人类学研究员 Erik Schluntz 分享了他观察到的人们在构建智能体（AI Agent）时最常见错误。
开发者们在与 AI 模型打交道时往往表现出矛盾的态度。他们会投入大量精力来优化提示词，精心设计每一个指令的措辞和结构，但在开发供模型使用的工具接口时，却常常草草了事，仅用简单的 A、B 来命名参数，甚至完全忽略文档说明。
这种做法折射出开发者在认知上的一个盲点。如果一个普通工程师面对没有文档的函数接口都会感到困惑，那么对于 AI 模型来说，理解和正确使用这些 "黑盒工具" 的难度只会更大。本质上，这反映了一些开发者仍未完全理解 AI 模型的特性，依然停留在传统编程思维中。他们似乎忘记了，模型并不是一个简单的程序执行器，而是需要通过自然语言来理解任务的智能系统。
掌握大语言模型（LLM）的核心在于理解其底层机制与交互技巧。首先，Token 是模型处理文本的最小单位，直接影响输入输出长度及费用。默认的非确定性模式赋予模型创意，但也导致结果不可预测。其次，温度、最大 Token 数和 Top-p 三个参数共同调控模型的随机性、回复长度及词汇选择范围，用户可根据精准或创意需求灵活调整。此外，受限于上下文窗口，模型仅能记忆当前对话片段，超出部分会被丢弃。最后，提示词质量决定输出效果，高质量的提示词应包含清晰指令、背景信息及期望格式，通过缩小猜测空间来提升回答的准确度。
MIT 本科生 Kelly Zhang 利用 fMRI 信号实现脑内画面实时视频生成。她基于视觉皮层与深度神经网络的结构相似性，结合 Vision Transformer 提取特征、Latent Diffusion Model 还原图像及 Stable Diffusion 生成视频，成功将大脑活动转化为可视内容。该技术虽处早期且细节有待提升，但在 PTSD 治疗、失语沟通及痴呆症辅助等领域具广阔前景。其突破关键在于跨学科知识融合，打破了传统科研的领域壁垒，为未来科研方法提供了新启示。
TryHackMe 推出“提示词工程： AI 安全”实战房间，系统教授与大语言模型高效沟通的技能。课程涵盖 LLM 处理机制（ Token 、非确定性）、提示词结构（指令、上下文、格式、约束）、系统与用户提示词的区别及注入攻击风险、进阶技术（ CoT 、 Zero/Few-shot ）。通过六道安全场景挑战演示从分类到漏洞审查的实战技巧，强调将开放任务压缩为可执行指令的思路。
围绕《人们在构建智能体（AI Agent）时最常犯的错误》展开交流，未登录用户可浏览评论，登录后可参与讨论。
