你的智能体可能不需要更好的模型，它需要一个更好的循环。

我最近花了很多时间比较智能体运行时，一开始我以为模型会解释大部分差异。但事实并非如此。我将模型固定为Claude Opus 4.8，并通过不同的智能体运行时运行相同的14项任务Enterprise-Bench工作负载。三个运行时都达到了11/14。但运行时看起来大不相同：39分钟 vs 73分钟 vs 96分钟，约3.85M令牌 vs 约13M，282次工具调用 vs 652次，最便宜和最昂贵之间总成本差异约为30%。有趣的是事后查看跟踪记录。很多差异归结于无聊的运行时细节：每次轮次重新发送多少系统提示和工具定义上下文、工具输出如何累积、循环如何积极地探索、重试等。这改变了我对智能体基准测试的看法。基准测试分数实际上衡量的是模型 + 框架 + 提示 + 工具循环，而不仅仅是模型。我一直在使用TrueForge进行这些实验，因为它是开源的，让我能够真正检查和改变运行时，而不是将其视为黑盒。它并不总是更好，更精简的循环在某些较难的任务上探索不足，但它确实是一个非常有用的运行时，适合进行实验。仓库链接在评论中。