最近在折腾 DunCrew （我那款本地跑的 AI Agent ）时，我攒了 300 多条真实的任务记录。本来只是想抠门省点 Token 钱，结果分析完发现，AI 犯蠢的行为模式简直跟人类上班摸鱼如出一辙。
我把 Agent 的行为简化成四种“基本动作”：看（探索）、干（执行）、想（规划）、查（验证）。连起来看，每个任务就像一段 DNA 序列。
1. 它是怎么把你的 Token 烧掉的？
通过数据模型分析，我抓住了几个“现行犯”：
反复横跳（ P-X-P 模式）： 这种最致命。AI 先想一下，去翻翻文件，回来又想一下……就是不动手。一旦陷入这种“想了看，看了想”的死循环，任务成功率直接暴跌 10%。
迷之自信（ E→V 缺失）： 只有 2% 的情况下，AI 跑完代码会去检查结果。绝大多数时候是“写完就跑”，根本不看程序报错没，这是典型的系统性“心大”。
想太多（ P-ratio 过高）： 数据证明，“过度思考”是失败的征兆。如果一个任务里 AI 都在自我反思、反复规划，那这活儿基本就交代了，它是真的在原地踏步。
2. 解决办法：给 AI 装个“防沉迷”开关
我做了一个叫 Governor 的拦截器。它完全不费 Token ，原理简单粗暴：盯着 AI 的动作序列看。
看到它连续翻文件夹（探索过度），直接喊停。
看到它刚运行完命令想溜，加一个轻轻的干预：“喂，检查一下结果再走！”
疗效显著：成功率从 88% 提到了 94%，最重要的是，Token 成本直接砍掉了一半（-44%）。换到 SWE-agent 轨迹上测，这些规律依然准得惊人。
分析工具已经开源了：
工具包：github.com/FatBy/base-sequence-toolkit
更多细节看这里：duncrew.com
大家在搞 Agent 避坑时，还有什么奇招能治这种“无效循环”吗？欢迎交流！
我把 Agent 的行为简化成四种“基本动作”：看（探索）、干（执行）、想（规划）、查（验证）。连起来看，每个任务就像一段 DNA 序列。
1. 它是怎么把你的 Token 烧掉的？
通过数据模型分析，我抓住了几个“现行犯”：
反复横跳（ P-X-P 模式）： 这种最致命。AI 先想一下，去翻翻文件，回来又想一下……就是不动手。一旦陷入这种“想了看，看了想”的死循环，任务成功率直接暴跌 10%。
迷之自信（ E→V 缺失）： 只有 2% 的情况下，AI 跑完代码会去检查结果。绝大多数时候是“写完就跑”，根本不看程序报错没，这是典型的系统性“心大”。
想太多（ P-ratio 过高）： 数据证明，“过度思考”是失败的征兆。如果一个任务里 AI 都在自我反思、反复规划，那这活儿基本就交代了，它是真的在原地踏步。
2. 解决办法：给 AI 装个“防沉迷”开关
我做了一个叫 Governor 的拦截器。它完全不费 Token ，原理简单粗暴：盯着 AI 的动作序列看。
看到它连续翻文件夹（探索过度），直接喊停。
看到它刚运行完命令想溜，加一个轻轻的干预：“喂，检查一下结果再走！”
疗效显著：成功率从 88% 提到了 94%，最重要的是，Token 成本直接砍掉了一半（-44%）。换到 SWE-agent 轨迹上测，这些规律依然准得惊人。
分析工具已经开源了：
工具包：github.com/FatBy/base-sequence-toolkit
更多细节看这里：duncrew.com
大家在搞 Agent 避坑时，还有什么奇招能治这种“无效循环”吗？欢迎交流！
目前尚无回复
Select Language