该能回答的问题

• Agent 输出不稳定时，怎么判断是模型问题还是工程问题，第一步查哪里？
• 工具调用失败，什么情况下该重试、什么情况下重试只会放大故障？
• 长对话上下文怎么裁剪才不丢关键信息，成本和质量怎么权衡？
• 多步链路里状态错乱，如何定位是哪一环写坏的？
• 上线前该准备哪些降级方案，才能让故障不至于全盘崩？

如果这些问题你现在答不上来，或者只能给出模糊方向，那这门课就是对着你的缺口来的。它不承诺把你变成 Agent 专家，只帮你把手里那个能跑的 Agent，变成一个不容易在深夜把你叫醒的系统。