驾驭工程实践中常见的风险与挑战有哪些？

1. 熵增与次优模式复制

智能体会复现仓库中既有模式，包括不均衡或不理想的写法，导致长期架构漂移。若缺乏垃圾回收式循环，技术债会持续累积。

2. 推理型控制的成本与不确定性

依赖" LLM 即裁判"的推理型传感器较慢、较贵且具有一定非确定性，若作为主力校验手段会拖慢节奏并引入不稳定。实践应优先部署确定性计算型控制。

3. 驾驭层本身的复杂度与维护负担

随着规则库膨胀，驾驭层自身成为需要持续维护的系统；对老旧代码库" retrofit（ 回溯适配 ）"是否值得，仍存争议。过度约束也可能抑制智能体的合理灵活性。

4. 人类判断的杠杆点尚未明晰

OpenAI 坦言仍在摸索"人类判断在哪个环节杠杆最大、如何将其编码以持续复利"。随模型能力持续增强，驾驭层也需随之演进，不存在一劳永逸的配置。