目录

一、AI Agent与大模型

二、 市面上智能体

1、墨刀AI Agent

2、AI测试平台——Testin XAgent

三、 构建Agent 的Prompt提示词

---

一、AI Agent与大模型

1、 agent与大模型的区别： 

• 大模型擅长语言理解与生成，但缺乏与外部环境直接交互的能力；
• AI Agent则通过集成工具和学习机制，实现了从“理解”到“行动”的跨越；

功能定位‌：大模型专注于语言处理（如写文章、翻译），AI Agent则能操作设备、调用API完成实际任务（如订机票、管理库存）。

工作方式‌：大模型需明确指令，AI Agent能自主拆解复杂目标并执行。

技术架构‌：AI Agent在语言模型基础上，增加了规划、记忆、工具调用和感知模块，形成闭环系统。

2、agent与大模型的联系：

• 互补共生的：大模型为Agent提供认知智能，而Agent通过扩展工具接口和记忆机制，解决了大模型的知识滞后、上下文限制及“幻觉”问题。‌
• 大模型擅长理解文本但无法直接交互系统；AI Agent能感知环境、执行行动并对接外部系统注： 个人理解， agent可以集成一个、多个大模型，以及外部服务或接口，实现更强大的系统。 agent = 大模型 + 外部工具接口服务

3、 agent与大模型关系：

二、 市面上智能体

1、墨刀AI Agent

能做什么：

• Agent可以原型生成、文档撰写、信息整理与分析；
• 市场调研、搭建原型框架、撰写PRD并输出评审意见

不能做什么：

• 战略决策、用户洞察和创新方向

作用：执行与辅助角色，提高产品经理的效率。后续如果能与墨刀白板、流程图、团队协作等模块深度联动，可以打造更智能的工作流。

2、AI测试平台——Testin XAgent

• 自然语言驱动：无代码测试的真正实现 。极大降低了测试设计的技术门槛，使业务专家甚至产品经理也可直接参与测试开发

• 全自动API测试与依赖推理

  在接口测试层面，平台能够自动解析OpenAPI/Swagger等接口文档，智能识别端点、参数约束与数据依赖关系，并自动生成包括正向、异常、边界等多种情形的测试用例。更重要的是，系统可构建接口调用链与业务场景拓扑，实现真正具备业务上下文的全链路覆盖。

• 自主探索式测试：模拟真实用户行为。在没有预设脚本的情况下，测试系统可模拟真实用户行为，在应用中自主导航、尝试不同操作路径、输入组合和界面交互，并实时记录执行轨迹与系统响应。

• 反馈机制的深化：系统不仅能报告通过/失败，还可溯源缺陷成因、提出修复建议，甚至预测系统风险，成为开发团队中的“智能质量顾问”。

三、 构建Agent 的Prompt提示词

1、 Prompt： 用户根据自己的需求给AI大模型输入的一段文字，让大模型更好给出针对性的解答。 输入Prompt后，本质上是在激活模型中与这个 Prompt 最相关的部分知识、模式和参数。

2、 prompt处理过程：Prompt主要是对大模型发送指令和引导交互，让大模型更好输出符合用户意图结果。 大模型将输入的文本进行分解，转化为向量表示，通过自然语言处理让计算机有更准确的理解。

3、 Prompt给模型定义任务和输出

• 回答问题： “最近火爆的大模型有哪些？”
• 生成文本： “秋天就要来了，帮我写一首带有秋风扫落叶的唯美意境古诗。”
• 段落翻译： “将以下英文句子翻译成中文：...”
• 文章总结： “用三句话总结这篇文章的核心观点和中心思想。”
• 代码生成： “写一个Python文件，调用电脑摄像头，实现人像的检测，输出属于哪一种情绪。”
• 扩展推理： “'好的事务都是缓慢到来的'，继续完成后面的内容。”
• 赋予角色： “我的女朋友生气了，我想安稳好她，有什么好的方法和建议！”

一个明确而又不繁杂的Prompt，能极大地提高模型输出符合预期的概率。

• 提供上下文和约束：
• 参考背景：“比如代码生成时，可指定参考某一文件，或者基于某文章内容得出总结；或者秋天来了，创造关于秋天的诗句......”
• 格式要求：“代码生成可指定文件格式；内容生成可指定Markdown文档等”
• 模仿风格：“指定幽默风气的语气”、“专业严谨的学术语言”
• 长度限制：“回答100字以内”，“一段简短的模式”，“一首诗”
• 技巧方式：比如生成视频时"广角镜头缓慢推进，由远及近徐徐展现出山脉雪景.....",

4、Prompt的主要类型

问答类型、 指令类型、 补全类型、 创意类型

5、Prompt设计原则

• 明确性：Prompt应该清晰明确地传达你的需求，避免模糊不清，你应该思考一下，这句话换作是你，什么背景都没有，你能听懂吗？
• 简洁性：尽量用简洁的语言描述你的需求，避免冗余和不必要的复杂性。
• 上下文相关性：提供足够的上下文信息，以便模型能够理解prompt的背景，这个很重要，如果没有相关的背景，模型会瞎猜。
• 可操作性：Prompt应该是可执行的，即模型能够根据指示采取行动，准确的说，就是你期望他给你什么结果，比如是一个表格，还是一段代码实现，还是一篇有结果性的文章。
• 适应性：考虑到模型的局限性，设计prompt时应该适应模型的能力和知识范围，也就是说，你不要拿模型训练数据之后的知识问题，除非你给他相关的背景信息了。

一个Prompt需要的部分：

• 清晰明确：避免使用不清楚、有歧义的语言； 使用礼貌和友好的语言，例如“请”和“谢谢”；
• 具体详细：落实细节，指明约束条件等，可以提供少量示例
• 上下文： 当任务需要特定视角或知识时，明确设定背景
• 输出要求： 明确希望答案以什么形式呈现（表格、JSON、Markdown等）
• 迭代优化：在结果欠缺的情况下，可以在上一次的指令上迭代，优化每次的输出

        例如， 请使用Java 生成一个JSON对象，包括姓名、年龄和地址字段，使用，作为字段分隔符。 谢谢。 

参考

https://zhuanlan.zhihu.com/p/81631915617

https://baijiahao.baidu.com/s?id=1843041772680634477&wfr=spider&for=pc