还停留在给AI写好prompt的阶段？out啦！

很多人的认知还停留在 给 AI 写好 prompt 就够了的阶段，其实完全不是这回事。

上个月让 AI 帮我做了一次数据分析，从拉数到出报告，整整折腾了一天才达到我比较满意的效果。prompt 改了十几版，要么数据取错，要么格式不对，要么算到一半忘了上一步的结果。

那天晚上我盯着屏幕，我突然意识我缺的不是更聪明的模型，而是一套工程化的流程。

后来花了一个周末把整个流程拆解了一遍，搭了一套 agent。同样的活，40 分钟跑完，准确率从 60% 提到 95%。

回头看这件事，Agentic Engineering 真的是太重要了。

瑞安是做这个小的 Agentic Engineering 过程中的一些心得体会：

第一，别把 agent 真当人。人能从模糊指令里猜测到意图，但 agent 不行。你得把"帮我分析下上个月的销售"拆成"调取订单表-按月聚合-剔除异常值-生成趋势图-写一段解读"。每一步都要明确输入、输出、失败时的备选方案。

第二，工具要少而准。我一开始给 agent 塞了二十多个工具，结果动不动就调错。后来砍到 7 个，每个都带清晰的描述和参数约束。不是工具越多越强，是越准越强。

第三，记忆分三层。工作记忆存当前任务的状态，短期记忆存这次对话的关键决策，长期记忆存用户的偏好和历史项目。这三层不分开，agent 就会"金鱼脑"，聊到第十轮可能就忘了第三轮说过啥。

第四，人必须在关键节点把关。完全放手让 agent 跑，99% 的概率会跑偏。我的做法是设 3-4 个 checkpoint：数据采完之后确认一下范围，分析完之后看一眼逻辑，出报告之前审一下结论。其它时间让它自己跑。

第五，错了别急着改 prompt。agent 出错，先问是模型问题还是流程问题。90% 是流程问题，步骤没拆对、上下文不够、工具没选对等，改对流程才是治本。

Agentic Engineering 不仅仅是 AI 工程，而是把人、流程、工具重新组织一遍的工程。

最后说一句扎心的话：AI 可能不会替代你，但使用 AI 重新组织工作的人会。