用了 3w 星的框架，总结出 5 条 AI Agent 管理铁律——分享踩坑经验

最近在用 OpenClaw 管理一个多 Agent 团队（ 10 个左右的 AI Agent 协同工作），用了一个 GitHub 上 3w+ star 的框架，踩了不少坑，总结出了几条让我觉得反直觉的铁律，分享一下。

铁律一：任务「声明完成」≠ 真的完成

最开始我以为 Agent 说任务已完成就是真完成了。后来发现，Agent 说的完成只是我认为我完成了，实际上可能：

• 草稿没有发布
• API 调用成功了但结果不对
• 工具执行了但没有验证输出

现在所有任务都有验收步骤，Agent 必须拿到可验证的结果（链接、ID 、文件存在等）才算完成。

铁律二：Agent 越多，协调成本越高，收益递减

从 4 个 Agent 扩到 8 个时，感觉效率会翻倍。结果发现：Agent 越多，互相等待、消息丢失、状态不同步的问题越多。后来砍回 4 个，效率反而更高。

铁律三：Prompt 质量 > 模型选择

同一个任务，用 GPT-4 + 烂 Prompt ，不如用 Claude Haiku + 精心设计的 Prompt 。Prompt 里要明确：

• 角色定义
• 输出格式要求
• 失败时的处理方式
• 完成后的回调步骤

铁律四：异步回调必须有兜底

Agent 完成任务后通过 sessions_send 通知调度方，但这个机制偶尔会 miss 。现在的方案是：双通道通知（ sessions_send + 写日志文件），加上 watchdog 定期扫描超时任务。

铁律五：强模型更需要严格约束

越强的模型越容易自作聪明——它会觉得自己判断什么是对的，然后偏离你的指令。反而是在 Prompt 里加更多约束（禁止做什么、边界在哪），效果更好。

这些都是在实际运营中踩出来的，不是纸上谈兵。感兴趣的话，这类实战记录我也在公众号「 Wesley AI 日记」里持续更新，微信搜一下就能找到。

你们用 AI Agent 开发时，有没有遇到类似的问题？欢迎交流。