Agent 是这周绝对主角：Meta 发了个专门给本地常驻 agent 用的 Muse Glimmer，Anthropic 在总结多智能体系统踩过的坑，还有一家把 14MB 的 agent 模型塞进了手机和手表（Needle2）。但我越来越觉得，主流叙事和工程现实之间有个裂缝——大多数团队根本没分清哪些场景值得上 Agent。这周把反面说透：有些场景，答案就是别上。
规则能穷举的场景，Agent 是负资产
Anthropic 那篇 Patterns and problems in emerging multi-agent systems，翻来覆去其实在讲一个老问题：编排层本身就是新故障点。你把一个任务拆给三个 agent，就得处理三个 agent 之间的协议、超时、互相误解。而大多数业务——审批、对账、定时任务——分支能穷举，写成状态机或规则引擎，当天上线，跑十年不带错。Agent 在这里不是更好，是更贵、更难测、更慢。
Economist 的标题更直白（AI agents lie, cheat and steal）：用户都被吓跑了。agent"撒谎"未必是它坏，更多是不该让它自由发挥的地方，它自由发挥了。规则引擎不会撒谎，因为它没机会。
错误零容忍和毫秒延迟，是硬禁区
计费、用药剂量、银行转账，这几类场景我劝退过好几轮。agent 输出是概率性的，哪怕正确率到了小数点后好几个九，量一大照样每天冒出离谱结果。更麻烦的是这类错误不可回滚——钱转出去了，实验样本废了，拿什么补？不该上。
延迟敏感更直接。通用大模型单次推理几十到几百毫秒，agent 再串几轮工具调用，一秒就没了。这周两个新闻其实都在说这件事：Meta 的 Muse Glimmer 30B 参数，专为"常驻本地"优化；Cactus 的 Needle2 更狠，14MB 塞进手机手表和机器人。连最激进的团队都得靠定制小模型才能把延迟压下来，你拿通用 API 叠三层 agent 做实时交互？我不信。
数据量小到人工更快，别跟自己较劲
写三行文案、改五条简历、整理两张 Excel。用 agent 也能干，但把写 prompt 的时间、等它生成的时间、检查它有没有胡编的时间算进去，真不如自己上手。我见过有人每次写周报都开 agent，然后花十分钟改。我说你直接写更快，他说你不懂 AI。这不是该不该上的问题，是面子问题。
这条标准以后会变——等 agent 便宜到电费那个级别，小任务也划算。按我现在看，拐点还没到。
不确定性大的地方才是主场，但别把"做不好"说成"不该做"
Discovered Materials 用 agent 筛新材料，这种方向我坚决站。材料发现空间巨大、失败率高，规则根本写不全——就该让 agent 去折腾，成本低、价值高。区分标准就一条：你是在确定性里执行，还是在不确定性里探索。前者用规则，后者再让 agent 上。
同时泼个冷水给自己：别把"暂时做不好"说成"不该做"。有些场景现在 agent 表现烂，是能力没到位，不是方向错了。靠否定显清醒，三年后同样会被打脸。承认不确定："现在烂，但值得继续盯。"
给同行就一句话：主动说"这里不适合"，比硬上一个 demo 更能建立信任。老板和客户都不瞎，翻过一次车，你后面说什么都得打折。