很多人把 Agent 用不好的原因归结为模型不够聪明。作者 howie.serious 给出了一个不太一样的答案：真正的瓶颈是人的理解，不是 Agent 的模型能力。

这个判断来自一个具体的场景——跨领域操作时，Prompt 写不精确，任务反复迭代，Token 一路烧掉，效果还是不对。

门槛降了，人却更容易踩坑

Agent 把技术门槛拉低了，这件事本身是好事，但也带来一个必然结果：人们会在自己并不专业的领域里动手操作。

问题就出在这里。模型能力已经足够强，限制最终效果的，是使用者能不能把脑子里那个模糊的意图，翻译成一条精确的指令。而这件事，靠的不是提示词技巧，是领域知识。

缺乏背景知识的人，写不出精确的 Prompt，也做不出合理的任务规划。于是只能一遍遍试，一遍遍改，低效迭代成了普遍现象。

先补课，再动手

作者给出的解法很直接：直接让模型先教你不懂的东西。

顺序很重要。不是上来就让 Agent 干活，而是先借助模型把必要的领域知识补上，建立一个基本的认知框架，然后再去做精确的任务规划。

这样做的好处是双向的——效率提上来了，Token 的浪费也少了。盲目尝试的成本，往往比先花时间搞懂要高得多。

作者把这一点说得很清楚：AI 编程的瓶颈不在模型能力和 Agent 能力，而在使用者能否精确表达需求。这句话放在跨领域操作上，同样成立。

Agent 范式下让人不适的真相就在这里——人的理解才是真正的瓶颈。模型那边已经准备好了，卡住的是这一端。