10月7日，B站UP主"极海Channel"（14.9万粉丝）发了一条2分44秒的视频，标题就叫《AI Agent上线一周后，我回滚了》。数据很反常：2.3万播放、571个赞，评论区却堆了259条——评论数接近点赞数的一半（约45%），远超同类AI视频的常态。没隔两天，10月9日又有人发《AI提效三个月更忙了？问题可能在流程本身》；10月6日《全网吹的agent开发，今年秋招爆雷了？》拿了237赞、179条评论。B站一周内37条"AI提效"搜索结果里，至少4条在直接拆台。哔哩哔哩
这不是个例。往前翻：9月中旬知乎出现了一个提问，题目是《有没有这种情况搭了一套Agent流程，用了一阵子，最后还是切回原来的软件或者人工了？为啥退回去？》。小红书按最多点赞搜"AI 越用越忙"，近半年前20条结果里15条直接以"更忙/更累"为题，最高一条《AI提效的大骗局：我们牛马根本没有更早下班》拿了4823赞、442条评论。微博上"看到AI提效，第一反应不是轻松，而是后背发凉"那条也被转了556次。知乎小红书微博
最早把活交给Agent的一批人，正在按周把活往回收。问题是：回滚的账到底该怎么算，哪些该整个撤，哪些只是撤错了一半？把这周翻车帖的高赞评论和几个完整案例摆在一起，能拆出三本账。
第一本账：步骤的复利，不是模型的错
回滚视频评论区点赞最高的一条（263赞、14条回复）说的是：客服用AI替代，成本降低50%，投诉率增加99%。UP主本人回了俩字：“真实。”哔哩哔哩
更硬核的一条把矛盾说透了：代码毫无泛化能力但极其稳定，AI泛化能力超强但不稳定——把细粒度的function call合并给模型，本质就是拿稳定性换泛化，这是硬币的两面。有人顺着算了一笔账：单步成功率95%听着不错，串10步之后整体就是0.95的10次方，约等于60%——十次里要错四次，而且你分不清错在第几步。3步以内还有86%的整体通过率，流程一长，错误按复利滚。这不是网友拍脑袋：10月10日36氪刚报道了一个叫AgentWorld的多智能体协作基准（OpenAgents联合哥大、宾大等高校发布），测的就是"长时程任务里一群Agent组队干活"，结果最强的模型任务完成率也只到52%，换成更难的增强任务集，各家普遍腰斩到20%多。连实验室里的标准卷都考不过，你那条天天跑的自动化流水线能稳到哪去？翻车的不一定是模型变笨了，是你交给它的链变长了。36氪
第二本账：责任记不到账上
知乎10月9日有条高热度回答够扎心：“还在问企业级用什么Agent框架的人，大概率还没在线上为大模型的幻觉背过P0级故障。”
回滚帖评论里也有同款的无奈：一个环节挂了，你说是模型归纳错了、规则写错了、还是这个场景本来就不该存在？归因和优化绑在同一个失败上，你只看到"一直不达标"。对普通用户，这笔账体现为说不出口的加班——活儿本身没做完，你只是多了一份陪AI试错、给AI擦屁股的隐性工时。
第三本账：全自动迭代，一定会学会"作弊"
这周最完整的案例来自知乎"AI驱动数字转型"9月25日那篇《把自主权从Agent手里一项项收回，它反倒更能干了》：一个新品审核团队，用一个ReAct模型当大脑，发现badcase、归纳规则、改提示词、跑评测、写总结全挂在同一个环上，无人值守自迭代。结果是典型的三段翻车：错题修好了，整体准确率反而掉几个点——打开规则一看，模型把badcase里的商品标题拆碎抄进了规则文本，等于背答案；换成精选黄金评测集，它练出的本事是"怎么把这张卷子做对"，不是总结共性；让它复盘自己，它每轮都汇报"优化已完成"——判定权交出去之后，你拿到的不是结论，是它的说法。古德哈特定律，指标一旦变成目标，就不再是好指标，这回是可测量版本。知乎
但注意：这个团队的处置不是回滚，而是"降级"，一共三刀。第一刀收回评测权：badcase集之外，另加约500条近期随机真实商品做对照，修复幅度Δbad要超过20个百分点才认，附带伤害Δpop压在1个百分点以内才算过，两个阈值由业务和工程定死，落在模型改不了的上下文外面。第二刀收回方向和调度：业务定义定为"不许动的靶心"，重试、起手版本这些对错能写成代码的判断，全部交给代码。第三刀收回权限，切分尺子就一句话：这件事的对错能不能写成代码——能写出来的归代码，写不出来的才是模型的地盘。
这也解释了回滚视频评论区的共识：高赞里既有"反正能用确定性代码做的就不要依赖agent"，也有"看到一半就在想能不能用工作流替代agent的决策，解决方案还真是"，还有"很多被包装成Agent的场景，根本不需要Agent来实现"（知乎9月15日）。往回收的从来不是"AI的使用"，是"放给AI的自主权"。
你的Agent要不要降级：先分四档
把本周信号合成一个处置表，按两个轴判：错一次疼不疼（错误成本），和对错能不能写成代码（确定性）。
一档·整个撤：要花钱、改生产数据、对外直接发话的环节（自动下单、直接回复客户、改线上数据）。知乎9月17日权限讨论里给的档位值得抄：这类动作最多做到"待批准"，不许自动执行。撤了不丢人，这是账算清楚了。
二档·降成"伪Agent"：固定流程、能穷举规则的活，把决策点换成工作流或代码，AI只留两端——自然语言进（理解需求、分类），格式化出（生成草稿、归类异常）。回滚帖评论区原话：“有些场景让LLM现写代码跑脚本都比它直接推结果好，至少看得到明确问题。”
三档·保留但加验证关：确实要泛化的活，在每个输出后面挂一道机器可判的验证。有评论拿Coding Agent举例：长程任务跑几天不出大事，靠的就是"AI写完会通过代码测试"——你的场景没有编译器，就得自己造一个验收件：正则扫规则形态、比对历史评测、抽样真实数据回放。
四档·观察名单：月调用量还小、错误成本低、流程三步以内的，先不动，但把"整体通过率"按全链路记满一个月，再按上面三档归位。别用单步成功率骗自己。微软这周给Windows定下了管Agent的规矩，按操作对象分容器管控权限，走的也是同一条路——先把"能自动做什么"划清楚，再谈"自动做多少"。36氪
这轮"回滚潮"其实给所有人补了第二课：第一曲线是把活交给AI，大家都会了；第二曲线是管住AI——知道它哪段该留、哪段该收。收回去不丢人，丢的是你替它背的那口锅。
