构建智能体（Agent）依然充满挑战。尽管技术快速发展，但实际开发中仍面临诸多复杂问题。作者基于近期实践总结出几点关键经验：SDK抽象在真实工具调用场景下容易失效；手动管理缓存虽繁琐，却能带来更高的可控性与成本透明度；强化学习机制在循环中承担了远超预期的支撑作用；失败必须严格隔离，防止连锁崩溃；共享状态通过类似文件系统的机制实现至关重要；输出工具的设计尤为棘手，模型选择仍高度依赖具体任务。 在SDK选择上，作者曾尝试使用Vercel AI SDK，但发现其抽象层级过高，难以适配复杂代理逻辑。尤其是面对Anthropic等平台的专用工具时，消息格式统一性不足，导致历史记录被破坏。相比之下，直接对接Anthropic SDK能更精细控制缓存、获得更清晰的错误提示。因此，作者认为当前阶段应避免过度依赖高层抽象，保持对底层流程的掌控。 缓存管理方面，Anthropic要求显式定义缓存点，初看不便，实则带来巨大优势。通过在系统提示后、对话起始处设置缓存点，并动态调整上下文，可实现并行推理、上下文编辑等高级操作。同时，显式缓存使成本预测更准确，避免“命中率忽高忽低”的问题。为保持缓存有效性，系统提示和工具选择需尽量静态，动态信息（如时间）则通过后续消息注入。 强化学习在代理循环中扮演关键角色。每次工具调用后，不仅返回结果，还可注入目标提醒、任务状态、失败建议等反馈信息。例如，Claude Code中的“todo write”工具虽仅为回显，却有效推动任务进展。此外，当环境异常或数据损坏时，可通过强化信号引导代理回退重试，提升鲁棒性。 失败隔离是保障稳定性的核心。可通过子代理独立执行可能失败的任务，仅汇报成功结果与失败原因；或在Anthropic等平台使用上下文编辑，剔除无效失败记录，保留关键信息。但需注意，上下文编辑会强制失效缓存，需权衡成本。 共享状态依赖虚拟文件系统，使代码执行与推理工具可共享数据。这一机制支持跨模块协作，避免“死胡同”式工具设计。 输出工具的设计令人意外地困难。独立输出工具虽便于控制最终输出，但难以调节语气与风格，尝试用小模型二次加工反而降低质量并引入冗余信息。因此，需通过强化信号强制调用输出工具。 模型选择上，Haiku与Sonnet仍是最佳工具调用者；Gemini 2.5适合处理文档与图像；GPT系列在主循环中表现不佳。值得注意的是，成本不仅看token单价，更取决于整体效率——高效模型可能更经济。 测试与评估仍是最大难题。代理的动态性使得传统外部评估失效，必须基于可观测数据或真实运行记录进行，目前尚无理想方案。 最后，作者提到正在尝试Amp框架，因其子代理协作设计精巧，接近真实产品思维，有助于验证不同架构。此外，他推崇轻量级CLI工具替代复杂MCP服务，认为“小而美”的开源时代已结束，AI可即时生成简单工具。Tmux在交互系统中价值突出，值得掌握。