对比两种 Agent 知识注入方式:自我学习 vs 机制链注入,后者报告行数、字符数、内容深度均大幅领先,揭示知识「可用」与「已知」的差距。
同样的知识库、同样的图表生成引擎、同样的分析对象——却产生了两个截然不同的输出。原因不在模型,也不在知识量,而在于知识是如何传递的。

Agent A 的做法:让它自己学习
Agent A "学习"了整个八字知识体系——格局、十神、用神、大运——全部加载到知识库和技能文件中,然后让它写报告。
结果呢?一份 577 行的"标签账本":每个章节一张表、配几句说明。
✕ 财星强旺 64 分 → 非常富有 (标签)
✕ 配偶宫冲官 → 婚姻不佳 (标签)
它显然"学到了"——知道财星旺意味着有钱,知道配偶宫冲官代表婚姻不顺。但它写出来的全是结论,没有任何一个地方有推理过程。
Agent B 的做法:给它知识的使用路径
同一份报告,我改变了传递方式。不是把整个知识库一股脑丢给它,而是把每个关键判断的推理链直接写进任务上下文:
✓ 月支财星、偏财 40 分 → 投机取财
→ 日主太弱扛不住 → 富屋穷人
→ 需要资源运与比肩运才能兑现 → 壬子大运 51 岁时实现 (机理链)
✓ 配偶宫冲官 → 才华出众但眼光高、性格强势 → 晚婚
→ 需要官星大运引发 → 庚戌大运 36 岁时显现 (机理链)
结果:1842 行,每个章节 5-10 个小节,每个大运段 5 个小节——整份报告全是"因为……所以……因此……"的推理过程。

原因一:LLM 的检索不可靠
让 LLM 自己"加载技能 → 检索规则 → 推理",每一步都是概率性的:
你把知识库交给了它——它实际可能只用了其中的 10%。
原因二:知识是惰性的
躺在图书馆里的知识是惰性的——没有使用路径,知识不会自己流动。这就像背熟了整本菜谱却仍然做不好一道菜,因为你从来没学会是先热锅还是先切菜。
原因三:标签与机理链的本质差异
标签: 财星旺 → 有钱 (静态结论)
机理: 财星 → 哪种财 → 能否承受
→ 何时兑现 → 哪个大运 (动态推理)
标签是知识的终点。机理链是知识的路径。用户需要的是路径,而不是终点。

不要给你的 Agent 一个知识库 —— 要给它使用知识的路径。
在任务开始前,把关键推理链直接写入上下文(注入)。
永远不要指望 Agent 自己从知识库中检索出来。
三种有效策略
① 机理链的预注入:
在任务开始前,把每个关键判断的"因为 → 所以 → 因此"
写入上下文
示例:"月支财星 → 投机取财 → 日主太弱
→ 富屋穷人 → 需要资源运才能兑现"
② 结构约束(写什么):
21 个固定章节,每个章节必须有实质性内容
禁止"暂无数据"——每个 § 必须包含一条机理链
③ 验证门(写完整才算):
行数下限(1800+)· 每章节小节数 · 机理链数量
(≥30 个因果推理实例)
不够就重写。物理拦截,不是靠自律。
这并非八字报告特有的——它适用于任何需要 Agent 做深度专业分析的场景:
任何"专家一眼就能看出推理过程"的场景,都需要推理链注入——而不是仅仅给一个知识库。

知识库 = 原材料仓库
机理链 = 工艺流程
无论你储备了多少原材料,没有工艺流程就没有产品。Agent 工程的核心不是"你喂了多少知识",而是"你给了它多少使用知识的路径"。
我们 Agent 工程系统中的三层:
规则层(确定性):"必须做什么"写成代码——不依赖 LLM
注入层(关键推理):"如何思考"写入上下文——引导 LLM
验证层(结果检查):"做得对不对"由门控检查——物理拦截
知识注入是规则层与验证层之间的桥梁——没有它,确定性规则无法触达 LLM 的推理过程。
下次给 Agent 分配任务时,问自己:
✕ 我给它知识库了吗? (不够)
✓ 我给它使用知识的路径了吗? (关键)
知识在图书馆里 ≠ 知识可用。
不要给你的 Agent 一个知识库 —— 要给它使用知识的路径。