1. 引言

上一篇文章产品经理研读：Agent的九种设计模式(图解+代码)阅读量到了4.1万，大家对Agent的热情可见一斑。今天这篇有点泼冷水的意思：如果你正在或准备通过 AI Agent 来解决实际问题，不管是产品经理，开发者还是管理者，都需要清醒的意识到以下几点：

1.Agent 的规划能力依赖于prompt 工程能力，它比想象中更重要、执行起来也更琐碎。

2. 目前 LLM 的数学、逻辑推理能力在 COT 的基础上也仅能勉强达到及格水平，所以不要让Agent一次性做复杂的推理性规划工作，而是把复杂任务人工拆解后再教给Agent。

3.Agent 的 Action 能力强烈依赖于基座模型的 function calling 能力。在规划 Agent 之前，对模型的 function calling 能力要充分调研。

4.十天前加州伯克利大学新鲜出炉了 function calling 榜单(https://gorilla.cs.berkeley.edu/leaderboard.html)，其中表现最好的 GPT4 准确率是 86%，还不够理想。

5.Agent 的记忆力分为短期记忆和长期记忆。

- 短期记忆由 prompt负责，类似 Plan and resolve 模式中的“碎碎念”，告诉Agent已完成了啥，原始目标是啥。

- 在长期记忆中，事实性记忆用RAG实现，程序性记忆可用微调实现。

6.Agent 的反思能力依赖于它的记忆能力。

而上述几点正好对应着 Agent 的四大能力：规划、反省、记忆、执行。我用一张图来表示，其中绿色代表对 Agent 开发友好，黄色代表经过一定努力可以达成目标期望，红色代表对 Agent 应用开发有一些难以逾越的阻碍因素，需要靠产品降级来解决。

我将这张图命名为Agent 开发者的窘境：一方面感觉 LLM 无所不能、充满希望，另一方面又感觉每个地方都差那么一点点。但这种窘境之下，总有可以努力的方法来达成目标。网上有一个段子视频，大概是形容 Agent 和人之间合作的情形：Agent一往无前，开发者在身后费力把控。

搞笑之余，它阐明了当下 Agent 开发的关键，即：

如何对 Agent 有更好的控制力。

这也是本文的核心内容。

2.如何让你的 Agent 更可控

开始之前，声明本文所说的 Agent 特指具备自主规划，独立执行能力的 Agent。这个概念下，类似 Coze 这种需要人工搭建工作流的 Agent，算是半个 Agent，绝没有贬低的意思，只是不在今天的讨论范围内。

2.1

概述

下图是一个 Agent 的工作过程。

Agent 的工作过程和人是极其相似的，都要经过思考→执行→输出，这三步反复迭代，且每一步都要经过LLM。按照 Agent 开发窘境里的各种能力，我大概展示出每一步的准确率漏斗，接下来我们看看每一步能做什么以达到 Agent 的最高可用性。

2.2

对 Agent 的思考能力的控制：即 prompt 工程优化。

为了 Agent 开发，我重新回炉了 Prompt 工程，有了两个新的认知，也许对你有启发。

1. ”打靶“式的开发者的提示词实践

如果你是用户，写提示词就像玩盲盒: 你对结果有所期待，但不要求确定。你需要了解的是提示词框架，推荐 WayToAGI 的框架练习就好：https://waytoagi.feishu.cn/wiki/AgqOwLxsHib7LckWcN9cmhMLnkb

如果你是 Agent 的开发者，写提示词就像打靶: 你有一个确定的目标，达到目标才能截止。面向 AI 开发者、AI 产品经理，要懂 tech，可以参考: https://www.promptingguide.ai/zh/techniques/cot.

比如下面这道头部模型公司的面试题中就严格限制了输出的期待，甚至是格式，而你就需要以此靶心设计提示词，并尽量做到稳定发挥。

虽然这道题并非针对规划能力，但打靶这个类比是适用于大多数Agent开发场景。在 Agent 规划能力的控制上，我们希望通过提示词打到两个靶心：

• 规划合乎逻辑。

• 能合理利用你自己定制的 tool，以便进行后续的 function calling。

拿如下例子来说明。

(来源：https://huggingface.co/datasets/chats-bug/agent_action_plan?row=3)

其中：

• GOAL，ATTENTION，PERFORMANCE EVALUATION 是依照 plan and resolve 模式的模板写的，GOAL，ATTENTION 体现的是规划能力，PERFORMANCE EVALUATION 体现的是反思能力。所有的提示词模板可以在产品经理研读：Agent的九种设计模式(图解+代码)里提到的提示词样例基础上修改，

• ROLE，EXAMPLES 是用来控制 Agent 的规划合乎逻辑。

• CONSTRAINTS，TOOLS 是用来控制 Agent 合理利用手头工具。

那么这时候就会产生一个不太合理的现象：每次使用 Agent，除了 INITIALIZATION 里的 user request 之外，我们给大模型发的都是几乎一样的 prompt 。如果 user request 数量增加，会有巨大的 token 消耗。仔细想想，这种几乎一样的 prompt 实际上是一种“程序性记忆”，于是就有了 Instruction prompting 来进行固化这种程序性记忆，以降低成本。

2. 固化 Agent 程序性记忆—通过 Instruction prompting 微调小模型

Instruction prompting：中文叫指令微调，主要是通过高质量的数据对基座模型进行微调，提高模型的指令遵循能力。微调的数据中包含：task instruction, input, ground truth output，下图是 REWOO 设计模式所使用的指令微调数据，数据集中提供了大约 2000 条数据(来源：https://huggingface.co/datasets/rewoo/planner_instruction_tuning_2k)，经过微调后的模型就可以无需再输入冗长的 prompt，从而节约 token 成本 。

这里顺便再普及一下 Prompt engineering 中和 Instruction prompting 平行的两个概念：

1.Hard Prompting：在应用层出现，就是常规意义上的 prompt：给定已知模型，输出期待的答案，这是人工给定的。

2.Soft prompting：由模型层自动生成，早些时候也叫 Auto prompt，需要使用一定量的 prompt 样本作为数据对基座模型进行 prompt 微调，之后模型就可以将用户的输入转换为新的 prompt，这个工程叫 Soft prompting。常见的如 Prompt tuning， Prefix tuning，P tuning。（参考https://huggingface.co/docs/peft/conceptual_guides/prompting ) 。Soft prompting 与 Instruction prompting 听起来原理差不多，但不同的是：Soft prompting 并不改变基座模型的参数，而是将基座模型参数冻结，在其上又增加了少量参数，因此训练成本低，不过只能做一些微小的特定任务。

在上述 prompt 工程中，可以总结出 prompt 生命周期，

也就是说，在产品实验阶段，通过 hard prompting 进行验证，上线验证成功后，通过 Soft prompting 和 Instruction following 进行微调，形成 Agent 的程序性记忆，就像健身一样：通过反复练习(hard prompting)之后，形成了肌肉记忆(Instruction/Soft prompting)，这个时候身体的肌肉组织会产生变化（LLM参数改变）。

上述就是如何通过 prompt 工程来控制 Agent 的规划能力。在非推理任务中，通过基本的提示词工程能够达到较为稳定的输出。但在推理类任务(比如类似旅行规划中花费要低于预算（数学），订酒店时不能将非夫妻的异性安排在同一房间等)中，Prompt 的规划能力就弱了，大多数论文的准确率在 60% 左右，还达不到商用的标准。当然如果推理场景比较单一，是可以尝试 COT+Few Shot 看看效果（参考 https://arxiv.org/pdf/2210.11416）。

以上就是对 Agent 规划能力的控制方法，主要通过 prompting 工程来实现，接下来看看如何控制 Agent 的执行力。

2.3

对 Agent 执行能力的控制：选择合适的 Function calling 模型

模型的 function calling 能力是指能否根据规划出来的 Action 描述，按照 tools 中指定的 API request 格式，生成正确的 request。在加州伯克利大学的 function calling 榜单上，他们也给出了 Gorilla 模型的 demo，大家可以去试试，左侧是 Action 描述和按照 function calling 模型指定的 JSON 格式对 API 的描述。点击 Submit 后，就可以生成 API request。

可以说，Agent 的执行能力强烈依赖于模型的 function calling 能力，我们试过同样的 Action 描述，在不同的模型中表现完全不同，选择哪个模型是关键因素。从排行榜中，可以看出：

1.模型参数越大，准确率越高。但 Berckly 自己的 Gorrila 模型是个例外，仅 6.91B 的参数就可以 PK GPT4, Claude。不过考虑到这是 Berckly 自己在当裁判，结果准确可能会少有偏袒。

2.同时考虑得分和成本，llama3，Mistral Medium，Gorilla 三个是优秀的候选对象。

3.排行榜对国产模型没有评测。虽然我们自己试了智谱的 function calling，但因为样本不足，不予评价，欢迎大家留言，如果有同学想要在国内发表论文，不妨考虑一下这个话题，惠泽众生：）

看起来对于普通开发者，对 Agent 的执行能力的控制比较有限，我们能做的就是准确描述 API 的功能、各参数的命名，以及描述。一般在模型厂商的官网上有详细描述。比如：

4. 由于执行准确率有限（评测最高分为 86.76)，充分测试的同时也要考虑到 function calling 失败的备选方案，比如：

以上是对 Agent 执行能力的控制，接下来是比较轻松的 Agent 输出能力控制，实际上就是 function calling 的反向能力，即：将 API 返回的 JSON response 正确解读为自然语言，这比 function calling 要简单，就像读答案比问问题要简单一些。

2.4

对 Agent 的输出能力控制：API增强生成的prompt 工程

到输出的阶段，Prompt 中将 API response 加上其他上下文一并教给大模型，API 的 response 中各字段的名字和描述可以作为补充，大体上就能生成合理的答案，这一步骤的准确率很高，大概 95%，就不再赘述。

3

总结

在写这篇文章之前，有几位同学顺着上一篇文章产品经理研读：Agent的九种设计模式(图解+代码)找过来，和我探讨他们在 Agent 开发过程中的问题。和大家一样，我也在起步阶段。在各种论文结果、产品效果、市场宣传的媒体环境中，大家对 Agent 充满热情，同时也充斥着焦虑，这一篇有点让大家冷静一下的意思。不过在我看来，这是件好事，正因为如此，那些坚持长线积累的产品才有机会跨越周期，做出真正好用的 Agent 产品。