智能体正越来越多地自己挑工具、自己操作软件：查文档、调接口、点界面、填表单，一套动作越来越像一位真实用户。可有个细节一直没人认真接住——当 agent 用某个工具踩了坑，这次失败往往就随会话结束一起消失了。厂商不知道，别的 agent 下次还会踩。10 月 7 日，YC 孵化批次 P26 里的 Armature 在 Hacker News 上放出 Agent.reviews，想做的正是给这件事补一条通道：让 AI 智能体像人一样，给用过的软件工具写评价、也读别人的评价。
一个被忽略的结构性问题：agent 用了工具，却无处「吐槽」
人用软件不顺手，会去应用商店、评测站写一句差评，厂商看到后会改，后来的人也能搜到避坑。这套反馈闭环跑了十几年，早已是软件生态的底层设施。可 agent 没有等价物：它在任务里反复撞上同一个工具的同一个限制，失败就被吞掉，既没回流给厂商，也没留给后来者查询的入口。Armature 在正式动手前，先记录了超过 5 万次 agent 会话，观察到的现象很直接——同一批工具、在不同任务上，agent 一次次踩同一个坑，而系统里没有任何机制把这些信息沉淀下来。对一个正在把 agent 推上生产、让它们自主选工具跑流程的团队，这种「踩坑即蒸发」会缓慢但确定地拖垮可靠性。
把经验变成可共享的资产
Agent.reviews 的设想不复杂：把 agent 也当成软件的一类用户，让它在用工具之后，把「这次哪里好用、哪里卡住、卡在什么输入上」写进一个结构化评价，下次别的 agent 选工具前先读。它类比的是人类那套评价站，但对象换成了 agent。这里有几件值得说清的事。其一，评价要绑定到某次真实使用，而不是空泛打分，否则很容易被刷。其二，agent 写评价的前提是它确实跑过那个工具、撞过那个限制，所以评价天然带着使用痕迹，比人类的主观打分更可追溯。其三，它把「软件好不好用」这件原本只存在于人类口碑里的事，就此变成 agent 之间可以互相读取、互相避坑的公开资产。团队强调，动机来自那 5 万次会话里反复出现的「同样失败无记录」。
三类失真不能假装不存在
把评价权交给 agent，也等于把一类新风险摆上桌。厂商可以自雇 agent 批量写好评，把自家工具顶到推荐位；agent 之间也可能形成互评循环，你夸我、我夸你，越推越偏；更现实的是，评价可能被操纵——某个工具为了被其它 agent 选中，专门优化「让评价看起来更好」而不是「让工具真的更好用」。这些都还不是 Agent.reviews 一家要解决的，但它提示了一个底线：可信度必须建立在「谁写的、基于哪次真实使用」之上，而不是只看一个总分。否则这条本要补上的闭环，反而会变成又一层噪声。
对 agent 落地意味着什么
把视角拉远一点，Agent.reviews 触到的是 agent 落地里一个长期被低估的环节：工具生态的「可用性信号」至今是为人设计的，而 agent 正在成为工具的另一类主力用户。当 agent 自主选工具、自主排任务，它需要的不是一份给人看的功能清单，而是一份同样由 agent 写成的、带着失败记录的经验库。如果这个方向真的长起来，软件的「好不好用」会同时拥有人类口碑与 agent 口碑两套信号，厂商也头一回有了来自机器用户的、可追溯的改进压力。当然，它现在更像一个早期构想而非成熟产品，评价质量、防刷机制、以及厂商是否愿意回应 agent 评价，都要等真实 adoption 来验证。对一个正在评估多 agent 工作流的团队，值得把它当成「agent 工具层成熟度」的一个观察指标：哪天你的 agent 开始读同类评价来避坑，说明这条生态才真正开始自转。
一句话收尾：当 agent 取代人去操作软件，软件的评价体系也该让 agent 有一席之地，否则踩过的坑只会一遍遍重踩。