马虾Agent的驾驭实践（三）-- 不可能三角

2026年苏超开幕式上，徐州的一首“百鸟朝凤”，让无数淮海人唤醒了开席密语“俺奶，给俺叨马虾”，马虾究竟是何方神物，先上图：

如此神物，当如何驾驭，今天就来念叨念叨，希望对大家能够领略马虾驾驭之乐。在AI领域，此处我用“马虾”代指基于HermesAgent（爱马仕）和OpenClaw（龙虾）之类的 Agent框架构建的马虾Agent。】

2026年4月26日，在腾讯云长沙同盟和上海同盟联合举办的一场沙龙上，我分享了个人总结的一套训练马虾Agent的方法和驾驭经验，以及理论思考，以下是基于分享内容的整理，希望对大家有所启发。

第一篇讲了马虾Agent的驾驭方法，第二篇讲讲马虾驯化的一些踩坑经历以及一些实践中总结的经验，这些经验可以让Agent的训练过程快速收敛。作为第三篇来讲讲智能体Agent框架的不可能三角。

智能体Agent框架的不可能三角

架构设计往往是一种权衡，我曾经针对区块链系统的提出CAS（Cost-Autonomy-Security)三原则，针对Agent框架我也提出了如上图所示的ACE原则，即问题的适应力--自主性（Autonomy)，结果的确定性--可控性（Controllable）和资源的成效比 -- 经济性（Economy）。

Agent框架的不可能三角，体现了对Agent框架设计的三个核心关切：

1. 充分探索能力上限。
2. 确保结果安全可控。
3. 解决方案经济可行。

那么这三个维度，我是如何定义的：

1. 自主性维度

Agent在无需人工干预的情况下，能独立完成复杂、多步骤任务的能力。包括目标分解、工具选择、错误恢复、策略调整等。

其理想表现为：高度自治，能处理长程、开放域任务，极少需要人类介入。

2. 可控性维度

Agent的行为能够被外部（设计者或用户）所理解、预测、约束和验证的程度。包括输出确定性、行为可解释性、安全边界可执行性。

其理想表现为：行为可预期，可审计，可回滚，能强制遵守硬性规则。

3. 经济性维度

Agent达成目标所需消耗的计算、时间、存储、经济等资源的性价比。通常以“单位资源产出的有效结果”衡量。

其理想表现为：低成本、低延迟、低能耗，快速响应。

Agent框架三角的内在矛盾

1. 自主性 ↔ 可控性：最经典的张力

高自主性要求

Agent需要拥有广泛的行动空间、灵活的推理机制、对环境的主动适应。它必须能够绕过预设路径，自行决定工具调用顺序，甚至重写自己的子目标。这会引入不可预测性——同样的初始状态可能因内部随机采样、学习经验或环境反馈而走向完全不同的行为轨迹。

高可控性要求

行为必须是可预测、可形式化约束的。典型手段包括：有限状态机、确定性规则引擎、输出格式校验、白名单工具集、人工断点。这些手段本质上会限制行动空间，减少自由决策点，从而压制自主性。

结论：自主性越高，行为空间越大，就越难对其施加完整的、可验证的控制。反之，严格的可控性会牺牲Agent的自主适应能力。

2. 自主性 ↔ 效率：长链条推理的代价

高自主性

通常意味着Agent需要执行多次LLM调用（规划、反思、工具调用、错误重试），需要维护长期记忆与工作记忆，需要探索多条可能的解决路径。这些操作都会显著增加计算成本和时间延迟。

高效率

追求的是以最少的资源消耗完成目标。最优效率路径往往是单次前向传递 + 硬编码规则，没有分支探索、没有自我纠错、没有动态重规划——而这些恰好是高自主性所必需的能力。

结论：提升自主性几乎必然引入额外开销（更多的token、更多的推理步骤、更复杂的记忆系统），从而降低单位资源的产出效率。追求极致效率则只能接受极低的自主性（例如单轮提示词完成的简单任务）。

3. 可控性 ↔ 效率：验证与约束的代价

高可控性

需要引入额外的机制来确保行为可预测、可验证。常见手段包括：多次采样投票、自一致性检查、输出格式校验、沙箱执行、人工确认断点、形式化验证。这些机制都会消耗额外的计算资源和时间。

高效率

追求最小化开销，倾向于放弃或简化这些验证步骤。例如，一个纯单次调用的LLM接口没有自检、没有重试、没有约束执行环境——它的效率极高，但输出可能格式错误、内容不合规、甚至产生危险操作，可控性很低。

结论：提升可控性需要以资源消耗为代价，与高效率形成直接冲突。反之，追求极致效率必然牺牲可控性

马虾Agent的驾驭实践（一）-- 驾驭方法

马虾Agent的驾驭实践（二）-- 踩坑实践

后续几篇将会讲讲不同的框架/模式和场景下，基于提出的不可能三角的取舍分析，然后探讨一下现在流行的几个Agent框架的架构设计关注点，分析一下Agent未来的演进分化和行业应用趋势。

图片