2026-11-10 · 17 min read

从提示词工程到人设工程:Agent 的 RGB 三件套

一份关于如何定义 Agent 的课程文稿整理。作者把写 Agent 比作招聘:先看 JD,再看候选人。Agent 的定义由三个字段决定——Role、Goal、Backstory,恰好缩写是 RGB。文中逐条拆开:Role 的两重价值(激活领域知识、支撑任务委托)、Goal 必须是决策偏好而不是任务目标(否则和 Task 冲突)、Backstory 的四层补充(人设、知识、方法、行为边界)。末尾给出三条反模式,以及一个很实用的技巧——加一个只想保存中间产物的工具,逼模型把一步分析拆成多轮思考。

本文整理自课程文稿《07|定义 Agent:从「提示词工程」到「人设工程」》。文稿末尾自注「内容由 AI 生成」,属整理稿而非逐字记录。

文中的示例文案与专有名词沿用文稿原述,未做外部核验。

进入工程篇第一个模块了。作者先给了整章的骨架:做 Multi-Agent 就像从程序员变成经理,要做三件事。

定人(Agent)、定事(Task)、定流程(Process)。

而这一讲只做第一件:定人。

招聘的类比

他说理解 Agent 定义最直接的方式,是想清楚你怎么招人。

先写 JD。 一份完整的 JD 通常有三块:

JD 字段写什么
职位名称资深 Python 工程师、前端工程师、质量部经理
岗位目标招你进来干嘛,怎么考核,什么算做好
任职要求需要什么知识、经验、做事方法和能力

然后对着候选人判断。 而 Agent 的定义恰好也是三个字段,缩写正好是 RGB——他顺口提了一句这个巧合。

字段对应 JD 的哪部分
Role职位名称
Goal岗位目标
Backstory任职要求

Role:一句话,但有两重价值

概念本身很简单

角色就是一句话:你是一个 Python 工程师,你是一位资深架构师。

框架会显式要求一个 role 字段。而很多人会觉得这不就是提示词吗,而且还挺玄学的。

他不这么看。他给了一个机制解释。

第一重价值:激活

大模型是神经网络,输出时看的是网络里哪些知识被激活了。而模型对输入的第一句话注意力非常高。

所以 role 写在第一句,做的其实是一次定向激活。

他给了一个对照:

  • 只说「你是一个人」——太泛,激活不了什么。
  • 说「你是一个 Python 架构师」——「Python」激活编程语言相关知识,「架构师」激活代码设计与设计模式。这些被激活的东西,会在后续输出里被调用。

这就是所谓「给 Agent 一个身份,它会按身份的口吻说话」的底层原因。

第二重价值:委托

这一条更实际,也更少人想到。

他说在 agent 之间互相委托任务时,真正被用到的只有 role 这一个字段。

具体机制是:你在提示词里告诉这个 agent「你可以委托的同事有 A、B、C」,然后就没了——除了名字,没有任何关于他们能力的描述。

所以 role 写得含糊,委托就会乱:

如果 role 只写「一个员工」,那它在委托时会懵——什么东西该给这个员工。

而如果写的是「AI 是一个 Python 高级工程师」,那代码类的任务就能顺畅地交出去。

一条隐含推论

从这里可以推出一个很实用的判断:**如果你打算让某个 agent 被别的 agent 调用,那它的 role 必须自带「我能干什么」的信息。**名字不是标识符,是接口说明。

Goal:最容易写错的那一个

他把这个字段单独拎出来强调,因为它极容易和 Task 的目标混淆。

先分清两个「目标」

回到那个调研报告的案例:

  • 任务目标:根据大纲撰写出报告。
  • 个人目标:这个撰写专员的岗位目标是什么。

这两个不是一回事。

而真正的个人目标,不应该是某个具体任务的完成标准,而应该是他的工作取向。

一个很妙的对照实验

他设计了一个思想实验:同样是「把项目从 Python 2 迁到 Python 3」这个任务,交给两个不同的工程师。

工程师考核与立场决策倾向
业务团队的人业务满意度、上线效率一切决策偏向快速上线
只对技术稳定负责的人出一个 P0 事故绩效全扣一切决策偏向稳妥、技术合理性优先

任务完全一样,决策完全不同。

因为任务本身写的是「要快、要稳、要完成这些事」,而这两条要求会打架。打架时往哪边偏,由个人目标决定。

图表加载后显示;未启用 JavaScript 时可阅读下方流程源码。

flowchart LR
    T["同一个 Task<br/>又快又要稳"] --> Q{"冲突时往哪偏"}
    Q -->|"个人目标:交付速度"| A["偏快"]
    Q -->|"个人目标:系统稳定"| B["偏稳"]

上图是这两个字段的分工。Task 定义要做什么,Goal 定义做选择时的偏好。

所以 goal 该怎么写

他的建议很明确:写决策偏好,不写具体动作。

拿那个小红书内容策略专家举例,他的 goal 是这样写的:

基于算法制定一套穿透冷启动池、并具有长尾搜索价值的策略。

为什么这么写?他解释得很清楚:

我要的不是这篇笔记多文艺、知识性多强,我要的是它能不能火。这才是这个专家所有决策的偏好。

于是这个 agent 拿到任何任务时,都会用「怎么让它火」这把尺子去衡量。

Backstory:两个字,补充

他对 Backstory 的定义非常精简:补充。

因为一个 agent 有了角色和目标,但在能力上一定是空的——需要你去赋能。赋能的东西就是补充。

它分四层。

一、人设补充

role 说你是 Python 工程师,那是什么 level 的?常用什么框架?做过什么项目?是偏高并发还是偏算法?

这些会进一步激活对应领域的知识。

二、知识补充

企业里大量的知识,正规做法是走知识库、知识工程。

但他指出一类例外:一些简单、容易理解的知识,可以直接以背景故事的方式写进去,它就会主动拿来用。

三、方法补充(也就是思维链)

这里他做了一个重要区分:

Backstory 里的方法,不是流程。

因为流程应该写在 Task 里。这里应该写的是心法:

当我遇到什么场景需要做决策的时候,我的决策逻辑是什么。

他举的例子都很像「内功」:不要泛泛而谈、先找痛点的细分场景、在策略里设计钩子和价值锚点。

四、行为边界(他标为最重要)

这一段他直接引用了前面那个翻车的案例。

让一个只写大纲的 agent 不加限制,它会把正文也写出来。而它没有搜索工具,正文里全是幻觉。这些幻觉进了上下文,后面真正写正文的 agent 会照着它写。

这就是典型的行为边界没设好的例子。

而边界就设在 Backstory 里:你是写大纲的,就不要写具体正文。

三条反模式

讲完理论,他给了三个很直接的警告,而三条指向同一个原理。

一、role 不要太宽泛

太宽泛就激活不了知识,也支撑不了委托。

二、goal 不要写成任务目标

这一条的后果他讲得很重:

一旦它跟 Task 的目标冲突,prompt 是最讨厌冲突的。你上面说生成大纲,下面说生成具体文案——整个模型的输出就完全不可控了。

三、backstory 不要写成死流程

理由同上:第一步干嘛、第二步干嘛写进 backstory,同样会和 Task 冲突。

图表加载后显示;未启用 JavaScript 时可阅读下方流程源码。

flowchart TB
    A["Role 太宽泛"] --> X["激活不到知识<br/>委托说不清"]
    B["Goal 写成任务目标"] --> Y["和 Task 打架<br/>输出不可控"]
    C["Backstory 写成步骤"] --> Y

上图是这三条反模式。注意后两条落在同一个坑:职责重叠。同一个指令在两处出现,模型就得自己选一个服从。

一个很巧的工具:中间产物保存

这一节是我读完最想立刻用起来的。

他说 agent 以 ReAct 为主,每轮输出 Thought、Action、Action Input,然后观察结果。

但如果某一步只有思考、没有 action 可做呢?

比如让 agent 分三步分析:先分析用户诉求,再分析用户群体,再基于群体分析细分场景。这三步全是模型自己动脑,没有工具可调。

没有 action,它往往一步就完成。而一步完成,思考也很难深入。

他的解法:给 agent 一个专门用来保存中间产物的工具。

实现极其简单:

项内容
入参一个字符串,就是中间产物
返回固定一句话:中间产物结果已保存,可以进行下一步思考

效果是:它分析完一步,会调用这个工具存一次。存完之后,中间产物和结论都进了上下文,于是下一轮它基于这些内容往更深里想。

图表加载后显示;未启用 JavaScript 时可阅读下方流程源码。

flowchart LR
    A["分析完第一步"] --> B["调用工具<br/>保存中间产物"]
    B --> C["结果进上下文"]
    C --> D["基于它继续深入"]
    D --> A

上图是这个小技巧的机制。它没有增加任何能力,只是给模型一个「停下来记账」的动作,就把一步变成了多步。

他说这是自己唯一给这个 agent 的工具——因为它只需要思考。

运行日志印证了这个对比。加了工具:agent 先做核心人群与场景定义,调工具存一次;再做漏斗与反漏斗定位,再存;再设计互动钩子与价值锚点,一路走完才给最终答案。不加工具:按他的说法,第一步就直接 final answer。

这组对照可以自己复现——把工具摘掉重跑一遍,看日志里还剩几次工具调用。

最后:让模型来写提示词

讲完反模式,他给了最佳实践,而这条有点调皮。

提示词本身可以交给模型生成。

他说现在有很多「提示词已死」的说法,最大的理由就在这里:刚才讲的所有东西都可以用大模型优化。甚至你把这门课的材料喂进去让它总结,它就得到一套提示词方法论。

然后你做任何 agent 时,只需要说:基于这套结构帮我生成。

他还坦白了:「我又不是小红书的营销专家,里面那些知识、专业名词,全都是大模型帮我生成的。」

具体做法他也给了:

  • Backstory 里的知识和 SOP,让模型做一轮深度研究。
  • 拿报告,提取你觉得有价值的点写进去。
  • prompt 效果不好,就把 prompt 加执行日志一起扔回去让它改。

写提示词已经越来越不是我们要重点关注的事。

那要关注什么?

关注的是结构化思维,就像 RGB 一样:我需要的人是什么职位、他的偏好是什么、他的补充知识是什么、他的边界是什么。

这个思维是构造提示词的架子。具体文字交给模型。

我的三点补充

以下是评注,不是原片内容;取舍由我负责。

第一,「goal 写决策偏好,不写任务目标」这一条,解释了为什么很多 agent 行为不稳定。 因为大部分人写 goal 时写的是「完成 X 任务」。而这恰好和 task 重复。重复不是冗余,是冲突:两句话措辞略有差异时,模型就得自己判断该听谁。而写得好的 goal 根本不该出现任务名,它应该只描述偏好:快还是稳、覆盖还是精准、成本还是质量。

第二,那个中间产物工具在原理上很像「让人打草稿」。 它没有扩展模型能力,只是硬造了一个动作,把一次思考切成几段。而切成几段之后,每段的产出都留在上下文里,下一次思考就有了落脚点。这跟前面讲思维链是同一件事:不是让它更聪明,是让它别一口气想完。

第三,他最后那段坦白其实最值钱。 一个不是小红书专家的人,靠模型生成了整套专业知识和术语——这说明人设工程的真正门槛不在知识,在结构。你知道要找什么样的人、他的偏好是什么、边界在哪,剩下的内容可以让模型填。而反过来,如果你连「这个岗位该考核什么」都想不清楚,那喂多少专业知识都堆不出一个稳定的 agent。


一句话总结:**写 Agent 不是写提示词,是写一份 JD。**而 JD 里最难的不是职位名,是那句「我按什么标准判断你干得好」。

搜索全站

输入关键词,查找项目与实践记录。