一直对靠提示词和大模型交互这事儿，有点抵触。
提示词是伴生于大语言模型而出现的产物，在此之前，就没这个说法。传统AI里，用户只管输入，给几个参数或者几个文件，其他交给AI，神经网络算出个啥来不好说，但搞算法的薪资巨高。
入参的格式、规制也有很多讲究，普通人几乎没有AI的使用场景。有了大模型，人人都能玩一下AI了。自然语言输入，空口白话也能让AI跟你有来有回。虽说结果往往差强人意，好在能用了。
最开始我也挺习惯，让大模型帮着找找资料，做做总结，写点作业，比起靠搜索引擎+人力输出，方便了一个级数。接着幻觉来了。真想做点儿事的时候，给一句简单的命令，诸如“找几个XX的案例”，大模型给的输出物像模像样，堪称光屁股坐凳子，有板有眼。
但仔细一扒，会发现很多数据都是胡编乱造张冠李戴的，甚至连案例本身都是它编的。
聪明如我，当然知道在输入时加约束，比如严格考虑案例真实性bulabula，并严令它不准发散，不准自己生成。结果几轮下来，仍旧一本正经地胡说八道，遂重新来过。
方法简单粗暴，让提示词越来越复杂，大模型才能更好地理解我的要求。和AI对话，得先写一篇小作文。
现在的提示词一般长这样：
- 角色：告诉模型你是谁，有啥技能。
- 任务：我准备要你干啥？
- 要求：有什么具体要求，例如步骤、输出格式，甚至其他奇怪的需要。
- 示例：打个样给你看看，你需要好好学习体会。
- 限制：加入不要这样不要那样，必须这样必须那样的限制。
大模型就是个演员，小作文就是再给他讲戏，演成啥样还得靠他自己。讲戏的整体范式有点像大模型给出结果前，展示的思维链那一套。
但我们都是正常人，正常人用个AI，不会这么写。
于是就有了个新工种，叫“提示词工程师”---我开始入行的时候，打死都想不到会有这么一种工程师---负责把用户的简单输入，转化为小作文一样的提示词。
不过新的问题又来了，对于大多数复杂任务，幻觉依然明显。比如你告诉AI：“我是个产品经理，今年主要工作内容和成果如下：xxxx...，帮我写份年终总结，要求：xxx...” 在只有一个模型的情况下，它会给你有板有眼地出一份。内容和数据就不一定能看了，需要花大力气审核修改，甚至推倒重来。
这时候就需要一个模型专门去分析你的意图，另一个去把你的问题做转换，再一个模型去扒你的工作日志，比如周报月报之类，另一个模型去扒你的团队考评，还有一个模型去把你的工作成果和公司战略做结合，最后一个模型去对之前所有的信息做汇总，并按标准格式和套路做输出。
要想总结更加漂亮一点，还需要用到绘图插件，文档插件等等。要想总结更符合你的风格一点，还得有个模型去按你的文字风格将最终输出物润色一遍。
为此，你需要对这些模型写无数个prompt，写到想吐。写着写着，发现还不如就让AI出个框架，自己把总结写了算逑。 但，如果有个东西，不用你怼这么多提示词，就能出来一个98%的总结，只需要你最后把输出物改成100%，是不是就很香了。这么看，提示词工程还挺重要。在李飞飞们没有成为主流前，和大语言模型交互，prompt似乎必不可少。
个人的抵触在于，这事儿确实很无聊。
就像每一个程序员面对着屎山一样的代码，都会泛起推倒重构的念头。未来的每一个提示词工程师，看到屎山一样的文字，以及夹在文字里的逻辑代码，会更头大。毕竟代码打个断点就知道错在哪儿，提示词的测试量就大得多了。
那么问题来了：用提示词搓出来的智能体，算不算智能体？
