很多人刚开始使用ChatGPT或Codex时，都会非常重视Prompt。

怎么写得更清楚？

要不要加角色？

要不要把背景写得更详细？

要不要把要求拆成十几条？

因为在简单任务里，Prompt确实非常重要。你描述得越清楚，AI越容易给出接近预期的结果。

但真正进入复杂Agent任务以后，很多人会发现一个很反直觉的现象：

Prompt写得越来越长，结果却不一定越来越稳定。

比如你让Codex处理一个真实项目里的复杂Bug。

第一条Prompt可能已经写了几百字，包含背景、目标、限制、代码位置和预期结果。

AI开始执行以后，前几步还很正常。

它读取项目、分析问题、提出假设、运行测试。

但随着任务继续推进，它会不断遇到新的信息：

某个测试失败。

某个依赖关系和预期不同。

某段旧代码存在特殊逻辑。

某个模块的行为和文档不一致。

于是原来的任务开始发生变化。

这时候真正决定最终结果的，已经不只是最开始那段Prompt。

而是：

AI在任务执行过程中，如何根据新信息继续做判断。

所以复杂Agent任务里，一个越来越重要的变化是：

Prompt决定起点，但Workflow决定终点。

---

一、为什么简单任务里Prompt特别重要？

因为简单任务的信息变化很少。

比如你告诉AI：

“把这段Python代码改成异步版本，保持函数签名不变。”

这个任务基本是静态的。

AI开始前知道什么，执行时大概率还是这些信息。

任务目标不会突然变化，外部环境也不会不断返回新信号。

所以Prompt写得清楚，结果通常就稳定。

这类任务更像：

输入 → 推理 → 输出。

Prompt就是整个任务最重要的信息来源。

---

但复杂Agent任务完全不同。

比如：

“调查这个线上偶发问题，找出原因，修改代码并验证。”

AI并不知道最终答案。

它必须通过执行去发现答案。

于是任务变成：

读取Repository。

搜索相关代码。

检查日志。

提出假设。

运行工具。

获得结果。

修正判断。

再次执行。

这种情况下，Prompt只是第一个输入。

后面每一次工具调用都会产生新的信息。

而这些新信息，可能比最初Prompt更重要。

---

二、复杂任务真正发生了什么？Prompt正在变成“初始条件”

这是理解Agent工作方式很关键的一点。

普通聊天里，Prompt更像完整说明书。

但Agent任务里，Prompt越来越像：

初始条件。

例如你告诉Codex：

“修复支付偶发失败问题，不改变对外API。”

这句话很重要。

它定义了目标和边界。

但AI真正开始执行以后，可能发现支付失败不是支付模块本身的问题，而是重试逻辑、缓存状态甚至第三方回调顺序造成的。

此时真正影响后续决策的，不只是：

“最开始你说了什么。”

而是：

“AI现在发现了什么。”

所以复杂任务本质上是一个动态系统。

初始Prompt定义方向。

环境反馈不断改变当前状态。

AI根据当前状态继续做决策。

最终结果是整条决策链共同产生的。

---

三、为什么Prompt写得再详细，也很难提前覆盖所有情况？

因为真实软件工程里存在大量未知信息。

你在任务开始前，不可能知道：

哪个测试会失败。

哪个文件里藏着历史逻辑。

哪条依赖关系会成为真正Root Cause。

如果你全部知道，其实这个任务已经不需要Agent调查了。

复杂任务之所以复杂，恰恰是因为：

答案需要在执行过程中被发现。

这就带来一个很重要的变化。

简单任务优化重点是：

把Prompt写清楚。

复杂任务优化重点逐渐变成：

让AI在发现新信息以后，仍然知道下一步应该怎么做。

这就是Workflow的重要性开始超过Prompt的原因。

---

四、背后的工程机制：复杂Agent任务不是“一次生成”，而是状态不断变化的执行过程

可以把一个复杂Codex任务想成一串状态。

开始时：

目标已经定义，但信息不足。

执行一轮后：

获得新的代码关系。

再执行一轮：

测试暴露新的问题。

继续之后：

发现原方案并不成立。

于是重新规划。

这意味着任务一直在发生：

State Transition，也就是状态转移。

真正稳定的Agent工作流，不是要求：

从开始到结束永远按照第一条Prompt机械执行。

而是要保证：

即使状态改变，核心目标和边界仍然稳定。

例如任务目标是修复登录问题。

执行过程中可以调整方案。

可以更换调查路径。

可以改变修改文件。

但始终不能违反：

保持API兼容。

不扩大到无关重构。

必须通过指定测试。

这几个东西比一段非常长的Prompt更重要。

因为它们是整个任务生命周期里的“固定锚点”。

---

五、为什么很多人会陷入“Prompt越写越长”的误区？

因为当AI第一次跑偏以后，最自然的反应就是：

继续补Prompt。

第一次遗漏兼容要求。

下一次加进去。

第二次改了不该改的文件。

再增加一条限制。

第三次测试范围不够。

再补一段验收标准。

最后Prompt越来越长。

但问题是：

如果任务执行过程本身没有阶段管理，这些规则仍然只是开始时出现一次。

任务跑得越久，中间产生的新信息越多。

真正影响AI当前判断的内容也越来越复杂。

所以解决长任务稳定性，不能只靠：

继续扩写第一条Prompt。

而应该把关键约束变成整个Workflow持续可见的结构。

---

六、为什么未来Prompt的重要性会相对下降，Workflow的重要性会上升？

因为AI使用方式正在发生变化。

过去，人主要让AI：

写一段代码。

改一句话。

回答一个问题。

这些都是短任务。

未来越来越多任务会变成：

分析整个项目。

持续Debug。

完成Feature。

运行多轮测试。

处理复杂迁移。

一个任务可能持续很久。

任务时间越长，环境反馈越多。

单条Prompt能够覆盖的比例就越低。

所以未来真正决定Agent表现的，很可能不是谁最会写“神Prompt”，而是谁能建立稳定的任务流程：

目标怎么定义。

什么时候检查。

什么时候允许继续。

什么时候停止。

失败以后怎么重新规划。

什么结果算完成。

这才是复杂AI工作真正的控制系统。

---

七、可以用“任务重规划率”判断自己是不是已经进入Workflow问题

这里可以建立一个简单指标：

任务重规划率

它不是看Prompt写得长不长，而是看一个Agent任务执行过程中，需要多少次人为把任务重新拉回正确方向。

比如最近10个复杂任务。

如果大多数任务：

第一次Plan基本正确，后续只需要小调整。

任务重规划率低。

但如果你经常需要说：

“不是这个方向。”

“先停一下。”

“重新分析。”

“不要继续改。”

“回到最开始的目标。”

说明问题已经不是Prompt措辞，而是：

任务状态管理出现了问题。

重规划率越高，越说明你需要优化的是Workflow，而不是继续雕Prompt。

---

八、怎么降低复杂任务的重规划率？

第一个方法是让复杂任务先形成Plan。

不是为了让AI提前把一切想对，而是先把：

目标。

可能路径。

修改范围。

验证方式。

显性化。

这样你可以在成本很低的时候发现方向错误。

第二个方法是设置Checkpoint。

比如一个复杂任务拆成：

分析。

方案。

执行。

验证。

每一阶段结束以后检查一次：

现在做的事情是否仍然服务原始目标。

这比让Agent连续跑到底更稳。

第三个方法是建立固定Constraint。

例如：

不得修改Public API。

不做无关重构。

必须保留某类兼容行为。

这些约束应该持续存在，而不是只在第一条Prompt里出现。

第四个方法是明确Done Criteria。

任务什么时候真正结束？

不是：

“看起来修好了。”

而是：

指定测试通过。

关键场景验证完成。

修改范围符合预期。

没有未处理的高风险问题。

当结束条件明确以后，Agent不容易一直“顺便继续优化”。

---

九、为什么“任务重规划率低”时，Plus通常已经够用？

如果你的日常AI任务主要是：

小功能。

普通Bug。

短时间Coding。

偶尔才有复杂Agent任务。

而且经过Plan、Checkpoint和明确验收标准之后，大部分任务都可以稳定推进。

那么你的问题仍然属于：

日常开发效率提升。

这时候Plus通常已经能够覆盖大量真实使用。

没有必要因为偶尔一个复杂任务需要重新规划，就直接判断自己的工作强度已经到了Pro。

---

十、什么时候Pro才开始真正有意义？

另一类用户不同。

每天都有大量复杂Agent任务。

长时间Debug。

大型Repository修改。

跨模块Feature。

持续工具调用和验证。

而且你已经不是靠一条长Prompt硬撑任务。

你已经建立：

Plan。

Checkpoint。

Constraint。

Done Criteria。

任务重规划率也已经被压下来。

但即使这样，AI仍然从早到晚参与大量真实工程工作。

这时候你的需求才真正从：

“把Prompt写好。”

变成：

持续运行成熟的Agent Workflow。

如果这种复杂工作负载已经成为日常，更高强度的Pro使用方式才开始体现价值。

关键仍然不是：

Prompt写得复杂。

而是：

真实任务本身复杂，而且这种复杂度持续存在。

---

最后：Prompt正在从“全部控制”变成“启动任务”

Prompt当然不会变得不重要。

一个糟糕的目标描述，仍然会让AI从一开始就走错方向。

但复杂Agent时代真正的变化是：

Prompt不再承担全部控制责任。

它更多负责：

告诉AI从哪里出发。

而Workflow负责：

AI走到一半发现新情况时，怎么继续。

什么时候调整。

什么不能改变。

什么时候停止。

所以以后面对复杂Codex任务，与其花一个小时继续优化第一条Prompt，不如问自己：

这个任务有没有Plan？有没有Checkpoint？有没有固定约束？有没有明确验收标准？

如果这些都没有，再好的Prompt也很容易随着任务变长而失去控制力。

如果这些已经建立起来：

AI才能真正从“会回答”进入“会稳定工作”。

所以判断Plus还是Pro也一样。

如果任务短、重规划率低，主要仍然是日常Coding辅助：

Plus通常够用。

如果Workflow已经成熟，但每天仍然需要大量复杂、长时间Agent任务：

Pro才真正开始匹配。

未来真正拉开AI使用差距的，可能不是谁会写更长的Prompt。

而是谁更早理解：

复杂Agent任务的核心，不是写一句完美指令，而是设计一个能够持续纠偏的工作流程。

持续更新Codex、大模型开发相关技术内容。
长期使用各类代码大模型，整理了稳定的AI会员订阅渠道。