在多智能体系统开发中，我们常陷入过度设计的误区。这篇内容基于Claude Code的实践，提出了四个反直觉的开发心法：简化架构、拥抱原生文本、回归终端命令、精简上下文。它揭示了为何有时“少即是多”，以及如何利用模型自身能力而非复杂约束来构建更高效、更智能的Agent。
智能速览
简化架构，依赖模型工具调用能力而非复杂流程控制。
用Markdown文件替代向量数据库，实现高效知识管理。
Bash命令是Agent的万能适配器，优于专用工具。
避免上下文过载，通过子Agent拆分和动态缓冲区保持决策高效。
精华内容
成功的Agent设计并非源于堆砌复杂的规则，而是来自对模型能力的深刻理解和对架构的精妙简化。下面是四个反直觉但卓有成效的核心开发心法。
化繁为简
许多开发者在构建工作流时，倾向于设计多层级的防幻觉提示和多分支流程。然而，像Claude Code这类成功的Agent，其架构却极为简单，主要依赖模型自身的工具调用能力和一个主循环进行迭代优化。过度的人为约束，如嵌套逻辑和冗余校验，反而会限制模型的灵活性。随着模型能力的快速迭代，今天费心设计的复杂规则，明天可能就已过时。赋予模型必要的工具，让其自主发挥，往往能取得更佳效果。
文本胜数据库
在早期，如Cursor 1.0，开发者普遍依赖本地向量数据库来存储代码库信息，供模型理解上下文。但新一代工具正在用简单的Markdown文件替代这些复杂的知识管理系统。当模型能力足够强大时，一个纯文本的指令库反而更直接、更高效。模型可以直接通过自然语言来理解和修改Markdown文件，无需经过向量检索的中间步骤。这提醒我们，复杂的方案不一定最优，简洁的方案有时反而更具威力。
终端即万能
为AI Agent开发专用工具，如专门的代码生成器或文件编辑器，曾是主流做法。但前沿实践表明，Bash命令才是编程Agent最强大的“万能适配器”。首先，Bash几乎能执行所有系统操作，包括文件处理、脚本运行和测试，无需为每个任务开发专用工具。其次，人类使用Bash的历史数据量巨大，模型对其理解程度远超那些小众的专用工具。看似原始的Bash，因其通用性和丰富的数据支撑，反而成了Agent的最佳选择。
精简上下文
一个常见的误区是认为给模型的上下文越多，它理解得越透彻。实际上，上下文过载会导致模型性能下降，使其在冗余信息中“变笨”。解决方法之一是采用子Agent模式，将文档阅读、代码测试等复杂任务拆分出去，主Agent仅接收处理结果作为上下文。另一种方法是设置动态缓冲区，实时丢弃中间输出，仅保留开头结尾的总结或关键信息。短而聚焦的上下文，能显著提升Agent的决策效率和准确性。
Agent设计的前沿在于回归本质，核心在于对信息组织方式的把握和对模型能力边界的洞察。与其追新逐异，不如深耕基础，发掘主流尚未意识到的模型潜力。谁能率先掌握这种手感，谁就能在激烈的竞争中脱颖而出，创造出真正有价值的应用。
关键评论
针对金融、工业等高风险领域，严格约束是确保系统安全和稳定性的兜底逻辑，工程设计中收益永远大于成本。
实践证明，采用主控中心加技能模块、配合足够颗粒度的解耦设计，能让多Agent协作非常高效。
减少等待时间、利用强大的底座能力，并通过丰富背景和任务拆分来保证实时交互，是许多企业场景的高效实践。
