第一次 agent 搞砸時，你的本能是換更大的模型；第二次，是「把 prompt 寫得更用力」。兩者都錯過了重點。

一個出錯的 agent，通常不是笨模型，而是你給了它一個錯誤的「工作形狀」。你選擇的模式——模型如何路由、它能碰哪些工具、它會不會檢查自己的成果——決定了它看起來聰明，還是一再以同樣可預測的方式失敗。

有三個模式值得你記住名字，不是因為它流行，而是因為每個模式的存在，都是為了解決某種特定的失敗模式。搞清楚你在對抗哪種失敗，模式就自己會挑好。

模式一：路由（Routing）——當輸入開始長得不像彼此

問題是這樣的：一個 prompt 是退款申請，下一個是帳單 bug 回報，再下一個是「你們的退款政策是什麼？」。用單一 agent 同時處理這三種，它會信心滿滿地用同一套泛泛而論的方式硬闖過去，因為它沒有任何理由區分對待。

路由透過在行動之前先做一個決策來修正這點：先分類輸入，再把它送給對的專家。那個專家可以是不同的 prompt、不同的模型，或不同的程式路徑——重點是分離，不是機制。

路由要解決的失敗模式是異質性。一個 agent 處理多種輸入時，會漂向「平均」。路由的意思是：平均的答案是對每個具體案例都錯的，所以別再平均了。

你需要它的徵兆很簡單——當你發現自己在單一 prompt 裡寫「如果使用者問的是 X，那就……」，你就是在用散文手刻一個路由器。把它抽出來，做成真正的決策。

模式二：工具使用（Tool use）——當模型一直自己編造答案

問模型「我現在的餘額是多少」，它會信心滿滿地報出一個它編的數字。這不是偷懶；模型只知道自己訓練時見過的東西，而你的餘額不在裡面。

工具使用是把 agent 從「知識」系統變成「行動」系統的模式。給它一個函式——get_balance()、search_docs()、run_query()——它就不再憑空捏造答案，而是去抓取答案。

工具使用要解決的失敗模式是在資料缺失時的胡編。當 agent 不知道、又沒有方法去查時，它會用自信的虛構填補空白。工具就是從虛構逃回事實的出口。

微妙的反向陷阱是：工具爆炸。加太多工具，每個決策都會變難，而不是變簡單——模型現在得在三十個選項裡挑對的才能行動。對獨立開發者來說，紀律是讓工具面保持小而精準地命名。三個描述清楚的工具，永遠勝過三十個含糊其辭的工具。

模式三：反思（Reflection）——當工作細緻、「錯得不明顯」又很便宜時

有些輸出明顯對或錯。但多數有趣的工作不是這樣。一段生成的函式通過了 lint，卻仍然有微妙的錯誤；一篇文章讀起來順暢，卻什麼都沒說。

反思加上第二次的檢視：先生成，再針對某個標準批判，然後修正。agent 在你看見之前，先檢查自己的成果。

反思要解決的失敗模式是沉默的錯誤——那些「不會報錯的錯誤」。它是三者中唯一會真正增加成本與延遲的（多一次模型呼叫，有時是一整串），所以是你設門檻最嚴的一個。反思只有在以下情況才值得付出代價：

  • 正確性真的很重要（錯的答案昂貴——錢、資料、信任）。
  • 你能清楚說出標準（「這樣能編譯過嗎？有沒有處理空值的情況？」）。
  • 你寧可燒 token，也不願花自己的review時間。

對於一個快速的查詢或發散式腦力激盪，反思純屬浪費。但對於會碰到使用者資料的那段程式，它是你能買到最便宜的保險。

真正的技能是診斷失敗，而不是選模式

對獨立開發者來說，這才是關鍵的重構——因為當它壞掉時，你是唯一會去 debug 的人：

別先抓模式，先抓失敗。

  • Agent 對各式各樣的問題都給出含糊、攪在一起的答案 → 路由。
  • Agent 憑空捏造事實或數字 → 工具使用。
  • Agent 的答案看起來對，但經不起推敲 → 反思。

你每加一個模式，就買到一項能力，也多付一種新的失敗方式——更多延遲、更多 token、多一個要自己扛的活動零件。獨立開發者的紀律不是三種全疊上去，而是加上能殺掉你實際看到的那個失敗、最小的一個模式，其餘的都別加。

更大的模型修不好路由問題；更好的 prompt 修不好缺失的工具。模式才是藥，不是模型——而知道你需要三者中的哪一個，正是「它為什麼一直這樣」與「好了，修好了」之間的差別。

這是另外兩篇的「模式層」姊妹篇：API vs MCP（你的工具用哪種傳輸溝通），以及 AI agent 仍然做不到的事（任何模式都搆不到的天花板）。這篇談的是模式本身——每個模式為了什麼而存在，又何時才值得。

這個診斷會指向具體的地方：如果失敗出在反思，〈「完成」是一個宣稱，不是事實〉就是能抓到它的驗證儀式；如果出在記憶，〈記憶才是產品〉談的是為什麼真正撐住一切的是模型周圍的那套系統。而當出錯的模式是工具呼叫時，影響範圍就是另一個問題了——〈你的代理，信任所有你接上去的東西〉。

資料來源

  • Zheng et al., Where LLM Agents Fail and How They Can Learn From Failures（arXiv:2509.25370，2025）。 —— AgentErrorTaxonomy：agent 的失敗模組化地橫跨記憶、反思、規劃、行動與系統層操作；單一根本原因錯誤會一路串聯影響後續決策。支撐「診斷失敗，而非選模式」的論點。
  • Ng, Agentic Design Patterns（DeepLearning.AI，2025）。 —— 反思適合用在「品質比速度重要、且有清楚正確性標準可系統性評估」的任務；它帶來的成本與延遲，不值得花在簡單查詢上。
  • OpenAI, Agent Design Patterns 指南（2025）。 —— 路由、工具使用、反思的經典框架；路由是行動前的決策，工具使用讓 agent 能行動，反思是自我批判。
  • LangChain / RAGyfied, Agentic Design Patterns（2025）。 —— 「工具爆炸」問題：工具越多，agent 的決策越難；應分組工具、採用階層式選擇、並設定呼叫預算。