# Why (Senior) Engineers Struggle to Build AI Agents — Philipp Schmid, Google DeepMind

- Channel: [AI Engineer](https://www.youtube.com/channel/UCLKPca3kwwd-B59HNr-_lvA)
- Published: 2026-05-30
- Source video: [Watch on YouTube](https://youtube.com/watch?v=3_gYbhABcAE)
- Read on ReadTube: https://www.read.tube/p/videos/3_gYbhABcAE
- Language: Simplified Chinese

## Summary

**工程师为何难造智能体**

菲利普·施密德指出，工程师之所以难以构建人工智能智能体，是因为它们并不像传统软件那样按固定步骤和确定输出工作。智能体更依赖文本语义、上下文、工具调用与迭代反馈，因此开发方式必须从“写死流程”转向“设定目标、观察结果、不断修正”。

菲利普·施密德认为，传统软件开发强调规格、代码、测试和部署，工程师控制的是路径；而智能体开发更像给出目标后让模型自己寻找路径，开发者需要在运行中观察、调整提示词和工具，并接受结果可能出乎预料但仍能达成目标。这种变化要求工程师从“交通管制员”转向“调度员”，不再强行规定每一步，而是容许模型在更宽松的约束下完成任务。

他列出五个关键差异：
- 文本就是新状态，很多原本依赖布尔值或结构化字段的场景，现在要靠语义理解和上下文来表达，个性化也更难用固定数据结构建模。
- 应当逐步交出控制权，面对客服、订阅取消等流程，不能再完全依赖预设分支，而要让模型根据语义动态处理并改变流程。
- 错误应被当作输入处理，长流程智能体不能像旧式请求那样简单重跑，否则会浪费大量算力并丢失上下文。
- 评估要从单元测试转向评测体系，因为智能体具有非确定性，重点不是“每次都一样”，而是“成功率和可靠性是否足够高”。
- 工具和接口要为智能体而设计，函数名、说明和模式必须自解释，不能假设模型具有人类工程师那样长期积累的系统背景。

他的结论是，构建智能体需要“信任但验证”：不要把模型硬塞进固定工作流，要保留语义、为失败设计恢复机制、用评测而非只靠断言来衡量可靠性，并接受软件会随着更强模型不断重建。智能体时代的软件更像是可迭代、可替换、面向恢复与语义协作的系统。