把 Agent 的 Prompt 拆成四个槽位优化居然没效果
最反直觉的发现是，在 ALFWorld 这个环境下，用 7B 模型做测试，如果你把优化预算平均分配给这四个槽位，最终的成功率（0.657）跟直接用原始 Prompt 或者把整个 Prompt 当成一个字符串去优化（0.642）几乎没区别。这说明，如果你试图「全面提升」Prompt 的每一个维度，结果往往是原地踏步。
真正的关键在于「价值局部化」。研究员通过消融实验发现，几乎所有的性能提升都集中在「反思/控制」这个槽位上。当他们把预算从四个槽位均匀分布（每个槽位 16 次 rollout）改为集中攻击这个高价值槽位时，成功率直接从 0.657 飙升到了 0.761。而且最离谱的是，集中预算后的总样本量只有之前的一半，效率反而更高。
这揭示了一个「预算分割陷阱」：优化器在搜索空间太小时（比如每个槽位只有 16 次尝试），根本触不到性能提升的阈值，导致所有槽位都卡在初始状态，处于一种「集体冻结」的低效状态。
对于我们平时写 Prompt 的人来说，这其实是个很重要的启发。很多时候我们试图通过增加「你是一个资深的XX专家」或者「请一步步思考」来优化结果，但实际上，真正起作用的可能是那句具体的「如果发现结果不符，请重新检查第三步」这种控制逻辑。
如果你想尝试这种结构化拆分优化，可以参考下面这个逻辑模版，不要试图同时优化所有部分，先锁定那个最影响结果的「控制槽位」。
# Agent Harness Structure (Decomposed)
## Slot 1: Role (角色设定)
- [此处定义身份，如：你是一个精通环境交互的机器人]
## Slot 2: Task-Strategy (任务策略)
- [此处定义解决问题的通用路径，如：先观察环境 -> 寻找目标物 -> 执行交互]
## Slot 3: Tool/Format-Rules (工具与格式规则)
- [此处定义 API 调用格式，如：Action: {action_name}(object)]
## Slot 4: Reflection/Control (反思与控制逻辑)
- [核心优化区：定义如何处理错误，如何判断当前状态是否符合预期，以及失败后的修正机制]
- 示例：如果执行 Action 后环境反馈为 "Nothing happens"，请尝试改变交互角度或检查是否缺少前置道具。在实际操作中，我建议的优化路径是：先固定 Role、Strategy 和 Rules，只针对 Reflection/Control 这一块进行迭代。比如在 ALFWorld 这种需要频繁与环境交互的任务中，模型最容易在「意识到自己做错了」这一点上卡壳。与其花时间润色角色扮演的措辞，不如多写几条关于「如何识别失败并切换方案」的硬性指令。
当然，这种局部化效应也取决于任务本身。论文里提到在 WebShop 任务上，无论怎么拆分优化，结果全部打平，这说明有些任务根本不存在可以通过文字描述来修复的「可语言化控制失效」。换句话说，如果模型在某个任务上就是能力不足，你把 Prompt 拆成 100 个槽位去优化也没用。
总结一下这次实验给我的认知刷新：Agent 的 Prompt 优化不是做加法，而是做「权重分配」。与其追求一个全方位完美的 Prompt，不如找到那个能带来 80% 提升的 20% 关键指令，然后把所有的迭代精力全部砸在那里。
