傅盛養龍蝦爆火：不寫提示詞訓練AI Agent軍團自主協作
傅盛臥床14天“養龍蝦”爆火：AI圈新范式——不寫提示詞、不調API，而是訓練會自主協作的Agent龍蝦軍團
問題：為什么你精心寫的提示詞，AI還是答非所問？
你有沒有遇到過這種情況：想用AI寫一份詳細的市場分析報告，結果它給你的內容要么太泛泛，要么邏輯混亂。你不斷修改提示詞，加限定、給例子，來回折騰好幾輪，效果依然不理想。更頭疼的是，當你想讓AI完成一個復雜任務，比如“分析特斯拉最新財報，并預測其未來六個月股價趨勢，同時生成一份給投資經理的簡報”，單靠一個對話模型根本搞不定。它要么遺漏步驟，要么前后矛盾。
問題出在哪？傳統AI工具就像一個“超級實習生”，你讓它做什么，它就做什么，但它不會自己規劃、分解任務，更不會主動調用其他工具或同事（其他AI）來協作。你給它的指令（提示詞）稍有模糊，它就可能“跑偏”。而復雜任務往往需要多步驟、多視角的協同工作，這超出了單一對話模型的能力邊界。
方案：從“使用工具”到“培育智能體”——養一群會自主協作的“龍蝦”
獵豹移動CEO傅盛用14天臥床時間，從零構建了一個由8個AI Agent（智能體）組成的團隊，他稱之為“養龍蝦”。這里的“龍蝦”不是指真的甲殼類動物，而是比喻那些被精心訓練、能自主執行特定任務的AI智能體。它們就像一個特種部隊，每個成員都有專長（比如一個擅長搜索信息，一個擅長數據分析，一個擅長報告撰寫），并且能根據總目標自動分工、傳遞信息、協同作戰。
核心優勢在于：你不再是“指揮每一個動作”，而是“設定目標并培育團隊能力”。傅盛沒有為每個任務寫冗長的提示詞，而是通過設計Agent的“人設”、工具權限和協作規則，讓它們自己學會如何配合。這解決了傳統AI工具的兩大痛點：
- 任務分解與規劃：復雜任務被自動拆解成子任務，分配給合適的Agent。
- 持續記憶與上下文保持：每個Agent能記住自己的工作進展和從其他Agent那里獲得的信息，避免“失憶”和重復勞動。
步驟：如何借鑒傅盛思路，開始“養”你的第一只龍蝦？
你不需要臥床14天，也不用是編程大神。以下是面向入門者的關鍵實踐思路，你可以用現有工具（如Dify、Coze或AutoGen框架）快速嘗試。
第一步：定義你的“龍蝦”角色（Agent Persona）
不要一開始就想著造一個全能AI。先從一個具體的小任務出發，定義一個Agent。
- 做什么：創建一個“信息搜集龍蝦”，它的唯一任務是根據關鍵詞，從指定網站（如arXiv、新聞站）抓取最新論文或新聞摘要。
為什么：專精化的Agent更容易訓練和調試，也更容易看到效果，建立信心。
# 示例：在Dify中創建一個“論文搜集龍蝦”的簡單配置（概念描述） agent_name: "ResearchCollector" role: "你是一個專業的學術論文搜集助手。你的任務是根據用戶提供的關鍵詞，在arXiv上搜索最近一周的高相關性論文，并提取標題、作者、摘要和鏈接。" tools: ["arXiv_search_api"] # 假設你配置了一個搜索工具 output_format: "結構化列表"解釋：這里通過清晰的
role定義了它的“人設”和專長，通過tools賦予了它行動能力（就像給員工配了電腦和數據庫權限）。output_format確保了它輸出結果的規范性，方便下游Agent使用。
第二步：設計協作流程（讓兩只龍蝦對話）
當一只龍蝦能穩定工作后，引入第二只，設計它們如何傳遞工作成果。
- 做什么：創建一個“摘要撰寫龍蝦”，它接收“信息搜集龍蝦”傳來的論文列表，為每篇論文生成一段通俗易懂的摘要。
為什么：這模擬了真實工作流中的“流水線”作業。第一個Agent完成信息輸入，第二個Agent進行加工處理。通過連接它們，你構建了一個微型的“生產系統”。
# 偽代碼示例：在AutoGen框架中定義兩個Agent的簡單對話流程 from autogen import AssistantAgent, UserProxyAgent # 定義“搜集龍蝦” collector = AssistantAgent( name="ResearchCollector", system_message="你只返回arXiv搜索結果的結構化列表。" ) # 定義“摘要龍蝦” summarizer = AssistantAgent( name="PaperSummarizer", system_message="你接收論文列表，為每篇生成一段200字以內的中文通俗摘要。" ) # 定義用戶代理（指揮官） user = UserProxyAgent(name="User", code_execution_config=False) # 發起群聊：用戶提出需求 -> 搜集龍蝦工作 -> 結果自動傳遞給摘要龍蝦 user.initiate_chat( collector,  message="搜索關鍵詞：'多智能體協作'", summary_method="last_msg" # 將最后一條消息作為任務成果 ) # 在框架中，可以設置collector完成后，自動將結果轉發給summarizer進行下一步處理。解釋：這段代碼展示了如何定義兩個不同職責的Agent，并設想讓它們在一個“群聊”中依次工作。
system_message是它們的“職業準則”，決定了它們的行為模式。實際配置時，你需要在Dify/Coze的工作流畫布上用箭頭連接兩個節點，或在代碼中設置消息路由規則。
第三步：加入規劃與決策龍蝦（團隊大腦）
這是進階步驟，也是傅盛團隊能處理復雜任務的關鍵。
- 做什么：創建一個“項目經理龍蝦”，它接收用戶的高層目標（如“寫一份關于AI Agent的行業簡報”），然后由它來決定需要調用“搜集龍蝦”和“摘要龍蝦”，并可能還需要調用“報告格式化龍蝦”。
為什么：這個“項目經理”Agent具備了任務規劃和調度能力。它不再被動執行單一指令，而是主動分析目標、分解步驟、分配任務并監督結果。這就是“自主協作”的核心。
# 概念示例：一個簡單的規劃Agent邏輯 planner_system_message = """- 分析目標，將其分解為不超過3個子任務。
- 為每個子任務指定最合適的執行Agent（從已知列表中選擇）。
以JSON格式輸出任務分配計劃。
已知Agent列表：[ResearchCollector, PaperSummarizer, ReportFormatter]
"""**解釋**：這個“規劃龍蝦”通過其`system_message`被訓練出了分解問題和調度資源的能力。它的輸出（任務計劃）將成為其他Agent執行的藍圖。在實際搭建中，你可能需要利用大模型本身的強大推理能力來實現這個規劃步驟。
驗證：怎么知道你的“龍蝦軍團”在有效工作？
搭建好雛形后，用一個具體場景測試：
- 測試案例：向你的系統輸入：“幫我準備一個關于‘本地大模型部署’的5分鐘分享要點，需要最新進展和實用工具推薦。”
期望流程：
- 規劃龍蝦 收到請求，分解任務：① 搜集最新本地部署方案（Ollama/vLLM更新）；② 總結關鍵工具對比；③ 提煉5分鐘可講的要點。
- 它調用 搜集龍蝦 執行任務①。
- 它將搜集結果交給 摘要/分析龍蝦 執行任務②和③。
- 最終輸出一份結構清晰、內容最新的分享提綱。
- 成功標志：你只需提供初始目標，中間過程自動完成，且最終結果比你手動寫一個復雜提示詞給單個ChatGPT得到的輸出更全面、更有條理、更省心。
常見問題
Q1：這和直接用ChatGPT Plus的GPTs有什么區別？
A：GPTs本質上仍是單一的、配置了特定提示詞和知識的對話模型。它更像一個“被調教過的超級實習生”。而“養龍蝦”模式是構建一個多智能體系統，其中可能包含多個GPTs或其他模型，它們之間有預設的通信和協作協議。區別在于“團隊協作”與“單兵作戰”。
Q2：我需要很強的編程能力嗎？
A：入門階段不需要。像Dify、Coze這樣的平臺提供了可視化的畫布，讓你可以通過拖拽節點、配置提示詞和連接線來搭建多Agent工作流，幾乎無需寫代碼。當你想深入定制復雜邏輯時，Python知識會很有幫助。
Q3：傅盛用了14天，我大概需要多久？
A：如果你目標明確，利用現有平臺，一個周末就有可能搭建出一個能完成簡單協作任務的雙Agent系統（例如：一個搜索+一個總結）。關鍵在于從極簡場景開始，快速驗證。
趨勢洞察與下一步
傅盛的“養龍蝦”實驗之所以在AI圈引發熱議，是因為它生動地展示了一個清晰趨勢：AI應用的范式正在從“如何使用一個工具（寫好提示詞）”轉向“如何培育一個智能體團隊（設計好協作規則）”。未來，核心技能不再是“提示詞工程”，而是“智能體編排工程”——如何設計角色、定義工具、規劃流程、讓智能體們高效自治地工作。
給你的下一步建議：
- 立即動手：選擇一個你熟悉的平臺（推薦從Dify或Coze開始），花一小時創建你的第一個“信息搜集龍蝦”，體驗從定義到運行的全過程。
學習資源：
- m.lvxe.net.cn（m.lvxe.net.cn）的《Dify工作流搭建入門：從單節點到多Agent》
- 閱讀微軟AutoGen或CrewAI框架的官方文檔，了解更代碼化的多Agent協作模式。
- 關注傅盛后續的分享，看他如何迭代他的“龍蝦軍團”。
- 思考場景：盤點你的工作或學習中，有哪些重復性、多步驟的信息處理任務？試著用“養一只專業龍蝦”的思路去自動化它。
記住，你不需要一次養出一個龐大的軍團。從培育第一只有專長的“小龍蝦”開始，你就在踏入AI應用的下一個前沿。