探索 Agent 的聚焦模式

这周看到线上有人做的一个网站，整个站的思路有点意思。本质上是利用 AI agent 生成教程和课程。

思考了一下，这种形态的用户群覆盖点特别广，符合自己对有"长期"产品的定义。

调研了一下，不禁感叹 Agent 真的是能力无限啊。

聚焦模式

AI Agent 如果没有限制回答方向，会产生很多无效的 token，所以需要聚焦。这是在研究 think 型 Agent 时了解到的，特别是大上下文的 LLM，虽然参数很多，但是如果信息定义不准确，回答也会特别发散。所谓："说得很对，但是没什么卵用。"

目前了解到的聚焦方式是，让 Agent 成为提问者，让 User 做裁决者来聚焦方向，利用 history 去补全信息的缺失部分。等待信息充足后，再让 Agent 输出内容，可以极大提高输出准确度。

当你能把目标信息定位得越充足且越狭窄，它回答的应该越是你想要的。

提问很重要

为了让信息快速聚焦，需要提出正确的问题。我让 Claude 帮忙分析了一下这个问题，发现其实比较好的方式是先告诉 Agent 你希望输出的内容是什么，然后再提问，这样能很好地提升聚焦速度。比如我的场景目标是：生成 7、14、21 天的课程目录大纲。

添加约束

我在用 Claude 输出推荐 prompt 的时候发现有两种约束。

第一种是：核心职责。除了说明自己的功能，增加一些约束，可以很好地固定目标。

第二种是：注意事项。在注意事项中，主要描述边界，如：

• 收敛后的描述要简洁明了，避免冗余
• 问题上限为 5 个

修正格式

还没有想好如何回收数据。目前用的方法是转成 code 模式，因为输出 markdown 格式中 code 区是有特定符号包裹，可以提取出来进行解析。