一份合规审查,过去被塞进一条长提示词里:读文档、判断哪些内容重要、写出回应。简单案例上它跑得通。边缘案例一到,失败方式却很难被察觉——摘要里悄悄多出一条来源根本没提的处罚,或者判断已经被模型正在起草的稿子带偏。

打开网易新闻 查看精彩图片

问题出在设计,不在模型。当一个上下文里同时装着互相竞争的目标——忠于事实、做出判断、写得有说服力——它们会彼此拉扯。解法是把工作拆开。

一个智能体,只干一件事

给每个智能体安排单一的转换任务。原本一条提示词完成的合规审查,拆成三个智能体:

  • 抽取智能体:把事件的事实从来源中拉出来,填进固定字段。
  • 评估智能体:只依据抽取出的字段,判断这些事实是否越过某个门槛,比如重要性。
  • 起草智能体:依据评估结果写出回应。

评估智能体从来看不到原始文档,它的语气就无法左右判断。抽取智能体从来看不到草稿,起草也就无法渗进事实里。

写反目标,别写人设

“你是一位一丝不苟的法律审计员”听起来很严格,实际几乎约束不了什么。审计员人设照样会给建议、改写句子,或者用猜测填补空白。真正管用的是一串“绝不能做”的清单。以抽取智能体为例:

  • 绝不陈述来源中不存在的事实;字段缺失时用 null。
  • 绝不判断某件事是否重要。
  • 绝不改写、概括或软化来源的措辞。
  • 绝不添加模式中没有的字段。

反目标可以被测试:你可以拿输出去对照检查。人设不行。

交接的是契约,不是对话

把此前的完整聊天记录传给每个智能体很诱人。这既消耗 token,又把拆分工作本要避免的污染带了回来。更合适的做法是:每个智能体接收一份固定的 JSON 载荷,并返回一份。载荷里包含事件日期、受影响系统、暴露记录数、数据类型和来源引文等字段。

每一次交接都要校验载荷。如果某个键缺失或类型不对,就停在那里,而不是让下一个智能体去猜。

先写规格,再写提示词

动手写任何提示词之前,先为每个智能体填一行:它的角色、范围内是什么、它的反目标、它接受的输入、它保证的输出。课程里把这叫做智能体规格矩阵。以抽取智能体为例:角色是把来源变成固定事实;范围仅限来源文档;反目标即上面四条;输入是来源文本;输出是经过校验的 JSON 载荷。

大多数设计错误会在这里暴露出来,比如两个智能体干同一件事,或者某个输出根本没人用——而此时修改的成本还很低。

别拆得过头

每一次交接,都是多一个可能出错的环节。只在目标互相竞争的地方拆分,不要再往下切:三个契约清晰的智能体,胜过八个边界模糊的。在把它们放到一起运行之前,先用固定输入逐个单独测试。