先把 Agent 当员工，不当玩具

很多人做 AI 应用卡住，不是模型不够强，而是一上来就让 AI 写代码、写脚本、接工具。结果做出来的东西像个灵感 demo，看着热闹，真要每天用、交给同事用、接到业务里，就开始不稳。

真正值得学的，不是“某个工具多厉害”，而是把 Agent 当成一个新员工来管理：先说清楚目标，再拆任务，再给权限，再看过程，最后复盘沉淀。

第一步：先用问答把需求问透

不要直接丢一句“帮我做一个自动化工具”。更好的做法是先让 AI 反问你。

可以让它围绕 5 个问题追问：这个 Agent 服务谁？要解决什么高频痛点？输入是什么？输出要长什么样？失败时允许怎么处理？

对内容和教育从业者来说，这一步尤其关键。比如你想做“自动整理选题”的 Agent，它不是简单把标题改好听，而是要知道受众是谁、判断标准是什么、哪些内容不能碰、最后交付到哪里。

问答结束后，再让 AI 输出一份 PRD。PRD 不一定要很正式，但必须写清楚：目标、用户、流程、边界、验收标准。

第二步：把 PRD 拆成 Plan.md

PRD 是地图，Plan.md 是施工单。

一个 Agent 往往包括很多小模块：资料读取、任务规划、工具调用、记忆保存、结果校验、异常处理。普通人最容易犯的错，是把这些东西揉成一个大提示词。这样看似快，后面一定难维护。

更稳的做法，是把 PRD 拆成多个 Plan.md：一个计划只解决一类问题，每个计划都写清楚输入、输出、步骤、风险、测试方法。这样你不是在“求 AI 一次做对”，而是在管理一个可迭代的工程过程。

第三步：用 /goal 管住 AI 的注意力

做 Agent 时，提示词不是越长越好，关键是目标要硬。

一个好的 /goal 提示词，应该包含三件事：最终要交付什么、不能越过哪些边界、每一轮完成后如何自检。

比如不要只写“开发一个选题分析工具”，而要写：“根据输入材料，生成可发布的选题判断、标题方向和内容结构；不得编造来源；输出必须包含可执行下一步。”

这会让 AI 从“聊天模式”进入“交付模式”。

第四步：生产级要看得见过程

生产级 Agent 和玩具 Agent 的区别，不是功能多，而是出了问题能定位。

至少要留下三类记录：任务链路记录、关键输入输出、失败原因。链路追踪听起来很技术，其实就是知道它哪一步拿了什么信息、调用了什么工具、为什么给出这个结果。

记忆系统也不要一开始做复杂。先分两类就够：长期偏好，比如写作风格、禁区、常用格式；短期上下文，比如本次任务的素材和判断。记忆越清楚，Agent 越不像“每次重新认识你”。

第五步：先跑小闭环，再谈自动化

很多 AI 自动化项目死在“想一步到位”。更现实的路线是：先让 Agent 辅助人，再让它半自动，最后才全自动。

内容团队可以先从一个小闭环开始：输入选题信号，输出判断卡；人工确认后，再扩写成短文；再沉淀到知识库。这个流程跑顺了，再考虑接表格、文档、定时任务和发布系统。

一张落地清单

  1. 先让 AI 追问需求，不急着开发。
  2. 把问答整理成 PRD，写清楚验收标准。
  3. 拆成多个 Plan.md，每个计划只做一件事。
  4. 用 /goal 固定目标、边界和交付格式。
  5. 每轮开发后做自检，记录失败原因。
  6. 把可复用的判断、格式、禁区沉淀成记忆。
  7. 先跑人工确认的小闭环，再逐步自动化。

Agent 的本质不是“让 AI 替你干活”，而是把你的经验、流程和判断，变成一个能重复执行的系统。普通人要学的不是炫技，而是把混乱的脑内经验，一步步变成可交付的工作流。