把Agent拆成快与慢：让小模型先扫一眼，大模型再坐下细看
乔木 · 2026-10-31T13:30:14
卡尼曼在《思考，快与慢》里把思考分成系统一和系统二：系统一是凭直觉一眼扫过，系统二是停下来慢慢算。TypeSafe把这套分工搬进了Agent，用轻量的Jev充当快反应的系统一，大模型负责慢思考的系统二。 据公开测试整理，这种分工在处理长内容时反差很明显。比如在一部1939年的公版电影里找第34分钟出现的金色机器人Elektro：如果直接整片扔给视频模型，能找到但大约花0.24美元、耗时31秒；要是逐帧交给大模型问，花了4美元多和十多分钟，还容易把铜表误认成机器人。换成先让Jev快速扫大概40帧，挑出可疑的那一分钟再转给Gemini精看，成本降到约0.009美元，耗时24秒，定位也更精准。 另一个场景是查网页支付方式。浏览器代理在目标站点截了37张图，Jev先挑出带支付Logo的画面，Gemini再负责认品牌并画框，最后再让Jev复核一次，以此快速认出十多种支付方式。 这种配合像个四拍节奏：系统一先瞄一眼，指出看哪里；系统二深入推理；系统一快速复核；系统二最后敲定结论。路由、放行这些环节适合快拍板，抠细节再留给大模型。不过也有独立论文提醒过，决策成本打下来了，实际任务的整体成功率并不一定会跟着同步上升。