通过Ramp工程师让AI管理主题公园的实验，揭示了Agent失败的真正原因。AI在财务管理上表现完美，却在空间推理任务上屡屡失败，这背后隐藏着一个核心规律：Agent的能力上限取决于环境可读性与接口质量的乘积。
智能速览
AI在财务管理任务中表现完美，能制定精准的定价策略
空间推理是AI的短板，建造过山车任务中频繁失败
Agent能力上限 = 环境可读性 × 接口质量
结构化信息和精确命令更适合AI处理
CLI接口可能比GUI更适合AI使用
精华内容
这个实验揭示了Agent开发中的一个重要误区：我们总是过度关注模型能力，却忽视了工具设计的关键作用。
财务管理满分
AI在主题公园的财务管理中表现出色，能够根据客流量动态调整热果价格，将厕所定价保持在低位以提升游客体验。现金流管理精准到从不断流，AI还自己总结出了一套包含容量管理定价策略、基础设施密度、员工调度频率的精英原则。这些成功源于财务信息可以用数字和规则表达，操作是精确命令，反馈及时且明确。
空间推理崩溃
在建造过山车任务中，AI的表现截然相反。轨道建到一半就停止，路径永远无法连接入口，甚至出现一条岔路创造平行宇宙的荒谬情况。AI表示理解路径应该连接，但无法确定具体坐标。空间关系难以用文本表达，人类一眼就能看出的问题，AI只能看到一堆坐标数字，这种根本性的差异导致了任务失败。
核心规律揭示
实验最重要的发现是：Agent的能力上限等于环境可读性乘以接口质量。财务管理任务中，信息是结构化数字，操作是精确命令，反馈及时明确，AI完全能理解。而建造任务中，信息是空间坐标，操作需要试错，反馈依赖视觉判断，这对AI来说极其困难。
开发启示
这个实验给Agent开发带来了三个重要启示：第一，先投资工具再投资模型，工具设计决定能力上限；第二，适合Agent的任务需要状态可结构化表达、操作有明确命令、反馈信号可量化；第三，CLI可能比GUI更适合AI，因为精确快速。最近Cloud Code加入LSP支持，就是在为AI提供更好的眼睛。
Agent做不了的事，问题往往不在AI身上，而在你给它的工具。工具设计等于Agent的能力上限，不是换更强的模型，而是设计更好的接口。可读性是被低估的关键因素，下次Agent效果不好时，先问问是模型不行还是工具不行。
