一個扎眼的數(shù)據(jù)正在AI圈流傳：90%的大型語言模型項目失敗，罪魁禍?zhǔn)撞皇撬懔Σ粔颍膊皇菙?shù)據(jù)太差，而是"過度規(guī)約"——提示詞寫得太細(xì)、太死、太想一口吃成胖子。這聽起來反直覺，畢竟我們被教導(dǎo)要把需求描述清楚。但問題恰恰出在這里。

這篇文章的作者把這種現(xiàn)象稱為"單體提示詞"（Monolith Prompt）陷阱。所謂單體，就是把所有指令、約束、示例、輸出格式塞進(jìn)一個巨型提示詞里，指望模型一次性消化并執(zhí)行。這種做法在早期小模型時代或許可行，但在復(fù)雜任務(wù)場景下，它正在成為性能瓶頸的主要來源。

作者列出了三大設(shè)計陷阱。第一是過度預(yù)設(shè)輸出格式，把模型逼成填空機(jī)器，扼殺了其推理靈活性；第二是試圖用單一提示詞覆蓋全場景，結(jié)果每個子任務(wù)都得不到足夠關(guān)注；第三是忽視錯誤處理鏈路，一旦模型輸出偏離預(yù)期，整個流程直接崩潰。這些錯誤在業(yè)內(nèi)反復(fù)出現(xiàn)，不是因為技術(shù)不夠，而是因為思路沒轉(zhuǎn)過來。

更深層的矛盾在于：提示詞工程被簡化成了一門"寫句子"的手藝，而真正的挑戰(zhàn)是系統(tǒng)設(shè)計。當(dāng)AI Agent需要調(diào)用工具、管理狀態(tài)、處理多輪交互時，扁平化的單體提示詞就像用一份Excel表格管理整個公司——結(jié)構(gòu)上的錯配注定帶來摩擦成本。

作者給出的解決方向是"重啟"：把Agent拆分為多個專注模塊，用工作流替代單點(diǎn)指令，讓提示詞從"控制腳本"變成"協(xié)調(diào)接口"。這不是否定提示詞的價值，而是承認(rèn)它的邊界。模型能力在進(jìn)化，我們的設(shè)計范式也得跟上。

這篇文章本身是一篇Medium帖子的引流入口，核心論點(diǎn)并不新鮮——模塊化、分層設(shè)計在軟件工程里喊了幾十年。但它把這套邏輯對準(zhǔn)了當(dāng)下最熱的AI Agent賽道，時機(jī)選得精準(zhǔn)。對于正在搭建Agent的開發(fā)者來說，與其在提示詞里堆砌更多約束，不如先問自己：這個任務(wù)真的適合用一個提示詞解決嗎？