AI Agent 协作：提示词工程与免费网页对话 AI

四折光曲

AI agent 协作是复合能力：提示词工程、领域知识、管理能力、评估迭代、工具理解。管理视角是好框架，但落到执行，提示词是把目标变成 agent 输入的唯一通道，两者不是对立而是分工。比争论归因更有用的是可操作的流程：不熟悉的架构先用免费网页 AI 摸清整个流程、确定技术栈，输出完整 plan 再派给 agent；出了问题先和免费 AI 会诊，再把结论精确转达。AI 既放大表达漏洞，也放大认知上限——所以把想清楚的成本花在免费的地方，把执行的成本花在想清楚之后。

一、两类工具的成本结构不同

对话 AI 和 agent 的差异，本质不是“聊天和干活”，而是试错成本不同。
网页对话 AI（免费档的 DeepSeek、豆包、ChatGPT 之类）免费或包月，一轮一纠偏，说错了重来没有额外代价。适合陪你想清楚。
agent 按 token 烧钱，自主跑几十步，走偏了错误会复利，发现越晚代价越大。适合执行已经想清楚的事。
推论：没想清楚的事，先跟对话 AI 想清楚；想清楚的方案，交给 agent 执行。这是参谋与执行的分工，也是本文的核心。
边界：熟悉的代码库、小的可逆改动，可以让 agent 直接干。摸底流程是给陌生领域和大决策用的。

二、核心流程：先摸底，再定方案，后派活

以「给内部系统对接钉钉审批流，但你从没做过」为例。

1. 用免费对话 AI 摸清流程

问的问题比得到的答案重要：

主流实现方式有哪几种？各自的代价？
需要哪些 API、SDK、权限申请？
典型的坑在哪？
描述一个典型架构和完整调用链。

警惕一点：对话 AI 有知识截止日期，SDK 版本、API 名称、参数可能记错。关键事实去官方文档核对。它给的是地图，不是路况。
但是现在大多数都带有网络搜索功能，询问最新。

2. 收敛技术栈和架构

让它对比方案，逼它给出选型理由（「方案 A 在我的场景下会撞上什么问题」），最后你拍板。决策留在人手里。

3. 产出具体 plan

让对话 AI 起草分步计划，每步带验收标准。你自己过一遍，砍掉不认同的步骤。此时的 plan 应具体到：做什么、用什么、怎么算做完。

4. 派活给 agent

plan 之外，任务单里必须写环境事实：语言版本、已有依赖、相关文件位置、不能碰的东西。agent 不知道你的环境，它会拿训练数据里的“典型环境”脑补——大量幻觉来源于此。

5. 出问题：先会诊，再精确转达

agent 报错或产出不对时，不要丢一句「再试一次」。把报错原文和相关代码贴给免费对话 AI 会诊，得出结论后，压缩成明确指令转达：

token 获取逻辑有误：改为每次请求前检查 access_token 过期时间，过期先刷新。只改 auth.py，其他不动。
绕这一道的原因：

agent 自主试错烧 token 和时间，且可能在错误方向上跑远；
会诊过程会产生大量已否定的思路，整段贴过去会污染上下文；
会诊逼你把问题想清楚，转达时自然精确。
精确转达的原则：给结论和处方，不给过程；给报错原文，不给你的转述。

三、任务单怎么写

提示词工程落到 agent 场景，就是一张像样的任务单。
差的写法：

帮我加个登录功能。

好的写法：

目标：为现有 FastAPI 项目添加 JWT 登录。
现状：结构见 README；用户表在 app/models/user.py；已用 sqlalchemy。
范围：只新增 auth 相关文件，不改数据库 schema。
验收：POST /login 返回 token；GET /me 用 token 鉴权通过；新增 pytest 测试全绿。
约束：用 pyjwt，不引入新框架。
流程：先列出实施步骤和涉及文件，我确认后再写代码。

六个字段对应的正是经典管理问题：目标（要什么）、现状（上下文）、范围（授权边界）、验收（怎么算完成）、约束（红线）、流程（检查点）。提示词工程和管理能力在一张任务单上汇合。
验收标准最考验领域知识：你不知道什么是「对」，就写不出可测试的标准，也就永远无法验收。
两个高性价比技巧：

复述确认：让 agent 先复述它理解的任务和步骤，确认后再执行。目标错位在最便宜的时候被发现。
先方案后动手：任务单末尾加一句「先给方案，我确认后再改代码」。这是人工批准门禁的提示词实现，既避免微操，也避免甩手。

四、上下文管理

上下文是稀缺资源，管理它就是管理注意力。

给相关的，不给全部。贴三个关键文件，胜过丢整个仓库。
记决策，不记流水账。会话结束让 agent 总结「已确定的事项」，下个会话带摘要进场，不带几十轮聊天记录。
shorthand 有效，但依赖长期协作积累。新会话、新 agent，别默认它听得懂你的黑话。

五、失败诊断：症状 → 层级 → 处方

Agent 失败先分层再动手，避免把模型能力问题归咎于自己的提示词，反之亦然。

症状	层级	处方
产出与目标南辕北辙	目标层	重写目标与验收；用复述确认
方向对，细节错	提示层	补上下文：相关代码、接口、示例
编造不存在的 API 或参数	模型层	贴官方文档片段、锁定版本；或换模型
工具调用失败、文件没改上	工具层	查权限、路径、配置
前几步对，越跑越偏	流程层	任务太大，拆步、加检查点
同一处反复改不收敛	评估层	给可测的验收标准，贴报错原文

六、管理类比的适用边界

顺手说清：agent 无动机、无跨会话记忆、不随协作成长，所以激励、培养、组织政治这些管理要素不适用。适用的部分是目标设定、授权边界、检查点、验收标准——而它们恰恰都要通过提示词落地。

七、实践清单

陌生领域：先用免费对话 AI 摸底，官方文档核对版本和 API。
技术栈、架构：会诊收敛，人拍板。
派活前：写六字段任务单，验收标准必须可测试。
大任务：拆步、设检查点，关键节点人工批准。
出错：先会诊，精确转达，不整段转贴聊天记录。
跨会话：带决策摘要，不带流水账。
反复修不好：先分层诊断，再考虑换模型或改流程。
对模型：不神化，不贬低，认识边界。

管理能力决定方向和稳定性，提示词能力决定每一环的执行质量。而想不清楚的问题，agent 不会替你想清楚，只会替你执行混乱。把想清楚的成本花在免费的对话里，把执行的成本花在想清楚之后。