别再手写Prompt了：让AI代理自己提示自己

从手动提示到自动循环：AI编程范式的转变

这是一个每月都值得重复的提醒：你不应该再手动给编程代理写提示词了，你应该设计让代理自己提示自己的循环系统。

这个观点来自YouTube上一位开发者对AI编程工作流的深度反思。他坦言，尽管早就接触过各种代理循环的概念，但真正接受这一理念却经历了一个漫长的过程。而事实证明，走在前面的人（他提到的Pete）又一次说对了。

传统代理循环的困境：酷炫但不实用

像Ralph Loop这样的早期代理循环确实帮助开发者理解了AI代理如何随着时间推移完成更多任务。代理循环的核心思想源自控制论中的反馈回路（Feedback Loop）——系统将输出结果重新作为输入的一部分，从而实现自我调节。在AI编程领域，早期的代理循环尝试让大语言模型在生成代码后自动执行、检测错误、再修复，形成"计划-执行-观察-修正"的闭环。这与传统软件工程中的REPL（Read-Eval-Print Loop）有异曲同工之妙，但引入了LLM的推理能力，使循环具备了更强的自适应性。

然而，这些循环也带来了一个严重的副作用——错误率大幅上升。

代理在循环中做出的修改虽然看起来很酷，但实际生产力并不高。问题的根源在于，早期循环缺乏有效的质量控制机制，代理可能在修复一个bug的同时引入两个新bug，形成"修复-破坏"的恶性循环。最终，很多人发现自己总是回到老路子上：手动编写精心设计的提示词，一步步指导代理完成任务。这是AI编程实践者的共同经历——新工具新方法试了一圈，最后还是回到"手搓Prompt"的舒适区。

转折点：让代理自己提示自己

真正的突破发生在开始系统性地构建**自提示循环（Self-Prompting Loop）**之后。以下是几个关键实践：

代理自审代码：构建生成-审查闭环

不再依赖人工审查代理生成的代码，而是设置一个自动化系统，让代理自己审查代码、给出反馈、调整修改，然后触发重新审查。这形成了一个完整的闭环：

生成 → 审查 → 反馈 → 修正 → 再审查

这种机制让代码质量在每一轮迭代中持续提升，而无需人工介入每一个细节。值得注意的是，这里的"审查"并非简单的语法检查，而是包含逻辑一致性验证、代码风格规范检查、潜在安全漏洞扫描等多维度评估。代理在审查角色中被赋予了与生成角色不同的系统提示和评估标准，这种"角色分离"策略有效避免了自我确认偏差——就像软件工程中代码作者不应该是唯一的代码审查者一样。

用Hermes代理主动获取上下文

这是一个思维方式的根本转变。过去，开发者需要自己去寻找相关上下文信息，然后喂给代理。现在，通过Hermes代理来主动将上下文带到面前，而不是自己出去寻找。

Hermes代理的命名取自希腊神话中的信使之神，其核心功能是充当信息中介——在代理执行任务前，主动检索、筛选和整合所需的上下文信息。这解决了大语言模型的一个根本性限制：上下文窗口（Context Window）的有限性。即便最新的模型已经支持数十万token的上下文长度，开发者仍然面临"该把什么信息放进去"的选择难题。Hermes代理的做法类似于RAG（检索增强生成，Retrieval-Augmented Generation）架构的进化版——它不仅检索文档，还能理解当前代码库的结构、依赖关系、历史变更记录，甚至项目的架构决策文档，然后将最相关的信息自动注入到后续代理的工作上下文中。

这意味着代理不仅仅是执行者，更是信息的收集者和组织者。它们能够理解当前任务需要什么样的背景知识，并自主去获取和整合这些信息。

接受一个颠覆性的结论

最终得出了一个颠覆认知的结论：你的大多数代理运行，可能不应该使用你手写的提示词。

换句话说，人类的角色应该从"逐条下达指令"转变为"设计运行机制"。

为什么自提示循环如此重要

这个观点的核心逻辑其实很清晰：

• 人类提示词存在天然瓶颈：我们在编写Prompt时，受限于自己对问题的理解深度和上下文的掌握程度。而代理在执行过程中，往往能发现我们预料不到的问题和细节。这就像软件项目管理中的一个经典认知：项目开始时，团队对需求的理解总是最浅的，随着开发推进才会逐渐深入。自提示循环让代理能够在执行过程中不断深化对任务的理解，而非被锁定在人类最初那个可能不完整的认知框架中。

• 循环产生涌现能力：当代理能够审查自己的输出、发现问题、自主修正时，整个系统的能力上限远超单次人工提示所能达到的水平。涌现能力（Emergent Capabilities）是复杂系统理论中的核心概念，指系统整体表现出单个组件不具备的能力。在自提示循环中，涌现体现为：代理在审查自己代码时可能发现潜在的边界条件问题，而这些问题在最初的人类提示中根本没有被提及。这与软件工程中的"橡皮鸭调试法"有相似之处——解释代码的过程本身就能暴露问题。不同的是，AI代理不仅能发现问题，还能立即生成修复方案并验证其正确性，整个过程在秒级完成。

• 规模化的关键所在：手动编写每一个提示词是不可扩展的。设计好循环机制后，代理可以在最小人工干预下持续高质量地工作，这才是真正可规模化的AI编程方式。从经济学角度看，手动提示的边际成本几乎恒定——每个新任务都需要人类投入相近的时间和精力；而自提示循环的边际成本则随着系统成熟而递减，因为循环机制一旦设计完善，就可以复用于大量相似任务。

实践启示：从Prompt工程师到代理系统设计师

这一趋势对AI编程实践者的启示是深远的。开发者的角色正在从"提示词工程师"转变为"代理系统设计师"。

Prompt工程（Prompt Engineering）自2022年ChatGPT发布以来迅速成为一门显学，从零样本提示（Zero-shot）、少样本提示（Few-shot）到思维链（Chain-of-Thought）、思维树（Tree-of-Thought），技术不断演进。然而，这些方法本质上仍是"单轮优化"——试图在一次交互中最大化输出质量。代理系统设计则是一种根本不同的思路，它借鉴了分布式系统和微服务架构的理念：将复杂任务分解为多个代理协作完成，每个代理有明确的职责边界，通过消息传递和状态管理实现协调。这也是为什么业界开始出现LangGraph、CrewAI、AutoGen等代理编排框架——它们提供的正是构建这类循环系统的基础设施。

核心工作不再是写出完美的Prompt，而是：

1. 设计有效的反馈循环——让代理能够自我检查和修正，形成持续改进的闭环。这需要明确定义每一轮迭代的评估标准：什么算"通过"，什么需要"重做"，以及如何量化代码质量的提升。
2. 构建上下文获取机制——让代理主动理解任务背景，而非被动等待人类投喂信息。这涉及到代码库索引、文档解析、API规范提取等一系列工程化工作，本质上是在为代理构建一个结构化的"项目记忆"。
3. 建立质量门控——在循环中设置合理的检查点和退出条件，防止无限循环。这包括设定最大迭代次数、定义收敛条件（如连续两轮审查无新问题）、以及在检测到代理"原地打转"时自动升级为人工介入。
4. 管理错误传播——通过分层校验机制，避免早期循环中错误率飙升的问题。具体策略包括：在每轮修改后运行自动化测试套件、使用差异对比（diff）确保修改范围可控、以及引入独立的"仲裁代理"在生成代理和审查代理产生分歧时做出最终判断。

这套方法已经在实际项目中交付了大量代码，积累了丰富的实战经验。这不是理论推演，而是经过验证的生产力提升路径。

总结

从手动提示到自动循环，AI编程正在经历一次静悄悄的范式转变。那些还在花大量时间精雕细琢单个Prompt的开发者，可能需要重新审视自己的工作方式了。

这场转变的本质，与软件工程历史上的多次范式跃迁一脉相承：从汇编语言到高级语言，从手动内存管理到垃圾回收，从命令式编程到声明式编程——每一次进步的核心都是将低层级的重复劳动抽象化，让人类专注于更高层级的系统设计。自提示循环正是这一趋势在AI编程时代的最新体现：我们不再需要手动编排每一步操作，而是设计好规则和机制，让系统自行运转。

未来属于那些能够设计出高效代理循环系统的人——让AI不仅执行你的指令，更能自己思考下一步该做什么。与其做一个更好的Prompt写手，不如成为一个更好的系统设计师。

核心要点