为什么最先进的架构，经常输给最普通的方案？丨FDE重新理解复杂度

2023年初，AutoGPT发布，核心卖点是"全自主"：给一个目标，GPT-4自己拆解步骤、自己决定用什么工具、自己执行到底，不需要人设计流程。几个月内GitHub star冲到10万+，融资随之涌入。

两年后，AutoGPT团队自己动手，把这套系统最初引以为傲的东西拆掉了——负责长程记忆的向量数据库。原因是：这份复杂度带来的收益，抵不上它的维护成本。他们拆掉的，恰恰是当初最引以为傲的技术优势。这不是"当初做错了"，是行业的发展产生了根本性变化——同一赛道里的CrewAI，生存的方式是不那么"野心勃勃"：固定角色、清晰交接、人工审批节点，不再追求"完全自主"。

NotebookLM的音视频概览，解读的比较通俗易懂，对于时间比较紧张的读者朋友，可以听听，会有启发。

Demo好看，是真的；账单很贵，也是真的

“预算允许，就多加Agent、多加Workflow”，复杂方案通常性能更高，demo效果也确实往往更漂亮，这不是错觉：更多Agent协同、更长的工具链、更细的自动化分工，摆在演示现场，确实比一个朴素的单流程方案更让人眼前一亮，客户和管理层看到的，正是这份"更强"。

真正的问题在于，组织只关注了"demo阶段的性能"，但忽视了"长期拥有的成本"。复杂度本身是一种成本，只是它不会出现在采购报价单的任何一栏里：它出现在排障的时候，工程师要在层层调用里找到问题究竟出在哪一步；出现在交接的时候，新人要重新理解一整套自主决策逻辑；出现在扩展的时候，每加一个新场景，都要重新梳理一遍所有Agent之间的依赖关系；出现在招聘的时候，能维护这套系统的人，本来就比会用传统方案的人稀缺。这些账单不会在立项那天产生，会在系统上线运营之后，才会陆续地送达。

复杂度真正吃掉的，不只是维护预算，更是越来越难修改

AutoGPT团队拆掉向量数据库，表面看是在还维护成本的债，往深一层看，真正逼着他们动手的是另一件事：这套高度自主、层层调用的系统，各个环节耦合得太深，已经很难再往任何方向调整——想换一个更简单的记忆方案，想给某一步加一道人工审批，想根据新模型重新设计流程，每一个念头，都要先拆解清楚牵连着的十几处调用关系，代价大到让人望而却步。这不是账单变贵了这么简单，是这套系统慢慢地把"还能不能换个方向"这件事，从他们手里拿走了。

Gartner的数据能佐证这一点：成千上万个自称"agent"的厂商里，真正具备agent能力的大约只有130家——这不是说agent这件事本身有问题，是大多数企业其实还没有真正进入agent工程，就已经把系统的耦合度堆到了很难回头的地步。这也解释了这两年agentic AI项目取消率居高不下的原因：不是模型能力跟不上，是组织发现自己被锁在了一套没法轻易调整的系统里。

AI系统复杂度增长的速度，已经明显超过了组织消化复杂度的速度——不是机器处理不了这些复杂性，模型本身可以在内部同时权衡几十个变量，这部分计算复杂度从来不是问题；真正跟不上的，是组织理解、交接、排障、审批这些环节——一套系统里发生的决策越来越难被人讲清楚，越来越难在新人入职的头几周里教明白，越来越难在出问题的时候快速定位到底是哪个环节的判断出了错。

这份复杂度，会影响未来的调整吗

选一个方案的时候，真正该问的不是它现在能跑多快，而是：如果半年后必须改一次——换一个更便宜的模型，给某个环节加一道人工审批——今天这个方案，会让这件事变得容易，还是会让人望而却步？

CrewAI当初选择固定角色、清晰交接，图的不是眼下更好维护，是留着一条随时能调整的路；AutoGPT当初选择完全自主、层层调用，是因为当时行业普遍追求完全自主Agent，但代价是两年后连自己都很难说清楚，改一处会牵连多远。这份复杂度，到底是在为现在的性能买单，还是在悄悄预支未来还能不能升级调整的自由，值得在动手之前就想清楚。

FDE重新理解复杂度

你如果认为，复杂度牺牲的只是运营成本，那远远不止。

复杂度真正侵蚀的，不仅仅是维护成本，更是未来的演化能力。 建设的越复杂，运营阶段不仅仅是多花钱这么简单，更是未来想扩展的时候，还剩下多大的调整空间——AutoGPT两年后发现，想拆掉一套复杂系统里的某一块，已经变成一场手术；而CrewAI两年后，换一个角色、调一次分工，依然是一件轻松的事。

也不是所有复杂度都一样危险，有很多大型的复杂系统，比如Linux、Kubernetes等，因为可预测、可定位、可拆分、可修改，整体安全、可管理。

所以，复杂不是问题，无法局部修改的复杂才是问题。

机器可以在内部处理极高的复杂性，这部分从来不需要组织操心；真正会产生技术债的，是组织必须理解、必须交接、必须能在出错时进行修改的那部分复杂度。这才是优秀架构师真正关注的复杂度，不是技术有多难、维护多麻烦，而是未来是否可以调整。

写在最后

之前的文章「为什么最好的AI方案，往往不是技术最先进？」里说过，约束不是限制，是工程真正的输入——这一篇是这个思路的延伸：复杂度也是一种约束，只是它出现在时间轴的后半段。「为什么越容易做的AI项目，往往越不值得做？」讲的是该把资源投进哪个项目。

这一篇讲的是项目选中之后，方案该如何引入复杂度。这些都是关于工程的判断，只是发生在不同层面。

如果这一切都确定下来，那么这些已经做出的决定，还有没有办法反悔？

感谢你看到最后，如果你觉得有启发，随手点个赞、在看、转发吧，如果想第一时间收到推送，也可以给我加个星标⭐我们下期见。

我是「AioGeoLab」主理人塔迪Tardi，AioGeoLab是深度洞察AI第一性原理和应用实践的前瞻性研究实验室，目前有两个主要研究方向：
「塔迪GEO判断工程」在AI从“说”到“做”进化阶段，试图回答，如何让AI敢于行动、不因为责任问题而畏手畏脚，而做的一个前沿研究项目。
「塔迪硅基禅心」是传统东方智慧、未来AI前沿、当下应用实践，深层共鸣的探索。不是用AI解读经典，也不是用经典指导AI。 这是一场跨越2500年的对话，在算法与古老智慧之间，照见意识、智能与存在的本质。
塔迪的微信 - tardyai2025。