到目標(biāo)驅(qū)動)
智能體的三個階段從提示詞人設(shè)到目標(biāo)驅(qū)動工程邊界在哪摘要市面上大量智能體其實只是包了人設(shè)的提示詞。本文用三個階段模型劃清能力邊界——提示詞人設(shè)、工作流編排、目標(biāo)驅(qū)動自主體并給出 RAG 把回答準(zhǔn)確率從 60% 拉到 90% 的具體工程路徑與平臺選型依據(jù)。一、先定義清楚什么才算智能體判斷標(biāo)準(zhǔn)只有一條而且很干脆能不能調(diào)用工具。用戶直接提問、大模型直接給答復(fù)——這是大模型應(yīng)用。一旦模型具備了調(diào)用外部工具的能力聯(lián)網(wǎng)搜索、查數(shù)據(jù)庫、調(diào) API它才變成智能體。智能體包含大模型但大模型本身不是智能體。這條線劃清楚之后很多討論才有意義。比如「我在官網(wǎng)開了聯(lián)網(wǎng)開關(guān)是不是就在用智能體了」——嚴(yán)格講不是你操作的是一個應(yīng)用聯(lián)網(wǎng)能力是應(yīng)用層封裝好喂給模型的你沒有讓模型自己決定調(diào)不調(diào)。歷史上對智能體的理解分兩代時間提出者核心要素視角1986明斯基《意識社會》分布式智能體集合、層級協(xié)作、無中央控制認(rèn)知科學(xué)2023翁麗蓮OpenAI大模型、記憶、工具、規(guī)劃、行動功能化系統(tǒng)設(shè)計明斯基那套是從認(rèn)知科學(xué)出發(fā)的哲學(xué)式定義和今天寫代碼完全是兩回事。真正能落地的是 2023 年那套五要素框架逐條對應(yīng)到工程大模型決策中樞負(fù)責(zé)推理和規(guī)劃記憶短期是上下文窗口長期靠向量庫 / 知識圖譜 / 微調(diào)工具擴(kuò)展能力邊界突破純文本限制規(guī)劃任務(wù)拆解 反思自省行動實際調(diào)接口、執(zhí)行操作成熟度可以類比自動駕駛 L4——人設(shè)定目標(biāo)和給資源AI 完成絕大部分執(zhí)行閉環(huán)。二、三階段模型能力越強(qiáng)可控性越弱這是我見過最實用的一張判斷表。分階段的依據(jù)不是「用了什么技術(shù)」而是誰來決定執(zhí)行路徑。階段一提示詞立人設(shè)典型形態(tài)是 GPTs、各類客戶端的「智能體」功能。你寫一段提示詞定義角色模型按這個人設(shè)回答。能力邊界非常清楚沒有自主工具調(diào)用沒有流程控制依賴模型固有能力。所以業(yè)內(nèi)管它叫「閹割版智能體」不算貶義只是準(zhǔn)確。適用場景角色扮演、風(fēng)格化寫作、固定話術(shù)的客服問答。這類場景不需要工具也不需要多步流程提示詞夠用。階段二工作流編排每一步的模型、插件、節(jié)點(diǎn)順序由人顯式指定系統(tǒng)按設(shè)定流程執(zhí)行。從編程范式類比這是「面向過程」——你寫的是流程圖不是目標(biāo)。所以它的特點(diǎn)恰好是確定性高、可控性強(qiáng)、異?？擅杜e。輸入 → 節(jié)點(diǎn)1(插件A) → 節(jié)點(diǎn)2(代碼) → 節(jié)點(diǎn)3(大模型B) → 輸出 ↓異常 重試/兜底分支階段二的工程價值被低估了。企業(yè)級落地時大多數(shù)場景其實應(yīng)該停在這一層因為業(yè)務(wù)方要的是「結(jié)果穩(wěn)定」不是「AI 自主」。讓 AI 自由決定怎么查數(shù)據(jù)出了錯沒人能解釋為什么。階段三目標(biāo)驅(qū)動自主體人只給目標(biāo)智能體自主完成任務(wù)拆分、工具選擇、進(jìn)度控制達(dá)成后自主結(jié)束。這是「面向目標(biāo)」的架構(gòu)。差別有多大舉個具體的讓人去對面桌子拿蘋果要拆成語音轉(zhuǎn)文本、視覺識別定位、機(jī)械運(yùn)動控制多個環(huán)節(jié)每一步選什么工具、什么順序階段二需要人提前編排好所有分支階段三由智能體現(xiàn)場決定。從階段二到階段三是質(zhì)變但代價是可控性下降。所以生產(chǎn)環(huán)境的策略通常是核心業(yè)務(wù)鏈路走階段二探索型任務(wù)走階段三。下面這張圖是三個階段的關(guān)系可控性高 ←──────────────────────────────→ 可控性低 能力窄 ←──────────────────────────────→ 能力寬 階段一 階段二 階段三 提示詞人設(shè) 工作流編排 目標(biāo)驅(qū)動 │ │ │ 固定角色 固定流程 自主規(guī)劃 無工具 顯式選工具 自主選工具 ← 企業(yè)落地主戰(zhàn)場 →一個反直覺的結(jié)論階段二不是過渡形態(tài)它是終態(tài)之一。就像不是所有程序都需要用聲明式編程不是所有 AI 應(yīng)用都需要自主智能體。三、RAG把準(zhǔn)確率從 60% 拉到 90%知識庫是智能體「記憶」要素的工程載體。為什么必須有它三個具體痛點(diǎn)痛點(diǎn)具體表現(xiàn)解法訓(xùn)練數(shù)據(jù)滯后問 2025 年春節(jié)檔電影模型不知道聯(lián)網(wǎng)搜索領(lǐng)域語料缺失問私域健身方案模型沒學(xué)過私有知識庫私域數(shù)據(jù)不可見公眾號高質(zhì)量內(nèi)容不在訓(xùn)練集里特定數(shù)據(jù)源接入實測下來引入 RAG 后回答準(zhǔn)確率可以從 60% 提升到 90%。這個數(shù)字怎么理解——打個比方讓大模型去考一個它完全陌生的領(lǐng)域閉卷正確率可能只有百分之幾給了參考資料就相當(dāng)于開卷能順著資料找到方向正確率能到 90%。這里要說清 RAG 的完整鏈路兩步走數(shù)據(jù)存儲過程PDF / Word / Markdown → 文本切分chunking → 嵌入模型向量化 → 存入向量數(shù)據(jù)庫用戶查詢過程用戶提問 → 問題向量化同一個嵌入模型 → 向量庫相似度檢索 → 檢索結(jié)果作為上下文拼進(jìn)提示詞 → 大模型生成答案 標(biāo)注來源踩坑點(diǎn)這兩個過程必須用同一個嵌入模型。不同產(chǎn)品用的嵌入模型不一樣有的用 BGE有的用其他一旦寫入和查詢用了不同的模型向量空間不對齊檢索結(jié)果會完全隨機(jī)——而且不報錯只是答得莫名其妙。這是最難排查的一類問題。四、平臺選型按場景而非按名氣主流的幾條路各有明確適用條件路徑代表優(yōu)勢代價本地化客戶端 本地知識庫數(shù)據(jù)完全本地、可離線需配 API Key 與嵌入模型在線便捷在線搜索類產(chǎn)品拖拽上傳即用數(shù)據(jù)存第三方服務(wù)器生態(tài)融合依托社交生態(tài)的產(chǎn)品獨(dú)家私域語料、穩(wěn)定性好綁定單一生態(tài)開源可部署Dify 類平臺可本地部署、工具鏈國際化插件多需境外網(wǎng)絡(luò)選型時按這個順序問自己數(shù)據(jù)能不能出域不能 → 只能本地化方案其他不用看了。知識庫更新頻率每天變 → 必須支持增量更新不能整庫重跑。有沒有生態(tài)獨(dú)占數(shù)據(jù)有 → 優(yōu)先用能接這個數(shù)據(jù)的平臺。有個坑需要提醒跨平臺遷移成本極高。一旦在某個平臺搭了復(fù)雜工作流比如「視頻鏈接 → 文案提取 → 競品分析 → 報告生成」遷移到別的平臺要重寫 80% 以上的邏輯因為插件生態(tài)是綁定的。應(yīng)對策略是「核心能力自建 平臺只作分發(fā)」知識庫和 RAG 模塊保持平臺無關(guān)用標(biāo)準(zhǔn)向量庫 標(biāo)準(zhǔn)嵌入模型平臺層只負(fù)責(zé)界面和分發(fā)渠道。五、工程細(xì)節(jié)三個容易被忽略的配置細(xì)節(jié) 1temperature 與 Top-p 的選擇邏輯不是所有場景都要低溫度。創(chuàng)意生成類文案、故事需要溫度高一些保證多樣性數(shù)據(jù)查詢、事實問答必須貼近 0保證可復(fù)現(xiàn)——同一個問題問兩次得到不同數(shù)字在業(yè)務(wù)場景里是災(zāi)難。細(xì)節(jié) 2記憶要分層不是一層短期記憶是上下文輪數(shù)長期記憶是知識庫更新頻率。這兩個參數(shù)要分開調(diào)。常見錯誤是把上下文輪數(shù)開到很大來「記住更多」結(jié)果 Token 爆了而且相關(guān)性反而下降——因為塞進(jìn)去的無關(guān)歷史會干擾模型。細(xì)節(jié) 3工具權(quán)限要顯式配置知識庫成員權(quán)限分公開 / 成員可見 / 私有三級。做企業(yè)知識庫時權(quán)限必須在前端可見地配不能靠「反正內(nèi)部系統(tǒng)沒人亂看」這種默認(rèn)假設(shè)。這條在合規(guī)檢查時一定會被問到。六、這套東西的邊界最后說清楚解決不了什么不能解決數(shù)據(jù)本身錯誤。知識庫里寫錯的文檔RAG 會把它當(dāng)權(quán)威答案輸出而且因為「有引用來源」顯得更可信。不能替代流程梳理。工作流編排的前提是你得先把業(yè)務(wù)流程說清楚。流程本身混亂編排出來只是把混亂自動化了。不降低領(lǐng)域知識門檻。低代碼讓開發(fā)門檻歸零但設(shè)計門檻更高了——提示詞怎么寫、工具怎么組合、記憶怎么分層這些需要業(yè)務(wù)理解不是拖拽能解決的。所以團(tuán)隊里真正稀缺的角色不是「會搭智能體的人」而是能把用戶目標(biāo)拆解成能力映射的人。這個活目前還沒被工具替代。結(jié)尾三階段模型最大的價值不是給技術(shù)分層而是給人一個判斷依據(jù)你現(xiàn)在要做的事到底該用哪個階段實現(xiàn)。很多項目失敗不是技術(shù)不到位是一上來就想做階段三結(jié)果可控性崩了。你在項目里踩過哪個坑是明明該用工作流卻硬上了自主智能體還是 RAG 檢索總召回不到對的內(nèi)容評論區(qū)聊聊。評論區(qū)互動話術(shù)「關(guān)于階段二和階段三的邊界我們現(xiàn)在的做法是核心鏈路走工作流、異常兜底才放給智能體決策算是混合。想問問有沒有更明確的判斷標(biāo)準(zhǔn)比如節(jié)點(diǎn)數(shù)量超過多少就該考慮自主編排」「嵌入模型那個坑太真實了。我們之前寫入用了一個模型、查詢換成另一個檢索結(jié)果完全隨機(jī)排查了三天才定位。補(bǔ)充一個換模型之后必須整庫重建不能只換查詢側(cè)?！埂赶雴栂轮R庫更新頻率這塊你們是全量重建還是增量我們現(xiàn)在文檔量大概兩萬份全量重建一次要四十分鐘業(yè)務(wù)方抱怨更新不及時?！? 智能體三階段_從人設(shè)到目標(biāo)驅(qū)動
智能體的三個階段從提示詞人設(shè)到目標(biāo)驅(qū)動工程邊界在哪摘要市面上大量智能體其實只是包了人設(shè)的提示詞。本文用三個階段模型劃清能力邊界——提示詞人設(shè)、工作流編排、目標(biāo)驅(qū)動自主體并給出 RAG 把回答準(zhǔn)確率從 60% 拉到 90% 的具體工程路徑與平臺選型依據(jù)。一、先定義清楚什么才算智能體判斷標(biāo)準(zhǔn)只有一條而且很干脆能不能調(diào)用工具。用戶直接提問、大模型直接給答復(fù)——這是大模型應(yīng)用。一旦模型具備了調(diào)用外部工具的能力聯(lián)網(wǎng)搜索、查數(shù)據(jù)庫、調(diào) API它才變成智能體。智能體包含大模型但大模型本身不是智能體。這條線劃清楚之后很多討論才有意義。比如「我在官網(wǎng)開了聯(lián)網(wǎng)開關(guān)是不是就在用智能體了」——嚴(yán)格講不是你操作的是一個應(yīng)用聯(lián)網(wǎng)能力是應(yīng)用層封裝好喂給模型的你沒有讓模型自己決定調(diào)不調(diào)。歷史上對智能體的理解分兩代時間提出者核心要素視角1986明斯基《意識社會》分布式智能體集合、層級協(xié)作、無中央控制認(rèn)知科學(xué)2023翁麗蓮OpenAI大模型、記憶、工具、規(guī)劃、行動功能化系統(tǒng)設(shè)計明斯基那套是從認(rèn)知科學(xué)出發(fā)的哲學(xué)式定義和今天寫代碼完全是兩回事。真正能落地的是 2023 年那套五要素框架逐條對應(yīng)到工程大模型決策中樞負(fù)責(zé)推理和規(guī)劃記憶短期是上下文窗口長期靠向量庫 / 知識圖譜 / 微調(diào)工具擴(kuò)展能力邊界突破純文本限制規(guī)劃任務(wù)拆解 反思自省行動實際調(diào)接口、執(zhí)行操作成熟度可以類比自動駕駛 L4——人設(shè)定目標(biāo)和給資源AI 完成絕大部分執(zhí)行閉環(huán)。二、三階段模型能力越強(qiáng)可控性越弱這是我見過最實用的一張判斷表。分階段的依據(jù)不是「用了什么技術(shù)」而是誰來決定執(zhí)行路徑。階段一提示詞立人設(shè)典型形態(tài)是 GPTs、各類客戶端的「智能體」功能。你寫一段提示詞定義角色模型按這個人設(shè)回答。能力邊界非常清楚沒有自主工具調(diào)用沒有流程控制依賴模型固有能力。所以業(yè)內(nèi)管它叫「閹割版智能體」不算貶義只是準(zhǔn)確。適用場景角色扮演、風(fēng)格化寫作、固定話術(shù)的客服問答。這類場景不需要工具也不需要多步流程提示詞夠用。階段二工作流編排每一步的模型、插件、節(jié)點(diǎn)順序由人顯式指定系統(tǒng)按設(shè)定流程執(zhí)行。從編程范式類比這是「面向過程」——你寫的是流程圖不是目標(biāo)。所以它的特點(diǎn)恰好是確定性高、可控性強(qiáng)、異?？擅杜e。輸入 → 節(jié)點(diǎn)1(插件A) → 節(jié)點(diǎn)2(代碼) → 節(jié)點(diǎn)3(大模型B) → 輸出 ↓異常 重試/兜底分支階段二的工程價值被低估了。企業(yè)級落地時大多數(shù)場景其實應(yīng)該停在這一層因為業(yè)務(wù)方要的是「結(jié)果穩(wěn)定」不是「AI 自主」。讓 AI 自由決定怎么查數(shù)據(jù)出了錯沒人能解釋為什么。階段三目標(biāo)驅(qū)動自主體人只給目標(biāo)智能體自主完成任務(wù)拆分、工具選擇、進(jìn)度控制達(dá)成后自主結(jié)束。這是「面向目標(biāo)」的架構(gòu)。差別有多大舉個具體的讓人去對面桌子拿蘋果要拆成語音轉(zhuǎn)文本、視覺識別定位、機(jī)械運(yùn)動控制多個環(huán)節(jié)每一步選什么工具、什么順序階段二需要人提前編排好所有分支階段三由智能體現(xiàn)場決定。從階段二到階段三是質(zhì)變但代價是可控性下降。所以生產(chǎn)環(huán)境的策略通常是核心業(yè)務(wù)鏈路走階段二探索型任務(wù)走階段三。下面這張圖是三個階段的關(guān)系可控性高 ←──────────────────────────────→ 可控性低 能力窄 ←──────────────────────────────→ 能力寬 階段一 階段二 階段三 提示詞人設(shè) 工作流編排 目標(biāo)驅(qū)動 │ │ │ 固定角色 固定流程 自主規(guī)劃 無工具 顯式選工具 自主選工具 ← 企業(yè)落地主戰(zhàn)場 →一個反直覺的結(jié)論階段二不是過渡形態(tài)它是終態(tài)之一。就像不是所有程序都需要用聲明式編程不是所有 AI 應(yīng)用都需要自主智能體。三、RAG把準(zhǔn)確率從 60% 拉到 90%知識庫是智能體「記憶」要素的工程載體。為什么必須有它三個具體痛點(diǎn)痛點(diǎn)具體表現(xiàn)解法訓(xùn)練數(shù)據(jù)滯后問 2025 年春節(jié)檔電影模型不知道聯(lián)網(wǎng)搜索領(lǐng)域語料缺失問私域健身方案模型沒學(xué)過私有知識庫私域數(shù)據(jù)不可見公眾號高質(zhì)量內(nèi)容不在訓(xùn)練集里特定數(shù)據(jù)源接入實測下來引入 RAG 后回答準(zhǔn)確率可以從 60% 提升到 90%。這個數(shù)字怎么理解——打個比方讓大模型去考一個它完全陌生的領(lǐng)域閉卷正確率可能只有百分之幾給了參考資料就相當(dāng)于開卷能順著資料找到方向正確率能到 90%。這里要說清 RAG 的完整鏈路兩步走數(shù)據(jù)存儲過程PDF / Word / Markdown → 文本切分chunking → 嵌入模型向量化 → 存入向量數(shù)據(jù)庫用戶查詢過程用戶提問 → 問題向量化同一個嵌入模型 → 向量庫相似度檢索 → 檢索結(jié)果作為上下文拼進(jìn)提示詞 → 大模型生成答案 標(biāo)注來源踩坑點(diǎn)這兩個過程必須用同一個嵌入模型。不同產(chǎn)品用的嵌入模型不一樣有的用 BGE有的用其他一旦寫入和查詢用了不同的模型向量空間不對齊檢索結(jié)果會完全隨機(jī)——而且不報錯只是答得莫名其妙。這是最難排查的一類問題。四、平臺選型按場景而非按名氣主流的幾條路各有明確適用條件路徑代表優(yōu)勢代價本地化客戶端 本地知識庫數(shù)據(jù)完全本地、可離線需配 API Key 與嵌入模型在線便捷在線搜索類產(chǎn)品拖拽上傳即用數(shù)據(jù)存第三方服務(wù)器生態(tài)融合依托社交生態(tài)的產(chǎn)品獨(dú)家私域語料、穩(wěn)定性好綁定單一生態(tài)開源可部署Dify 類平臺可本地部署、工具鏈國際化插件多需境外網(wǎng)絡(luò)選型時按這個順序問自己數(shù)據(jù)能不能出域不能 → 只能本地化方案其他不用看了。知識庫更新頻率每天變 → 必須支持增量更新不能整庫重跑。有沒有生態(tài)獨(dú)占數(shù)據(jù)有 → 優(yōu)先用能接這個數(shù)據(jù)的平臺。有個坑需要提醒跨平臺遷移成本極高。一旦在某個平臺搭了復(fù)雜工作流比如「視頻鏈接 → 文案提取 → 競品分析 → 報告生成」遷移到別的平臺要重寫 80% 以上的邏輯因為插件生態(tài)是綁定的。應(yīng)對策略是「核心能力自建 平臺只作分發(fā)」知識庫和 RAG 模塊保持平臺無關(guān)用標(biāo)準(zhǔn)向量庫 標(biāo)準(zhǔn)嵌入模型平臺層只負(fù)責(zé)界面和分發(fā)渠道。五、工程細(xì)節(jié)三個容易被忽略的配置細(xì)節(jié) 1temperature 與 Top-p 的選擇邏輯不是所有場景都要低溫度。創(chuàng)意生成類文案、故事需要溫度高一些保證多樣性數(shù)據(jù)查詢、事實問答必須貼近 0保證可復(fù)現(xiàn)——同一個問題問兩次得到不同數(shù)字在業(yè)務(wù)場景里是災(zāi)難。細(xì)節(jié) 2記憶要分層不是一層短期記憶是上下文輪數(shù)長期記憶是知識庫更新頻率。這兩個參數(shù)要分開調(diào)。常見錯誤是把上下文輪數(shù)開到很大來「記住更多」結(jié)果 Token 爆了而且相關(guān)性反而下降——因為塞進(jìn)去的無關(guān)歷史會干擾模型。細(xì)節(jié) 3工具權(quán)限要顯式配置知識庫成員權(quán)限分公開 / 成員可見 / 私有三級。做企業(yè)知識庫時權(quán)限必須在前端可見地配不能靠「反正內(nèi)部系統(tǒng)沒人亂看」這種默認(rèn)假設(shè)。這條在合規(guī)檢查時一定會被問到。六、這套東西的邊界最后說清楚解決不了什么不能解決數(shù)據(jù)本身錯誤。知識庫里寫錯的文檔RAG 會把它當(dāng)權(quán)威答案輸出而且因為「有引用來源」顯得更可信。不能替代流程梳理。工作流編排的前提是你得先把業(yè)務(wù)流程說清楚。流程本身混亂編排出來只是把混亂自動化了。不降低領(lǐng)域知識門檻。低代碼讓開發(fā)門檻歸零但設(shè)計門檻更高了——提示詞怎么寫、工具怎么組合、記憶怎么分層這些需要業(yè)務(wù)理解不是拖拽能解決的。所以團(tuán)隊里真正稀缺的角色不是「會搭智能體的人」而是能把用戶目標(biāo)拆解成能力映射的人。這個活目前還沒被工具替代。結(jié)尾三階段模型最大的價值不是給技術(shù)分層而是給人一個判斷依據(jù)你現(xiàn)在要做的事到底該用哪個階段實現(xiàn)。很多項目失敗不是技術(shù)不到位是一上來就想做階段三結(jié)果可控性崩了。你在項目里踩過哪個坑是明明該用工作流卻硬上了自主智能體還是 RAG 檢索總召回不到對的內(nèi)容評論區(qū)聊聊。評論區(qū)互動話術(shù)「關(guān)于階段二和階段三的邊界我們現(xiàn)在的做法是核心鏈路走工作流、異常兜底才放給智能體決策算是混合。想問問有沒有更明確的判斷標(biāo)準(zhǔn)比如節(jié)點(diǎn)數(shù)量超過多少就該考慮自主編排」「嵌入模型那個坑太真實了。我們之前寫入用了一個模型、查詢換成另一個檢索結(jié)果完全隨機(jī)排查了三天才定位。補(bǔ)充一個換模型之后必須整庫重建不能只換查詢側(cè)?！埂赶雴栂轮R庫更新頻率這塊你們是全量重建還是增量我們現(xiàn)在文檔量大概兩萬份全量重建一次要四十分鐘業(yè)務(wù)方抱怨更新不及時?！?