在做Shopify Listing的agent的时候，我遇到了非常多的问题。
这个agent跑了7个小时，依然只是完成了7%不到的产品，这效率是真的慢。
手动改了几个Demo，发现在一个幻觉上它卡了很久：
“供应商资料作为真实信息载体审核”
这一步卡了3个小时。
我寻思没这回事啊，怎么就来个这么个环节呢？
然后我发现他理解对了，但也错了，用了一个更为复杂的实现方式来做实现。
就好像，你让他去买一瓶果汁。
结果你等半天，问他，果汁呢？
他回答你：还在联系物流公司来取货中……你稍等，很快就好。
一查不得了，他先去买了水果，削皮，压榨，消毒，杀菌，罐装，上架，联系销售，准备发货……现在等待物流公司上门。
倒不是说工程信息不能这么解决，但显然有更快的方式来实现。
我思考了下，一开始的表达里，我也是在探索，而且是用非常复杂的方式去实现，从而也让上下文一直处于复杂的状态中，尽管在探索之中，我也陆续对我的需求还有技术实现的条件信息有了更为明确的认知，可是AI还是沿着我一开始的复杂路径去实现。
“over thinking”并没有解决问题。
那我只能静下心来，一步步测试，把MVP跑一下，发现问题，然后再去改，每次思考，都删掉一些流程，尽可能做到简单，流程清晰易懂 。
至少我要懂。
聊着聊着，诶，我发现可以用贝叶斯来实现。
于是给了他一个贝叶斯的方案，目前速度就明显比之前快了不少，精确度也得到大量的提升，人工校验的部分也得到改善。
如果纯走agent模式，也不是不行，炸开多agent来实现，构建路由器来协调，硬解要40个小时。相较于人工来说，当然也算划算。
但对我来说，这就非常不划算，昨天才刚重置，今天就给我干没了token，我后面几天不用干了？都codex 100刀了，怎么能让你这么嚯嚯token量。
所以必须得优化，必须得思考，必须要结合业务跟实际去用agent。
现阶段的AI已经能够超越绝大部分的人类，但在具体实现上要做到想要的事，本质还是要懂业务，懂技术逻辑，懂大量有用没用的知识。
我曾想，如果以前我没好奇学一下贝叶斯，学一下数据库设计，学一下前后端知识，真的就只做一个纯粹的跨境电商投流的，只学Google+Meta的知识，我真的能用得好AI吗？
大概率是用不好的。