从“调提示词”到“调运行框架”
谷歌这一方向释放出一个清晰信号:AI Agent 的优化对象正在从提示词上移到运行框架。传统提示工程依赖人工试错,改的是模型输入;而让 AI 自主调整框架,改的是工具调用、控制流、记忆读写、校验与重试等代码级策略。提示词仍然重要,但它不再是主要杠杆,系统行为更多由“代码化的工作流”决定。
为什么值得关注
背后的逻辑是搜索空间升级。自然语言提示难以稳定评估,代码则可版本化、可测试、可回滚;AI 能在评测反馈下提出框架变体,自动比较成功率、成本与延迟,形成“提出—执行—评估—迭代”的闭环。对复杂多步任务而言,这比反复微调一句提示更可能带来结构性收益。
风险与落地
但自主改代码也会放大风险:错误可能绕过提示层,直接进入执行链。落地时需沙箱、权限隔离、静态检查、回归评测和人工审批,并保留可观测日志。对团队的启示是:减少零散提示试错,转向建设可组合的 Agent 代码、评测集与回滚机制,让“改框架”成为可管理的工程过程。