折腾了半天 AI Agent

最近在尝试把几个复杂的业务流程塞进 Agent 的工作流里，结果发现这玩意儿极其不听使唤。有时候给它一个模糊的任务，它就开始在那儿“一本正经地胡说八道”，或者干脆在执行到一半的时候卡死。我翻了一遍各种实战案例，总结了一下写 Agent 指令的几个硬核逻辑，发现大家最容易在“自然语言描述”上栽跟头。

如果你还在用那种“你是一个专业的助手，请帮我……”这种废话文学，真的建议停下来。写 Agent Instruction 的本质其实是在构建一个确定性的执行环境，而不是在写小说。

以下是我总结的几点实操避坑指南：

1. 明确定义“角色边界”而不是“角色头衔”

别光说“你是一个高级架构师”，这没用。你应该告诉它：“你的决策逻辑必须基于高性能和低延迟原则，在给出方案时必须优先考虑内存占用。”给它具体的决策准则，比给它一个虚头巴脑的身份标签有用得多。

2. 强制执行“思维链”输出

很多 Agent 报错或者逻辑跳跃，是因为它直接给结果，中间没思考。在 Instruction 里强制加上这一段：

Before providing the final answer, you must follow this thought process:
1. Analyze the user's intent.
2. Identify the necessary tools or data required.
3. Outline the step-by-step execution plan.
4. Verify the plan against the constraints.

这种强制性的思考路径，能有效解决很多逻辑断层的问题。

3. 限制输出格式，别让它“自由发挥”

如果你接下来的工作流需要解析 JSON，千万别指望它能自觉。必须在指令里给出严格的 Schema 示例，甚至要明确告诉它：“禁止输出任何 Markdown 格式以外的解释性文字，只返回纯 JSON 字符串。”

4. 错误处理机制（Error Handling）

这是最容易被忽略的一点。你要预判它可能犯的错，并在指令里写清楚：

• 如果 工具调用返回了 404，那么 请尝试检索备用数据库。
• 如果 用户输入的信息不足以完成任务，不要 猜测，必须 追问用户。

5. 少用否定词，多用肯定指令

大模型对“不要做什么”的理解力其实很弱。与其说“不要使用复杂的术语”，不如说“请使用初学者也能听懂的通俗语言”。直接告诉它“要做什么”，比告诉它“别做什么”效率高得多。

我之前踩过一个大坑，就是指令写得太长太散，导致模型在处理长上下文时，指令权重被稀释了。现在我的做法是把核心约束（Constraints）单独拎出来，用明显的标记符包起来，比如使用 ### CONSTRAINTS ### 这样的标题。