总感觉在都发展到Harness的时代还说这个很古老了。
但是codex这些的agent设计里也会包含这些ai缺点规避的提示词。我之前也从从很多agent设计中看见过，agent设计也包含这类常见错误+具体实践过程的错误。
无处不在的注释-旧问题
很多模型会生成过量注释，甚至出现解释代码表面动作、没有信息增量的“废话注释”。
教条式沉迷-这个初次意识到
模型很容易机械复用训练中高频出现的“标准解法”：标准分层、标准模式、标准抽象，看起来很工整，但不一定适合当前系统。问题不在于它不会写规范代码，而在于它往往缺少对具体上下文的真实判断
回避重构
这是很典型的一类：模型非常擅长在现有结构上继续堆补丁，却天然抗拒真正意义上的重写、收口和结构调整。它更偏向“把当前任务先做完”，而不是像成熟工程师那样，在复杂度明显失控时主动停下来重构
错误似曾相识-在同一个对话错了经常遇见
模型常会直接手写一个“看起来能用”的实现，而不是优先收敛到成熟依赖、已有组件或已验证方案。于是很多历史上反复出现过的坑
然后是我积累的几个：
模型 gpt5.4 会盲目自信。
比如给我的方案：让模型本体在 search_off 条件下稳定变强。
其实默认了 search_on 很强。但其实那个也很垃圾。你必须指出来这种项。
比如：风险错判，它会跟你说新方案风险高，旧方案风险低。但实际上旧方案和新方案风险一致的。且旧方案显然跑不通了。这种情况指出来，可能有不一样的答案。纠正幻觉，不要放任幻觉，太难了，和模型斗智斗勇。
现在我一般都会让它写完内容自己先校验一遍有没有捏造的信息，涉及到API或者官方文档的我都自己再去搜一遍确认，踩坑踩多了都有经验了哈哈！