模块化提示编译构建可扩展AI智能体

背景

随着AI Agent从原型阶段走向生产环境，其构建方式面临根本性的挑战。最初，开发者通常使用单一、整体的系统提示（system prompt）来定义Agent的行为——几条指令、一两个工具定义，所有内容都在一个可读的文件中。但当团队开始将安全策略、领域规则、格式要求和升级行为层层叠加时，这种单体格式迅速崩溃。整个Agent的控制平面被塞进一个指令文件，问题由此开始：协作变得困难，测试变得脆弱，一次针对某工作流的小改动可能悄然破坏另一功能。

这本质上是经典的软件工程扩展问题。在生产规模下，提示的可维护性直接决定了Agent的可靠性。原文指出，当提示文件超过一定规模后，通常会出现三种主要故障模式：模糊的爆炸半径（难以预测修改的副作用）、复制粘贴漂移（共享逻辑被重复拷贝导致不一致）、以及延迟的运行时错误（模板化方案将错误检测推迟到运行时）。

核心内容

原文提出了一种解决方案：将提示视为构建产物（build artifacts），而非静态文本。通过模块化技能文件（modular skill files）来组织Agent的指令层，让每个文件封装特定行为，从而实现关注点分离和独立迭代。

具体做法是使用模板引擎来组合提示。例如，一个顶级的Agent提示模板（如 agents/sre_agent.prompt.md）可以包含多个模块：

{% include "shared/safety.prompt.md" %}
{% include "shared/tool_usage.prompt.md" %}
You are an SRE triage agent operating in the {{ environment }} environment.
{% if allow_remediation %}
You may recommend remediation steps, but destructive actions require human approval.
{% else %}
You may inspect, summarize, and explain the issue, but do not recommend remediation actions.
{% endif %}
{% macro bullet_section(title, items) %}
## {{ title.rstrip() }}
{% for item in items %}
- {{ item.rstrip() }}
{% endfor %}
{% endmacro %}
{{ bullet_section("Required investigation steps", [
"Inspect recent deployment events",
"Check service metrics for latency or error-rate changes",
"Review logs for repeated failure patterns"
]) }}

模板层允许组合共享指令、注入环境特定值和使用宏。对构建系统而言，每个 include 都是一个依赖，每个变量都是一个要求。最终通过转译器（transpiler）解析模板导入，生成一个确定性的、完全渲染的产物，可以在到达模型之前进行测试、审计和差异对比。

例如，当 environment = production 且 allow_remediation = true 时，转译后的产物为：

You are an SRE triage agent operating in the production environment.
You may recommend remediation steps, but destructive actions require human approval.
## Required investigation steps
- Inspect recent deployment events
- Check service metrics for latency or error-rate changes
- Review logs for repeated failure patterns

生产级转译器应在运行时之前捕获错误，包括缺失的导入、未定义的变量和循环依赖。通过将每个提示片段视为有向图中的一个节点，可以轻松检测递归导入，避免在生产环境中静默失败。此外，还可以启用漂移检测：在CI流水线中从源文件重新生成转译后的提示（称为 golden file），并与当前提交的产物比较，不一致则构建失败，确保仓库中的代码与生产运行的内容完全一致。

随着模块化技能库的增长，不需要让每个Agent每次都加载所有技能。更好的架构是渐进式披露（progressive disclosure）：将稳定的控制平面（如身份和安全边界）与任务特定的上下文分离。编译后的基础提示强制执行不可协商的行为，运行时Agent可以使用工具动态检索仅需要的技能模块，从而减少上下文消耗并保持专注。

这种模块化系统还解锁了一个强大的工作流：Agent可以帮助维护自己的指令层，形成自维持的Agent系统。当Agent解决一种新类型的事件时，它可以理论上起草一个新的技能模块，更新相关导入，并开启一个Pull Request。Agent不是实时修改自己的指令，而是提出代码变更。转译器将该提案与任何其他代码变更一样经过相同的验证和审查流程，人类审查者可以检查PR、运行评估并合并变更。

关键要点

• 单体提示的三大故障模式：模糊的爆炸半径（修改的副作用难以预测）、复制粘贴漂移（共享逻辑被重复复制导致不一致）、延迟的运行时错误（模板化方案将错误检测推迟到运行时）。
• 核心解决方案：将提示视为构建产物，而非静态文本。使用模块化技能文件组织指令，通过模板引擎组合、环境变量注入和宏实现关注点分离。
• 转译器的作用：解析模板导入，生成确定性的、完全渲染的提示产物。在构建时捕获缺失导入、未定义变量和循环依赖，并通过依赖图检测递归导入。
• 漂移检测：在CI中自动比较转译后的产物与提交的 golden file，确保源文件与部署产物一致，消除两者之间的差距。
• 渐进式披露：将稳定的控制平面（身份、安全边界）与任务特定上下文分离。基础提示强制执行不可协商行为，运行时动态检索所需技能模块，减少token消耗和噪声干扰。
• 自维持Agent系统：Agent可以起草新的技能模块、更新导入并提交PR，人类审查后合并。Agent不实时修改自身指令，而是通过代码变更流程，经过同样的验证和审查。
• 生产级要求：提示应像标准软件基础设施一样通过构建、验证、版本控制和部署流程，而非仅靠编辑。

意义与影响

原文将提示工程重新定义为构建系统问题，而非简单的文本编写。这一转变意义深远：它把AI Agent的指令层纳入了软件工程的最佳实践——模块化、依赖管理、静态验证、CI/CD集成和版本控制。当Agent深入集成到关键工作流中时，其指令层需要与软件同等的可靠性标准。

通过模块化转译，团队可以像管理代码库一样管理提示库，实现协作、测试、审计和变更追踪。这不仅能减少生产事故，还能让Agent本身参与到自身逻辑的改进中，形成人与AI协作的闭环。更重要的是，这种架构为大规模部署多Agent系统提供了可扩展、可维护的基础，避免因提示膨胀导致的不可控行为。最终，提示不再是“写完就忘”的静态文本，而是经过构建、验证、版本化和部署的可靠产物，为AI Agent的工业级应用奠定基础。