为什么现在值得关注
当 Agent 只能回答问题时，提示词技巧还能掩盖很多信息缺口。它开始阅读仓库、调用工具、修改文件、执行命令之后，真正决定结果的就不再是“会不会写一条神奇指令”，而是它是否拿到了足够完整、又足够克制的工作上下文。
很多人第一次使用 Codex 或其他 Coding Agent，会把任务写成一句话：“帮我把这个页面改好。”这句话对人类同事也不够，对 Agent 更不够。它不知道页面的入口在哪里，不知道哪些行为不能改变，不知道你说的“改好”是视觉相似、功能通过，还是构建命令成功。Agent 不是不聪明，而是在替你猜测缺失的条件。
这件事对写方案、做运营、整理资料同样成立。背景、目标、限制、样例和验收方式，本质上都是上下文。上下文不是一次性塞进聊天框的长文，而是一套让协作者能够做判断的工作资料。
核心观点：把上下文当成产品接口
一个可复用的 Agent 任务，应该像一个小型产品接口，有明确的输入和输出。输入不是越多越好，而是要覆盖会改变决策的事实；输出也不应该只是“完成了”，而要留下可以被检查的结果。
我们在 AIGOKEY 编辑部实践时，会先用四个问题压缩任务：目标是什么？不做什么？现在有什么？完成如何证明？这四个问题比一段铺满背景故事的提示词更容易被 Agent 和人类共同复用。
一个真实场景：把“改页面”变成可执行任务
假设你要让 Agent 给订阅页增加发票说明。低质量指令可能是：“在价格页加上发票说明，风格好看一点。”高质量的任务上下文则会补齐这些信息：
- 目标：在价格卡片下增加一段发票说明，移动端不出现横向滚动。
- 边界：不修改套餐价格、注册链接和现有客服弹窗。
- 现状：页面入口是
src/views/SubscriptionView.vue，现有颜色和按钮来自src/style.css。 - 验证：运行
vue-tsc -b和npm run build，再检查 390px 宽度截图。
第二种写法没有增加多少字，却减少了大量猜测。Agent 可以先读文件、列出计划、修改最小范围，然后用验证结果告诉你哪里完成、哪里仍有风险。
分步骤实践：四段式 Agent 工作流
第一步：先写完成标准，再写动作
不要从“请修改……”开始，而从“任务结束时我应该看到……”开始。完成标准最好是可观察的，例如“新增一个独立路由”“搜索后只显示匹配文章”“构建生成四个详情页”，而不是“体验更好”。如果标准暂时无法量化，至少写出检查方式。
第二步：让 Agent 先读，再允许它改
把“先阅读相关入口、依赖和现有模式，先不要改文件”作为固定的第一轮。这个动作能暴露目标文件不存在、命名约定不同或已有实现被忽略等问题。读完后要求 Agent 用三段话复述：它看到了什么、准备怎么改、哪些地方不会动。
第三步：用小变更制造检查点
大型任务不要一次让 Agent 改完。先完成数据结构，再接入路由，再处理页面，最后补样式和测试。每一步都留下一个能运行或能检查的状态。这样即使方向需要调整，也只需要回滚一个小步骤，不会让整个工作区变成无法解释的混合状态。
第四步：把验证当成交付物
每次交付都要求 Agent 说明运行过哪些命令、看到了什么结果、还存在哪些未验证的假设。对于前端任务，构建通过只是底线，还应该检查真实浏览器中的跳转、移动端布局、键盘焦点和空状态。
可复制提示词
请先阅读与本任务相关的路由、组件、样式和测试，不要立即修改文件。
任务目标：
- [写出最终可验收的结果]
不在本次任务内：
- [列出不应改变的功能、接口或页面]
现有上下文：
- 入口文件：[路径]
- 已有模式：[组件/样式/数据来源]
- 约束：[兼容性、响应式、性能或内容要求]
完成标准：
1. [可观察结果]
2. [验证命令]
3. [浏览器或移动端检查]
请先输出计划和风险，再分小步执行；每一步完成后说明验证结果。
常见失败与修正
最常见的问题是上下文过长但没有层级。把整个项目说明、旧聊天记录和所有参考链接一次性塞进去，反而会让关键约束被淹没。更好的做法是保留一张短任务卡，稳定规则放进项目文档，临时背景只在当前任务里提供。
第二个问题是只检查最终截图。截图能说明视觉结果，却不能说明路由刷新、构建、键盘操作和错误分支。把这些验证写进完成标准，Agent 才会把它们视为交付的一部分。
第三个问题是让 Agent 在不确定时继续猜。高质量工作流应该允许它停下来提问，或者明确记录假设。一个主动暴露不确定性的 Agent，比一个看起来完成但隐藏大量猜测的 Agent 更可靠。
今天可以试
- 选一个你今天要交付的任务，用“目标、边界、现状、验证”四行重写。
- 让 Agent 先只读项目并复述计划，不允许它马上改文件。
- 把任务拆成两个可独立验证的小步骤，比较结果是否更容易检查。
- 把最后一次验证命令和结果贴回任务卡，形成下次可复用的上下文。
来源与延伸阅读
本文根据 OpenAI 的 Codex 产品发布信息和 Agent 工具的公开实践归纳整理，侧重可复用的工作方法，不代表原作者立场。请以原始来源的最新版本为准。