AI智能体提示词：从“单次指令”到“自主任务执行”的进化

跟AI聊天的方式，已经变了。过去我们用ChatGPT，就像用一个问答机。你问一句，它答一句。你让它写首诗，它就写一首诗。干完拉倒，它不会记得刚才干了啥，更不会主动想下一步干嘛。

现在不一样了。AI智能体（AI Agent）出来了。你不用再像个保姆一样，一步一步地喂指令。你只需要给它定一个最终目标，它自己会去规划、去上网找资料、去执行，甚至发现走错了路还会自己拐回来。

这中间的变化，关键就在于“提示词”的写法彻底不同了。从一句一句的命令，变成了一整套的“行动方案”。

过去的老玩法：“单次指令”

在智能体火起来之前，写提示词是个技术活。目标是在一次对话里，把话说清楚，让AI能精准地给你想要的答案。

当时有几个好用的招数：

① 角色扮演
这招简单直接。你跟AI说：“你现在是一个健身教练”，它给出的减脂食谱就会比它以通用AI身份回答的更靠谱。因为它会调用跟“健身教练”相关的知识和说话方式。

② 思维链（Chain-of-Thought）
直接问AI一个复杂的数学题，它很可能算错。但是，你在问题后面加一句“让我们一步一步地思考”，奇迹就发生了。它会把自己的计算步骤全部列出来，因为步骤对了，结果通常也就对了。

举个例子，你问它：
“一个篮子里有5个红球和4个蓝球，我随机摸两次，每次摸完不放回，两次都摸到红球的概率是多少？”

如果你直接问，它可能瞎蒙一个数字。
但如果你用了思维链提示，它会这样回答：
“好的，我们一步一步算。
第一步：总共有 5 + 4 = 9 个球。
第二步：第一次摸到红球的概率是 5/9。
第三步：摸走一个红球后，篮子里还剩 8 个球，其中有 4 个红球。
第四步：第二次摸到红球的概率是 4/8，也就是 1/2。
第五步：两次都摸到红球的概率是 (5/9) * (1/2) = 5/18。”

你看，过程全透明，答案也可靠。

但是，这种玩法有个明显的瓶颈。AI还是被动的。你得一直看着它，它干完一步，你得告诉它下一步干嘛。它自己没主意，不会主动推进工作。

现在的新玩法：“自主任务执行”

AI智能体把上面那个瓶颈给打碎了。它追求的不是一次完美的回答，而是完成一个多步骤的复杂任务。

给智能体的提示词，不再是一句命令，更像是一份项目委托书。这份委托书通常包含三个核心部分：

01 最终目标 (Goal): 把你要的最终结果说清楚。

例子：“帮我规划一个五一去长沙的三天两夜自由行，要求是打卡网红美食，预算人均1500元。”

02 可用工具 (Tools): 告诉它能用哪些工具来完成任务。

例子：“你可以使用网络搜索来查攻略和饭店，可以使用计算器来控制预算。”

03 约束条件 (Constraints): 给它的行为画个红线。

例子：“不许去评分低于4.5分的店，每天的行程不能太赶。”

有了这份“委托书”，智能体就开始自己干活了。它内部的工作原理，可以简化成一个不断重复的循环：

思考 → 行动 → 观察

这是它的工作原理。
我们用上面那个长沙旅游的例子来走一遍流程：

第1轮
- 思考: “我的目标是规划长沙旅游。信息不够，我得先上网查查看长沙有啥好吃的。”
- 行动: 它在后台调用搜索工具，执行搜索(“长沙网红美食推荐”)。
- 观察: 它看到了搜索结果，是一堆美食攻略文章和榜单。
第2轮
- 思考: “信息有了。下一步是从这些文章里，把评分高、提到次数多的店名记下来。”
- 行动: 它开始读取几篇排名靠前的文章，提取出“茶颜悦色”、“文和友”这些店名和信息。
- 观察: 它拿到了一份候选美食清单。
第3轮
- 思考: “清单有了，但还不知道价格。我得去查查这些店的人均消费，看是否超预算。”
- 行动: 它再次调用搜索工具，执行搜索(“茶颜悦色人均消费”)，搜索(“文和友人均消费”)…
- 观察: 它获取了每家店的价格信息。