价格，超过阈值时汇总分析"。其中一个 Agent 把 ticker 快照的volume_24h（24 小时成交量）当成了单根 K 线的成交量，量级差了几千倍。另一个在 API 限流后陷入重试死循环，两分钟烧掉了平时一整天的 Token 配额。第三个更隐蔽——工具调用失败后，模型没有报错，而是基于参数化记忆编造了一个看起来合理的价格。问题不在哪个框架"不好"。问题在于。你看的是 Star 数、社区活

价格，超过阈值时汇总分析"。其中一个 Agent 把 ticker 快照的volume_24h（24 小时成交量）当成了单根 K 线的成交量，量级差了几千倍。另一个在 API 限流后陷入重试死循环，两分钟烧掉了平时一整天的 Token 配额。第三个更隐蔽——工具调用失败后，模型没有报错，而是基于参数化记忆编造了一个看起来合理的价格。问题不在哪个框架"不好"。问题在于。你看的是 Star 数、社区活

价格，超过阈值时汇总分析"。其中一个 Agent 把 ticker 快照的volume_24h（24 小时成交量）当成了单根 K 线的成交量，量级差了几千倍。另一个在 API 限流后陷入重试死循环，两分钟烧掉了平时一整天的 Token 配额。第三个更隐蔽——工具调用失败后，模型没有报错，而是基于参数化记忆编造了一个看起来合理的价格。问题不在哪个框架"不好"。问题在于。你看的是 Star 数、社区活

价格，超过阈值时汇总分析"。其中一个 Agent 把 ticker 快照的volume_24h（24 小时成交量）当成了单根 K 线的成交量，量级差了几千倍。另一个在 API 限流后陷入重试死循环，两分钟烧掉了平时一整天的 Token 配额。第三个更隐蔽——工具调用失败后，模型没有报错，而是基于参数化记忆编造了一个看起来合理的价格。问题不在哪个框架"不好"。问题在于。你看的是 Star 数、社区活

价格，超过阈值时汇总分析"。其中一个 Agent 把 ticker 快照的volume_24h（24 小时成交量）当成了单根 K 线的成交量，量级差了几千倍。另一个在 API 限流后陷入重试死循环，两分钟烧掉了平时一整天的 Token 配额。第三个更隐蔽——工具调用失败后，模型没有报错，而是基于参数化记忆编造了一个看起来合理的价格。问题不在哪个框架"不好"。问题在于。你看的是 Star 数、社区活