提示工程架构师必看：Agentic AI如何颠覆人类智能？

关键词

Agentic AI、提示工程、自主智能体、工具调用、反馈循环、多智能体协作、人类-AI协同

摘要

你有没有过这样的经历？让ChatGPT帮你写一份产品需求文档，它能输出结构完整的内容，但不会主动问你“用户的核心痛点是什么？”；用Copilot补全代码，它能根据上下文生成函数，但不会提醒你“这个算法的时间复杂度可能影响性能”。传统AI是“被动的答题者”，而Agentic AI是“主动的行动者”——它能自主设定目标、规划步骤、调用工具、学习反馈，甚至像人类一样“思考下一步该做什么”。

对于提示工程架构师而言，这不是简单的技术升级，而是范式转移：你不再需要设计“如何让AI回答问题”，而是要设计“如何让AI主动解决问题”。本文将从核心概念、技术原理、实际应用三个维度拆解Agentic AI，并告诉你：

  • 为什么Agentic AI是“颠覆人类智能”的关键？
  • 提示工程架构师需要掌握哪些新技能？
  • 如何用Agentic AI构建“能自己思考的系统”？

1. 背景：从“问答AI”到“行动AI”，我们为什么需要Agentic AI？

1.1 传统AI的“能力边界”

在GPT-3时代，我们对AI的期待是“精准回答问题”。比如：

  • “帮我写一首关于秋天的诗”→ 输出诗歌；
  • “解释一下什么是Transformer”→ 输出定义。

但这些AI有个致命缺陷：没有“行动意识”。它们不会主动追问上下文（比如“你要的诗是抒情还是叙事？”），不会规划复杂任务（比如“帮我完成论文从选题到投稿的全流程”），更不会根据结果调整策略（比如“刚才的总结漏了核心数据，我再重新整理一遍”）。

这就像你雇了一个秘书，你说“帮我订一张明天去北京的机票”，他只会回复“已经订好”，但不会问你“要靠窗还是靠过道？”“需要报销凭证吗？”——传统AI是“执行工具”，而不是“协作伙伴”。

1.2 Agentic AI的“本质突破”

Agentic AI（自主智能体）的出现，彻底打破了这个边界。它的核心定义是：

能自主感知环境、设定目标、规划行动、执行任务，并通过反馈优化行为的智能系统。

举个生活化的例子：

  • 传统AI：你说“帮我规划周末旅行”，它输出“周六去故宫，周日去长城”；
  • Agentic AI：它会先问你“喜欢人文还是自然？预算多少？有没有忌口？”，然后规划路线（包含餐厅推荐），主动查天气预报（如果下雨就调整行程），甚至提醒你“故宫需要提前预约，我已经帮你抢了票”。

Agentic AI不是“更聪明的AI”，而是“更像人的AI”——它有“主动性”和“适应性”，能把“解决问题”的责任从人类转移到AI自己身上。

1.3 为什么提示工程架构师必须关注？

对于提示工程架构师而言，Agentic AI带来的是工作内容的重构：

  • 传统提示设计：聚焦“如何让AI理解问题”（比如“请用通俗易懂的语言解释Transformer”）；
  • Agentic提示设计：聚焦“如何让AI自主解决问题”（比如“你是一个旅行规划师，请帮用户设计周末行程，需要主动确认偏好、调整方案，并完成预订”）。

简单来说，你从“出题人”变成了“规则制定者”——你要设计AI的“行动逻辑”，而不是“回答内容”。这是提示工程的下一个“技术高地”。

2. 核心概念：Agentic AI的“四大组件”，像搭积木一样理解

要掌握Agentic AI，首先得拆解它的核心组件。我们可以用“开奶茶店”的例子来类比：

假设你要开一家奶茶店（目标），你需要做四件事：

  1. 明确目标：“3个月内盈利10万”；
  2. 规划步骤：“选址→装修→招聘→研发菜单→宣传”；
  3. 调用工具：“找房产中介选地址，找装修公司做设计，找招聘网站招人”；
  4. 反馈优化：“试营业后发现奶茶太甜，调整配方；线上宣传效果差，换成短视频”。

Agentic AI的四大核心组件，刚好对应这四个步骤：

2.1 组件1：目标设定（Goal Setting）——AI的“初心”

目标是Agentic AI的“起点”，它决定了AI要“做什么”。和传统AI不同，Agentic AI的目标可以是动态的：

  • 初始目标：“帮用户总结一篇论文”；
  • 衍生目标：“如果论文有图表，需要解释图表内容；如果有公式，需要用通俗语言翻译”。

比喻：目标设定就像“奶茶店的盈利目标”——它不是模糊的“赚钱”，而是具体、可衡量的“3个月10万”。

2.2 组件2：规划引擎（Planning Engine）——AI的“大脑”

规划引擎是Agentic AI的“核心”，它负责将目标拆解成可执行的步骤。比如：

  • 目标：“总结论文”；
  • 规划步骤：① 下载论文PDF；② 提取摘要、引言、结论；③ 归纳核心贡献；④ 检查遗漏；⑤ 生成总结。

规划引擎的关键能力是**“反事实推理”**（Counterfactual Reasoning）——比如“如果论文是用德语写的，我需要先翻译”；“如果摘要不完整，我需要找全文补充”。

比喻：规划引擎就像“奶茶店的创业计划书”——它把大目标拆成小步骤，还能应对突发情况（比如“如果选址的租金太高，就换个商圈”）。

2.3 组件3：工具调用（Tool Use）——AI的“手和脚”

工具调用是Agentic AI的“执行层”，它让AI能利用外部工具完成任务（比如调用API查天气、用Python读取文件、用搜索引擎找资料）。

比如，一个“旅行规划Agent”会调用这些工具：

  • 调用12306 API查火车票；
  • 调用大众点评API找附近的餐厅；
  • 调用天气API查未来3天的温度。

比喻：工具调用就像“奶茶店的供应商”——你需要牛奶就找 dairy 供应商，需要茶叶就找茶厂，AI需要什么工具就调用什么。

2.4 组件4：反馈循环（Feedback Loop）——AI的“学习能力”

反馈循环是Agentic AI的“进化机制”，它让AI能根据结果调整行为。比如：

  • 用户说“总结的论文遗漏了实验部分”；
  • Agent会重新规划步骤：“补充提取实验方法和结果”；
  • 再次生成总结，并询问用户“这次是否满意？”。

反馈循环的核心是**“强化学习”**（Reinforcement Learning）——AI通过“试错”学习，逐渐优化自己的行为。

比喻：反馈循环就像“奶茶店的试营业”——通过顾客的反馈调整配方、服务，让生意越来越好。

2.5 组件互动流程图（Mermaid）
目标设定
规划引擎
工具调用
执行任务
反馈收集

这个流程图展示了Agentic AI的“闭环逻辑”：目标驱动规划，规划调用工具，执行产生反馈，反馈优化规划或目标——这和人类解决问题的逻辑完全一致！

3. 技术原理：Agentic AI是如何“思考”的？

要构建Agentic AI，需要解决三个关键问题：

  1. 如何让AI“理解目标”？（语言模型的推理能力）
  2. 如何让AI“规划步骤”？（符号推理+大语言模型）
  3. 如何让AI“学习优化”？（强化学习+反馈机制）

我们用“论文总结Agent”的例子，一步步拆解技术原理。

3.1 基础：大语言模型（LLM）是Agentic AI的“大脑”

Agentic AI的核心推理能力来自LLM（比如GPT-4、Claude 3）。LLM能理解自然语言的目标，生成规划步骤，甚至解释工具调用的逻辑。

比如，当你给Agent输入目标：“帮我总结《Attention Is All You Need》这篇论文”，LLM会输出：

“我需要先下载这篇论文的PDF，然后提取摘要、引言、方法、结果、结论，归纳核心贡献，最后用通俗语言总结。如果有不懂的术语，我需要解释清楚。”

这一步的技术关键是**“提示工程”**——你需要用清晰的指令告诉LLM“你是谁”“要做什么”“怎么做”。比如：

你是一个专业的学术论文总结助手，你的任务是帮用户总结论文的核心内容。要求：
1. 首先确认论文的标题和作者；
2. 提取摘要、引言、方法、结果、结论中的关键信息；
3. 归纳论文的核心贡献（创新点）；
4. 用通俗易懂的语言解释专业术语；
5. 如果有图表，需要说明图表的主要内容；
6. 最后询问用户是否需要补充信息。

3.2 规划引擎：从“直觉”到“逻辑”的飞跃

传统LLM的规划是“直觉式”的（比如直接输出总结），而Agentic AI的规划是“逻辑式”的——它会用**“分层任务规划”**（Hierarchical Task Planning, HTP）将大目标拆成小任务。

比如，“总结论文”的分层规划：

  • 顶层目标：总结论文；
  • 中层任务：下载论文→提取关键部分→归纳贡献→生成总结；
  • 底层行动：调用PyPDF2读取PDF→调用LLM提取摘要→调用LLM归纳贡献→调用LLM生成总结。

技术实现：用LangChain的PlanAndExecuteAgent框架，代码示例：

from langchain.agents import PlanAndExecuteAgent, Tool
from langchain.llms import OpenAI
from langchain.tools import PyPDF2LoaderTool

# 初始化LLM
llm = OpenAI(temperature=0)

# 定义工具：读取PDF
pdf_tool = Tool(
    name="PyPDF2Loader",
    func=PyPDF2LoaderTool().run,
    description="用于读取PDF文件的内容"
)

# 定义Agent
agent = PlanAndExecuteAgent.from_llm_and_tools(
    llm=llm,
    tools=[pdf_tool],
    verbose=True
)

# 运行Agent
result = agent.run("帮我总结《Attention Is All You Need》这篇论文")
print(result)

原理说明：PlanAndExecuteAgent会先让LLM生成规划步骤（比如“首先下载论文PDF”），然后逐一执行每个步骤（调用PyPDF2Loader工具），最后整合结果生成总结。

3.3 工具调用：AI的“外接设备”

工具调用的核心是**“函数调用”**（Function Calling）——LLM能生成符合格式的函数调用指令，让Agent执行外部工具。

比如，当Agent需要下载论文时，LLM会生成：

{
  "name": "download_pdf",
  "parameters": {
    "url": "https://arxiv.org/abs/1706.03762"
  }
}

Agent收到这个指令后，会调用download_pdf函数下载PDF，然后将结果返回给LLM，继续下一步规划。

技术实现：用OpenAI的function_call参数，代码示例：

from openai import OpenAI
client = OpenAI()

# 定义工具的元数据
tools = [
    {
        "type": "function",
        "function": {
            "name": "download_pdf",
            "description": "下载指定URL的PDF文件",
            "parameters": {
                "type": "object",
                "properties": {
                    "url": {
                        "type": "string",
                        "description": "PDF文件的URL"
                    }
                },
                "required": ["url"]
            }
        }
    }
]

# 发送请求
response = client.chat.completions.create(
    model="gpt-4",
    messages=[{"role": "user", "content": "帮我下载《Attention Is All You Need》的PDF"}],
    tools=tools,
    tool_choice="auto"
)

# 解析函数调用
if response.choices[0].message.tool_calls:
    tool_call = response.choices[0].message.tool_calls[0]
    if tool_call.function.name == "download_pdf":
        url = tool_call.function.parameters["url"]
        # 执行下载操作
        download_pdf(url)

3.4 反馈循环：用强化学习让AI“越做越好”

反馈循环的技术核心是**“奖励模型”**（Reward Model）——AI根据用户的反馈（比如“满意”“不满意”）调整自己的行为。

比如，当用户说“总结的论文遗漏了实验部分”，Agent会：

  1. 收集反馈：“遗漏了实验部分”；
  2. 调整规划：在步骤中加入“提取实验方法和结果”；
  3. 重新执行：调用工具提取实验部分，生成新的总结；
  4. 验证效果：询问用户“这次是否满意？”。

数学模型：反馈循环可以用**马尔可夫决策过程（MDP）**描述：
M=(S,A,P,R,γ) M = (S, A, P, R, \gamma) M=(S,A,P,R,γ)

  • SSS：状态空间（比如“已下载论文”“已提取摘要”）；
  • AAA：行动空间（比如“调用PDF工具”“调用总结工具”）；
  • PPP：状态转移概率（比如“执行下载操作后，状态从‘未下载’变为‘已下载’”）；
  • RRR：奖励函数（比如“用户满意得+10分，不满意得-5分”）；
  • γ\gammaγ：折扣因子（未来奖励的权重）。

Agent的目标是通过选择行动，最大化累积奖励（Cumulative Reward）：
Gt=Rt+1+γRt+2+γ2Rt+3+... G_t = R_{t+1} + \gamma R_{t+2} + \gamma^2 R_{t+3} + ... Gt​=Rt+1​+γRt+2​+γ2Rt+3​+...

技术实现：用强化学习框架（比如Stable Baselines3）训练Agent，代码示例：

from stable_baselines3 import PPO
from stable_baselines3.common.env_util import make_vec_env
from my_env import PaperSummaryEnv  # 自定义的环境，包含状态、行动、奖励

# 初始化环境
env = make_vec_env(lambda: PaperSummaryEnv(), n_envs=1)

# 初始化PPO模型
model = PPO("MlpPolicy", env, verbose=1)

# 训练模型
model.learn(total_timesteps=10000)

# 测试模型
obs = env.reset()
for _ in range(100):
    action, _states = model.predict(obs, deterministic=True)
    obs, rewards, dones, info = env.step(action)
    env.render()

原理说明：PaperSummaryEnv是自定义的环境，其中：

  • 状态：当前的任务进展（比如“已下载论文”“已提取摘要”）；
  • 行动：可执行的操作（比如“调用PDF工具”“调用总结工具”）；
  • 奖励：用户的反馈（比如“满意”得+10分，“不满意”得-5分）。

通过训练，Agent会学习到“如何选择行动才能获得最高奖励”——比如“如果用户反馈遗漏实验部分，就优先提取实验内容”。

4. 实际应用：提示工程架构师如何用Agentic AI解决真实问题？

Agentic AI的价值，在于解决传统AI无法处理的“复杂任务”。我们以提示工程架构师最关心的两个场景为例，拆解实现步骤。

4.1 场景1：智能代码优化助手——从“补全代码”到“优化代码”

传统AI的痛点：Copilot能补全代码，但不会主动分析性能瓶颈，也不会提出优化建议。
Agentic AI的目标：自主分析代码库的性能瓶颈，生成优化方案，并验证效果。

4.1.1 实现步骤

  1. 定义Agent角色：

    你是一个资深的Python代码优化专家，你的任务是帮用户优化代码的性能。要求：
- 首先分析代码的时间复杂度和空间复杂度；
- 找出性能瓶颈（比如循环嵌套、重复计算）；
- 生成优化方案（比如用哈希表替代线性搜索、用向量运算替代循环）；
- 验证优化后的性能提升；
- 解释优化的原理。

  2. 设定目标与规划：

    • 目标：优化compute_similarity函数的性能；
    • 规划步骤：① 分析函数的复杂度；② 找出瓶颈；③ 生成优化方案；④ 测试性能；⑤ 解释原理。

  3. 调用工具：

    • 工具1：py-spy（分析代码的运行时间）；
    • 工具2：pytest-benchmark（测试优化前后的性能）；
    • 工具3：LLM（生成优化代码）。

  4. 反馈循环：

    • 如果优化后的性能提升小于20%，重新分析瓶颈；
    • 如果用户对优化方案有疑问，解释原理；
    • 如果优化后的代码有bug，修复后重新测试。
4.1.2 代码示例
from langchain.agents import initialize_agent, Tool
from langchain.llms import OpenAI
from py_spy import pyspy
from pytest_benchmark import benchmark

# 初始化LLM
llm = OpenAI(temperature=0)

# 定义工具1：分析代码复杂度
def analyze_complexity(code):
    result = pyspy.analyze(code)
    return f"时间复杂度：{result['time_complexity']}，空间复杂度：{result['space_complexity']}"

# 定义工具2：测试性能
def test_performance(code):
    result = benchmark.run(code)
    return f"运行时间：{result['time']}ms，内存使用：{result['memory']}MB"

# 定义工具3：生成优化代码
def generate_optimized_code(code, bottleneck):
    prompt = f"请优化以下Python代码的性能，瓶颈是{bottleneck}：\n{code}"
    return llm(prompt)

# 注册工具
tools = [
    Tool(name="AnalyzeComplexity", func=analyze_complexity, description="分析代码的时间和空间复杂度"),
    Tool(name="TestPerformance", func=test_performance, description="测试代码的运行时间和内存使用"),
    Tool(name="GenerateOptimizedCode", func=generate_optimized_code, description="根据瓶颈生成优化后的代码")
]

# 初始化Agent
agent = initialize_agent(tools, llm, agent="zero-shot-react-description", verbose=True)

# 运行Agent
code = """
def compute_similarity(list1, list2):
    similarity = 0
    for item in list1:
        if item in list2:
            similarity += 1
    return similarity / (len(list1) + len(list2))
"""
result = agent.run(f"帮我优化这段代码的性能：\n{code}")
print(result)
4.1.3 运行结果

Agent的输出会包含：

  • 复杂度分析：“时间复杂度O(n*m)，空间复杂度O(1)”；
  • 瓶颈定位：“循环中的item in list2是线性搜索，耗时较长”；
  • 优化方案：“用集合（set）替代列表，将item in list2的时间复杂度从O(m)降到O(1)”；
  • 优化代码： 
    def compute_similarity(list1, list2):
    set2 = set(list2)
    similarity = sum(1 for item in list1 if item in set2)
    return similarity / (len(list1) + len(list2))
  • 性能测试：“优化前运行时间100ms，优化后运行时间10ms，提升90%”。

4.2 场景2：智能产品需求助手——从“写文档”到“定义需求”

传统AI的痛点：ChatGPT能写需求文档，但不会主动调研用户需求，也不会验证需求的可行性。
Agentic AI的目标：自主调研用户需求，定义产品功能，生成需求文档，并验证可行性。

4.2.1 实现步骤

  1. 定义Agent角色：

    你是一个产品经理助手，你的任务是帮用户定义产品需求。要求：
- 首先调研用户的核心痛点；
- 定义产品的核心功能；
- 生成需求文档（包含用户故事、功能描述、验收标准）；
- 验证需求的可行性（技术、成本、市场）；
- 调整需求直到符合用户预期。

  2. 设定目标与规划：

    • 目标：定义一款“智能健身APP”的需求；
    • 规划步骤：① 调研用户痛点；② 定义核心功能；③ 生成需求文档；④ 验证可行性；⑤ 调整需求。

  3. 调用工具：

    • 工具1：Typeform（发放用户调研问卷）；
    • 工具2：Google Trends（分析市场需求）；
    • 工具3：Figma（生成原型图）；
    • 工具4：LLM（生成需求文档）。

  4. 反馈循环：

    • 如果用户对痛点调研结果不满意，重新设计问卷；
    • 如果功能可行性低，调整功能；
    • 如果需求文档不清晰，补充细节。
4.2.2 运行结果

Agent的输出会包含：

  • 用户痛点调研：“80%的用户表示‘不知道如何制定健身计划’，70%的用户表示‘缺乏坚持的动力’”；
  • 核心功能定义：“个性化健身计划生成、每日打卡提醒、社区互动、教练在线指导”；
  • 需求文档：包含用户故事（“作为一个健身新手，我想生成适合我的计划”）、功能描述（“根据用户的身高、体重、目标生成计划”）、验收标准（“计划生成时间不超过10秒”）；
  • 可行性验证：“技术上可以用LLM生成计划，成本上需要对接教练资源，市场上有5000万潜在用户”；
  • 调整建议：“增加‘健身成果可视化’功能，提升用户坚持的动力”。

4.3 常见问题及解决方案

在Agentic AI的实践中，提示工程架构师常遇到以下问题：

问题 解决方案
Agent的规划步骤太冗长 在提示中加入“用最少的步骤完成目标”的指令；用“分层规划”将大步骤拆成小步骤。
Agent调用工具出错 在工具定义中加入“错误处理”逻辑（比如“如果下载失败，重试3次”）；用“验证函数”检查工具返回结果的正确性。
Agent的目标偏离用户需求 在提示中加入“定期确认用户需求”的指令；用“反馈循环”让用户修正目标。
Agent的输出不清晰 在提示中加入“用结构化格式输出”的指令（比如“用Markdown列表展示步骤”）；用“模板”规范输出内容。

5. 未来展望：Agentic AI将如何颠覆人类智能？

Agentic AI不是“取代人类智能”，而是**“扩展人类智能”**——它能把人类从“重复劳动”中解放出来，让人类专注于“创造性工作”。未来，Agentic AI将带来三个关键变革：

5.1 变革1：从“静态提示”到“动态提示”

传统提示是“静态的”（比如“帮我写一首诗”），而Agentic AI的提示是“动态的”——它会根据任务进展自动调整提示。比如：

  • 初始提示：“帮我规划旅行”；
  • 当Agent发现用户喜欢自然景观时，提示变为：“帮我规划以自然景观为主的旅行”；
  • 当Agent发现用户预算有限时，提示变为：“帮我规划预算5000元以内的自然景观旅行”。

对提示工程的影响：你需要设计“提示生成规则”，而不是“固定提示”——比如“如果用户提到预算，就将预算加入提示”。

5.2 变革2：从“单Agent”到“多Agent协作”

未来，Agentic AI将从“单打独斗”变成“团队协作”。比如：

  • 一个“代码Agent”负责写代码；
  • 一个“测试Agent”负责生成测试用例；
  • 一个“优化Agent”负责优化性能；
  • 三个Agent协作完成项目开发。

对提示工程的影响：你需要设计“Agent间的通信规则”——比如“代码Agent写完代码后，自动将代码传给测试Agent”；“测试Agent发现bug后，自动反馈给代码Agent”。

5.3 变革3：从“AI辅助人类”到“人类辅助AI”

传统模式是“人类主导，AI辅助”，未来模式是“AI主导，人类辅助”。比如：

  • 架构师设定大目标：“开发一个智能健身APP”；
  • Agent负责执行细节：调研用户需求、定义功能、生成代码；
  • 架构师只需要在关键节点（比如“确认核心功能”）给出反馈。

对提示工程的影响：你需要从“设计AI的回答”变成“设计AI的行动规则”——比如“Agent在生成功能前，必须经过架构师确认”。

5.4 潜在挑战与机遇

  • 挑战：Agentic AI的“自主性”可能带来安全风险（比如Agent擅自调用危险工具）；
  • 机遇：提示工程架构师将成为“AI协作设计师”，负责设计AI与人类、AI与AI的协作规则；
  • 趋势：Agentic AI将与“具身智能”（Embodied AI）结合，比如机器人Agent能自主完成家务、照顾老人。

6. 总结：Agentic AI是提示工程的“下一个时代”

Agentic AI的核心是**“让AI像人一样解决问题”**——它有目标、会规划、能行动、善学习。对于提示工程架构师而言，这意味着：

  • 你不再是“AI的出题人”，而是“AI的规则制定者”；
  • 你需要掌握的技能从“提示设计”扩展到“Agent架构设计”；
  • 你的价值将体现在“如何让AI与人类更好地协作”。

最后，留给你三个思考问题：

  1. 如果Agentic AI能自主设定目标，如何确保它的目标与人类一致？
  2. 多Agent协作时，如何解决Agent间的冲突（比如两个Agent都想调用同一个工具）？
  3. 当Agentic AI成为“主流”，提示工程的核心竞争力是什么？

参考资源

  1. 论文：《Agentic LLMs as Self-Improving Reasoners》（OpenAI）；
  2. 框架：LangChain（https://langchain.com/）、AutoGPT（https://agpt.co/）；
  3. 博客：《Introducing Agents for ChatGPT》（OpenAI官方博客）；
  4. 书籍：《Reinforcement Learning: An Introduction》（Richard S. Sutton）。

Agentic AI不是“未来时”，而是“现在时”。作为提示工程架构师，你需要提前布局，掌握Agentic AI的核心技术，才能在这场“智能革命”中占据先机。下一次，当你设计提示时，不妨问自己：“这个提示能让AI主动解决问题吗？”——这就是Agentic AI的起点。

Logo
AI编程社区

汇聚全球AI编程工具，助力开发者即刻编程。

更多推荐

cover

Gemini CLI深度体验：不止免费，更是你的模块化AI编程搭档

avatar AI编程社区

标准C++中的类型运算综合分析报告

标准C++类型运算综合报告摘要 本报告系统分析了C++的类型运算机制，包括基础编译期查询和高级元编程工具。第一部分探讨了语言内置操作符：sizeof获取对象大小，alignof查询内存对齐，decltype推导表达式类型，以及typeid的RTTI功能。第二部分研究了标准库的**<type_traits>**框架，详细介绍了其实现机制（模板特化）和三类核心工具：属性查询（如is_int

avatar AI编程社区

探索性 AI 聊天应用：交叉分析表

不久前，我写了一篇文章《AI 聊天应用的 10 条高级需求》，吐槽了当前 Web 端和桌面端 LLM 聊天工具的 10 个体验问题。AI聊天工具应该是一个可长期依赖、结构化、可检索、可移植的个人知识系统。光吐槽没用，坐而论道不如起而行。于是，我借助 AI 编程工具（用 Cursor 辅助写代码，几乎完成了 90% 的工作量），把这些想法和需求，一点点变成了一个真实的应用，我给它取名叫Pointer

avatar AI编程社区