基础篇
进阶篇
高频篇
精选篇
手写篇
面经篇
AI 篇
原理篇
每日一题
小程序题库
  • 知识卡片碎片时间过考点
  • 场景篇按分类整理的大前端场景考点
  • 历年面经按年份追踪真实考点
  • 算法题库NEW在线编码即时判题
  • 专项自测100 题快速查漏
  • 前端基础
    • HTTP从报文一路讲到 HTTPS
    • 浏览器渲染、事件循环、进程
    • 计算机基础Linux、网络、操作系统
  • 进阶专项
    • 设计模式23 种模式怎么用
    • 前端系统进阶学习大型项目工程化
    • 前端综合文章长期沉淀的实践文
  • 工程与工具
    • Node学习指南从环境搭建到服务端
    • NPM工作流script、依赖与发布
    • Docker容器化部署上手
    • Canvas图形与动画实战
  • 路线与导图
    • 思维导图知识点全景图
    • 学习路线按图索骥不跑偏
  • 动态
    • 公众号动态公众号历史文章
    • 博客动态站长的技术博客
    • 开发者导航常用工具与文档站
    • AI 热点每日 AI 资讯与动向
AI 工作台
旧版
AIHT
内容
精选全部 AI 动态热点榜AI 日报收藏
分类
模型行业编程产品技术观点开源
更多
Agent 接入
返回首页开发者导航
AIHT
精选 / 资讯详情
8.0
热点
AI SCORE
编程提效2026-11-17 15:51

拆开事实提取、判断与写作三步

dev.to · AI#多智能体#提示词#工作流
Editor brief · 编辑速览

文章将混合多目标的长提示词拆为事实提取、规则判断和文稿生成三个阶段,以结构化字段传递结果。通过限制各阶段可见上下文,减少原文语气和写作目标对事实与判断的干扰。

文章思维导图
Knowledge map
拖拽缩放
AI deep read

AI 深度解读

让模型读材料、判断轻重,再写一份有说服力的回复,一个长提示词就能启动。但作者提醒:当这三个目标共享同一份上下文,写作倾向可能反过来影响判断,甚至让提取出的事实混入猜测。

他的建议是把流程拆成职责单一的 Agent,用固定 JSON 交接,并在每次交接时校验。对正在搭建 AI 工作流的程序员,这篇文章的价值是给出了一套明确职责和数据边界的方法。不过,它没有提供实验对照,效果仍需自己验证。

为什么提取、判断和写作要分开

作者用合规审查举例:一个提示词既要忠于原文,又要判断事件是否重要,还要把回复写得有说服力。这些目标可能互相干扰。例如,摘要里悄悄出现原文没有提过的处罚,或者模型为了配合已经起草的回复,调整了对事件的判断。

他的拆法是三个 Agent 串联:

  • 提取 Agent 从原文中提取事件事实,填入固定字段。
  • 评估 Agent 只根据这些字段,判断事实是否达到某个门槛,例如重要性门槛。
  • 起草 Agent 根据评估结果撰写回复。

单个提示词承担三项任务,与三个 Agent 通过 JSON 串联的对比

这里真正起作用的是可见信息的边界。评估 Agent 看不到原始文档,原文的措辞和语气就难以直接影响判断;提取 Agent 看不到草稿,写作方向也无法直接回流到事实提取。

拆分的依据是目标是否冲突,而不是任务能切成多少步。

作者也提醒,每增加一次交接,就多一个出错位置。职责清楚的三个 Agent,比边界模糊的八个更合适。

怎样让职责约束变得可以检查

「你是一名严谨的法律审计员」听起来很严格,却没有明确禁止什么。模型仍可能提供建议、改写句子,或者用猜测填补缺失信息。

作者建议写反目标(anti-goals),也就是明确列出不能做的事。对于提取 Agent,约束包括:

  • 原文没有的事实不能补充,字段缺失时使用 null。
  • 不能判断事件是否重要。
  • 不能改写、概括或弱化原文措辞。
  • 不能增加 schema 之外的字段。

角色人设与四条明确禁止行为的对比

这些规则更容易转成验收条件。例如,额外字段可以通过程序检查,事实是否有出处则需要结合原文核对。「严谨」本身没有这样的检查入口。

交接也要遵循同样的思路。不要把整段聊天记录传给下一个 Agent,而是传固定 JSON,减少 token 消耗,也避免把无关上下文重新带回流程。

下面是原文给出的事件事实载荷,用来限定下游能够消费的数据:

{
  "incident_date": "2026-03-14",
  "systems_affected": ["billing"],
  "records_exposed": 12000,
  "data_types": ["email address", "postal address"],
  "source_quotes": ["Unauthorised access to the billing database was detected on 14 March."]
}

要注意 source_quotes:它提供了回查原文的线索,但示例中的这一条引文只直接支持受影响系统和发现日期,没有逐项支撑 12000 条记录及两种数据类型。原文没有给出完整材料,不能据此确认其他字段的准确性。

作者要求每次交接都校验载荷,缺键或类型错误就停止,避免让下游猜测。不过,上面的 JSON 只是数据示例,原文没有提供完整 schema,也没有说明具体校验实现。

为什么应该先写规格,再写提示词

作者建议先填一张 Agent Specification Matrix,为每个 Agent 写清角色、范围、反目标、输入和输出,再开始写提示词。

三个 Agent 的角色、范围、反目标及输入输出规格矩阵

以提取 Agent 为例:角色是把原文转换成固定事实,范围仅限源文档,输入是源文本,输出是经过校验的 JSON,反目标就是前面的四条禁令。

这张表能提前暴露结构问题:两个 Agent 是否在做同一件事?某个输出是否根本没有消费者?下游需要的信息,上游是否承诺提供?

作者还建议,先用固定输入单独测试每个 Agent,再把它们串起来。这样至少能分清错误发生在提取、判断还是起草阶段。

我的判断

我认同把职责、输入和输出写清楚。这套方法最有用的部分,是让错误有位置可查,让约束有条件可验。

但作者把问题归因于设计而非模型,说得偏满。原文没有模型信息、测试集、错误率,也没有与单提示词方案的对照数据,因此「三个 Agent 更好」仍是经验性建议。

此外,评估 Agent 只看提取字段,也有代价:一旦提取漏掉关键限定条件,下游便无法从原文补救。JSON 类型正确,只能证明结构合格,不能证明事实正确。

对于简单任务,单次调用配合固定输出和校验,同样值得先试。是否拆成多个 Agent,应该由实际错误和维护成本决定。

能拿来做什么

  • 在 Node 编排的文档处理流程中,先把提取、判断、起草的输入输出列成表,检查是否存在职责重叠或无人使用的输出。
  • 如果当前任务经常在摘要中补出原文没有的信息,可以先单独约束提取步骤,要求缺失值返回 null,并保留对应原文引句。
  • 在 JSON 交接处增加缺键和类型校验,让无效数据停止流转;同时保留事实核对步骤,避免把结构校验当成准确性保证。
  • 用同一批固定输入分别检查各步骤和完整流程,再决定是否需要拆分,以及拆到哪一步就够了。
Original source

本文由 AI 通读原文后重新编写,观点部分为站内判断,细节以原文为准,来源 dev.to · AI,原文版权归原作者所有。

阅读原文
上一篇
用真实项目信息验证 PLC 代理调用
下一篇
实测 AWS 本地模拟器与编程智能体协作

资讯速览

dev.to · AI · 2026-11-17 15:51

AI 评分 8.0 / 10

相关标签

#多智能体#提示词#工作流

继续阅读

  • AI 编程提速后,审查成本追上生成成本
  • 用真实项目信息验证 PLC 代理调用
  • 实测 AWS 本地模拟器与编程智能体协作
  • 开源项目让 PS4 离线跑通 9B 模型
  • 代理擅自强推主分支的泄密处置教训