这不是一篇“认识几个新名词”的 Agent 科普。我们会用一个真实目标，从零做出一个能工作的求职助手：它读取你的真实经历，分析目标 JD，根据岗位要求修改简历，同时告诉你改了什么、为什么改，以及哪些能力不能乱写。
本文操作路径依据  Coze（扣子）整理。平台界面以后可能调整，但“任务—资料—规则—流程—边界—测试”这套方法不会过时。

晚上 11 点 48 分，你准备关电脑时，突然刷到一个很心动的岗位。

工作内容很匹配，薪资也不错，唯一的问题是：明天中午就截止。

你把用了两年的简历和 JD 一起丢给 AI：

“帮我按照这个岗位改一下简历。”

十几秒后，一份看起来很专业的新简历出现了。关键词齐全，语气有力，甚至写着：

主导企业级 Agent 平台建设，推动业务效率提升 40%。

你盯着这句话，心里一紧。

你确实参与过一个知识库问答项目，但没有主导过 Agent 平台；你做过上线后的反馈整理，却从来没有统计过“效率提升 40%”。

这份简历更像岗位需要的人，却越来越不像你。

问题不是 AI 不会写，而是它根本不认识你。它不知道哪些经历可以重点表达，哪些只是参与，哪些数据有依据，哪些红线绝对不能越。你每换一个 JD，都要重新解释一遍；聊得越长，规则还越容易丢。

这正适合用来做你的第一个 Agent。

因为一个真正有用的 Agent，并不是“会聊天的机器人”，而是一个能够围绕明确目标，读取必要资料，按照固定步骤完成任务，知道什么时候停下来，并且可以被反复测试的 AI 工作系统。

听起来很复杂，但把技术名词拿掉以后，我们只需要完成六件事：

1. 写一张任务卡：说清楚它到底负责什么。
2. 建一个知识库：让它认识真实的你。
3. 写一份岗位说明书：告诉它应该怎样工作。
4. 连一条工作流：让它每次都按相同步骤做事。
5. 写清禁止事项：告诉它什么绝对不能做。
6. 拿不同 JD 测试：确认它不是只会做一道样题。

你不需要先学编程，也不需要先把“大模型、RAG、工作流”全部学明白。我们边做边解释。

开始之前：先确定我们到底要做什么

这次只做一个“小而完整”的求职 Agent。

它接收两类输入：

1. 你的真实经历资料；
2. 你准备投递的完整 JD。

它交付五项结果：

1. JD 重点与招聘方真实需求；
2. 岗位要求和你现有证据的匹配表；
3. 一份针对该岗位重新组织的简历文本；
4. 修改记录及修改理由；
5. 经历缺口、真实性风险和需要你确认的内容。

第一版暂时不做自动搜岗位、自动投递、面试陪练、公司研究、多 Agent 协作，也不让它直接覆盖你的原始简历文件。因为功能越多，失败原因越难判断。

Anthropic 在总结实际 Agent 项目时给过一个很重要的建议：先寻找最简单的解决方案，只在确有必要时增加复杂度。很多成功系统并不依赖复杂框架，而是由简单、可组合的模式构成。《Building Effective AI Agents》

所以，我们先把“一份 JD 对应一份可信的定制简历”做好。

演示人物

为了让每一步都能看懂，下面使用一个虚构案例。它只用于展示方法，不对应任何真实求职者或公司。

小林原本是一名设计师，后来转岗做产品经理，目前只有 1 年产品工作经验。他的优势是用户视角、信息组织和原型表达，转岗后做过需求访谈、产品方案、上线跟进，也参与过一个知识库问答项目。他准备应聘初级 AI 产品经理，但没有主导过底层模型训练，也没有独立搭建过企业级 Agent 平台。

演示 JD 的核心要求是：

• 1—3 年产品或相关岗位经验，有设计转产品背景也可；
• 能完成用户研究、需求分析和产品落地；
• 有大模型应用、知识库、RAG 或 Agent 项目经验；
• 能通过数据判断产品效果；
• 能推动算法、研发和业务团队协作。

接下来，小林会和我们一起完成这个 Agent。

上传资料前，先做一件常被忽略的事

简历可能包含手机号、邮箱、住址、身份证信息、客户名称和公司内部数据。上传到任何云端 AI 平台前，请先做脱敏：

• 手机、邮箱只保留占位符；
• 删除身份证号、家庭住址等不必要信息；
• 客户名称可改成“某头部零售企业”；
• 未经授权的内部材料、源数据和商业机密不要上传；
• 最终简历必须由本人审核后再投递。

零代码降低的是制作门槛，不会替你承担隐私和真实性责任。

第一步：你不需要会写 PRD，只需要写一张任务卡

很多人打开 Coze 后，第一反应是先选模型、找插件、抄一段“万能提示词”。这相当于先给新同事买电脑，却没有告诉他负责什么工作。

Agent 的第一步不是配置技术，而是定义任务。

为什么要写任务卡

“帮我找工作”不是任务，它包含找岗位、判断匹配度、改简历、写求职信、准备面试等许多目标。Agent 不知道优先做哪一个，就很容易每件事都碰一点，却没有一件能直接使用。

任务卡只回答六个问题：为谁服务、在什么场景启动、拿到什么输入、完成什么动作、交付什么结果、什么事情不负责。

把下面模板复制到自己的文档里：

# Agent 任务卡

名称：我的岗位定制简历助手

服务对象：我本人

启动场景：当我已经找到一个想投递的岗位，并提供完整 JD 时

必须输入：

1. 完整 JD

2. 我的真实经历知识库

核心任务：

1. 拆解 JD 中的职责、硬性条件、加分项和关键词

2. 从知识库中寻找能够证明这些要求的真实经历

3. 在不新增事实的前提下，重排和改写简历

4. 标记证据不足、表述过度和需要本人确认的内容

必须输出：

1. JD 拆解

2. 岗位要求—个人证据匹配表

3. 定制后的简历正文

4. 修改记录

5. 风险与待确认事项

不负责：

1. 自动投递

2. 编造工作经历、数据、职位和技能

3. 替我决定是否接受岗位

4. 覆盖我的原始简历

成功标准：

我能够逐条追溯新简历中的关键信息来自哪段真实经历，且手工确认后可以用于投递。

小林写完以后，Agent 的工作就从模糊的“帮我求职”，缩小成了一个能验收的任务：“根据一份 JD，用我的真实证据生成一份可审核的定制简历。”

这一步对应的并不是什么高深技术，而是产品经理最熟悉的目标定义和范围管理。

这一步的最低完成线： 能用一句话说清楚“谁提供什么，它交付什么”，就可以继续。

你真正练习的能力： 把愿望切成一个有输入、有输出、有边界的任务闭环。

第二步：你不需要训练模型，只需要整理一份“关于你的说明书”

通用 AI 知道“优秀简历通常怎么写”，但不知道你做过什么。知识库的作用，不是让 AI 变聪明，而是给它一套可以查阅的事实档案。

你可以把它理解成给新入职的简历顾问准备资料柜。资料柜越清楚，它越容易找到证据；把十几年聊天记录混在一个文件里，并不会让它更懂你。

依据 RAG 与 Lost in the Middle 相关研究重新绘制的中文解释图，表达论文观点，不是论文原图的直接翻译。

先准备三类资料

不要只上传一份旧简历。旧简历往往已经压缩过，很多项目背景、行动过程和数据来源都不在里面。建议建立三个 Markdown、Word 或纯文本文件。

文件一：个人基础档案

# 个人基础档案

目标方向：AI 产品经理 / 大模型应用产品经理

工作年限：产品经理 1 年

职业背景：设计师转产品经理

行业经历：互联网产品、企业服务

核心能力：

– 用户访谈与需求分析

– 交互设计、原型表达与信息组织

– 产品方案设计与上线跟进

– 跨团队项目推进

– 产品上线后的反馈收集与迭代

接触过的 AI 项目：

– 企业知识库问答项目：参与需求分析、问答场景整理、验收和反馈闭环

明确没有做过：

– 没有训练或微调基础模型

– 没有独立设计 RAG 技术架构

– 没有主导企业级 Agent 平台

最后的“没有做过”非常重要。知识库不只记录优势，也要记录能力边界。

文件二：项目证据卡

每个重要项目写一张，不求文笔，只求事实完整。

# 项目证据卡：企业知识库问答

时间：2025 年 3 月—2025 年 8 月

我的角色：产品经理，项目参与者

背景：

客服需要在多个文档中查找产品规则，回复速度慢，且不同客服口径不一致。

我做了什么：

1. 访谈 8 名客服，整理 37 个高频问题

2. 按业务主题整理知识文档，并与业务负责人确认有效版本

3. 设计答案反馈入口和问题分类

4. 参与测试，记录无答案、答非所问和引用过期资料等问题

5. 每周推动研发和业务共同处理高频失败问题

真实结果：

– 首批覆盖 6 类高频问题

– 试运行阶段收集 126 条反馈

– 其中 31 条进入后续优化清单

可以使用的表述：

– 参与企业知识库问答产品从需求梳理到试运行的落地

– 建立问答失败问题的反馈与迭代机制

不能使用的表述：

– 主导企业级 RAG 架构设计

– 将客服效率提升 40%

– 独立完成模型训练

如果没有准确数字，就写“没有统计”，不要为了让简历好看而补一个估计值。可靠的 Agent 需要知道“不知道”也是一种有效答案。

文件三：求职偏好和表达边界

# 求职偏好与表达边界

优先岗位：AI 产品经理、大模型应用产品经理

优先行业：企业服务、效率工具

工作地点：上海、杭州

表达偏好：

– 简洁、具体，优先写行动和结果

– 不使用“精通”“顶尖”“颠覆式”等夸张词

– “参与”“负责”“主导”必须严格区分

不可改动的事实：

– 公司、职位和任职时间

– 学历、专业和毕业时间

– 所有项目数据

在 Coze 中创建知识库

在个人空间中依次进入：

资源库 → 资源 → 知识库 → 创建扣子知识库 → 文本格式。

填写一个容易识别的名称，例如“我的求职档案”，然后选择“创建并导入”。当前界面支持 PDF、TXT、MD、DOC、DOCX 等本地文档，也可从在线数据、公众号、Notion、飞书等来源导入。

对新手来说，最稳妥的做法是先上传刚才整理好的三个文本文件。上传后随机打开几段内容，确认项目名称、数据和“不能使用的表述”都能正常显示。

随后回到 Agent 编辑页，在“知识”区域添加“我的求职档案”，并开启自动调用。之后在“预览与调试”中提问：

我在企业知识库问答项目中做过哪些事？请只根据知识库回答，并说明我没有做过什么。

如果答案找不到项目，先检查资料是否真的导入；如果把多个项目混在一起，先拆分标题和项目卡，不要急着继续加提示词。

RAG（检索增强生成）的原始论文指出，模型参数中保存的知识存在更新和溯源限制，因此可以在生成前检索外部资料，让回答有可更新的事实依据。《Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks》

不过，知识库也不是“资料越多越好”。“Lost in the Middle”研究发现，即使模型支持很长的上下文，当关键信息藏在长文本中部时，模型利用它的效果仍可能下降。《Lost in the Middle》 这也是我们把资料拆成基础档案、项目证据卡和边界文件的原因。

这一步的最低完成线： Agent 能查出你一个真实项目的行动、结果和明确没做过的事。

你真正练习的能力： 把散乱经验整理成 AI 可以检索、可以追溯的事实证据。

第三步：你不需要会“提示词魔法”，只需要给 Agent 写一份岗位说明书

知识库解决“它知道什么”，提示词解决“它怎样工作”。

不要把提示词想成咒语。它更像你交给新同事的岗位说明书：他的身份是什么，接到任务后先做什么，遇到资料不足怎么办，最后按什么格式交付。

在 Coze 中创建 Agent

回到个人空间，点击顶部“创建”，选择“创建智能体”。当前界面中可以选择“标准创建”或“AI 创建”。为了看清每项配置，我们选择“标准创建”。

名称填写“我的岗位定制简历助手”，功能介绍可以写：

根据我的真实经历和目标 JD，生成可追溯、可审核的定制简历，并标记事实风险。

创建后，在编辑页找到“人设与回复逻辑”。把下面这份提示词复制进去，再把其中的名称按自己的设置修改。

编辑页还会显示模型和一些参数。第一版先保留平台默认模型与默认参数，不需要逐项研究。我们的目标是先验证任务闭环；如果结果不好，要先判断是资料、规则还是流程出了问题，不能一开始就把所有问题归因于模型。

# 角色

你是我的私人求职简历助手。你的目标不是把我包装成最强的候选人，而是在真实经历范围内，让招聘者更快看见与目标岗位相关的证据。

# 可用资料与工具

1. 知识库“我的求职档案”：保存我的真实经历、项目证据、求职偏好和禁止表述。

2. 工作流“岗位定制简历”：用于在获得 JD 和个人证据后，生成并复核定制结果。

# 启动条件

只有当用户提供了足够完整的 JD 时，才开始定制简历。

如果 JD 缺少岗位职责或任职要求，先请用户补充，不要猜测。

# 工作步骤

1. 读取用户提供的完整 JD。

2. 将 JD 拆成：核心目标、岗位职责、硬性条件、加分项、关键词。

3. 检索“我的求职档案”，为每项重要要求寻找事实证据。

4. 先形成“岗位要求—个人证据匹配表”。证据不足时明确写“无充分证据”。

5. 调用“岗位定制简历”工作流，将原始 JD 和检索到的个人证据分别传入对应参数。

6. 返回工作流结果，并提醒用户在投递前逐条确认。

# 真实性规则

1. 不得新增知识库中不存在的公司、职位、时间、职责、技能、项目和数据。

2. 不得把“了解”改成“熟练”，把“参与”改成“负责”，把“负责”改成“主导”。

3. 没有量化结果时，不得推算、虚构或补写百分比。

4. 可以改变排序、压缩无关内容、突出相关经历、改善语言，但不能改变事实强度。

5. 如果知识库之间出现冲突，停止改写，列出冲突并请用户确认。

6. 如果 JD 要求的能力没有证据，保留为“能力缺口”，不得用相似词伪装成已经具备。

# 输出结构

严格按照以下顺序输出：

## 一、JD 拆解

## 二、岗位要求—个人证据匹配表

## 三、定制简历

## 四、修改记录与理由

## 五、风险及待确认事项

# 对话规则

1. 不要在信息不足时直接生成一份看似完整的简历。

2. 每次只处理用户当前提供的岗位，不混用其他 JD。

3. 不覆盖或声称已经修改用户的原始文件，只输出新的候选版本。

4. 用户要求夸大或编造经历时，拒绝该部分，并给出基于真实经历的替代表述。

写完后，不要马上追求更长。先检查四件事有没有说清楚：角色、步骤、事实规则、输出格式。

OpenAI 在 Agent 实践指南中把 Agent 的基础概括为模型、工具和指令，并强调指令要覆盖行动与边缘情况；对高风险或不可逆操作应保留人工介入。《A practical guide to building AI agents》 在我们的案例中，模型负责理解和改写，知识库与工作流是工具，这份岗位说明书就是指令，而投递前的人为确认就是必要的人工关口。

这一步的最低完成线： 提示词中同时写清“先做什么、后做什么、缺资料怎么办、最终怎样输出”。

你真正练习的能力： 把脑中的隐性判断，写成另一个执行者可以遵循的明确规则。

第四步：你不需要会写代码，只需要把工作步骤连成一条线

如果只靠一大段提示词，Agent 有时会先写简历再找证据，有时会忘记风险检查。工作流的价值，是把最重要的顺序固定下来。

你可以把工作流想成接力赛：上一个节点跑完，把结果当成接力棒交给下一个节点。每个节点只负责一件事，所以出错时也更容易找到问题。

图：依据 ReAct“推理与行动交错”的思想重新绘制，本文将其简化为判断、调用工具、查看结果和更新下一步。

这条工作流只做三件事

开始

↓

根据 JD 和真实证据生成定制简历

↓

对照证据进行真实性复核

↓

输出最终结果

为什么不把“自动找岗位、分析公司、写求职信”也连进来？因为这一版的目标只是稳定地改一份简历。等它通过测试，再增加新流程。

在 Coze 中创建工作流

进入：

个人空间 → 资源库 → 资源 → 工作流。

新建工作流，名称填写“岗位定制简历”，描述填写：

当用户提供完整 JD，且 Agent 已从个人知识库中找到相关真实经历后，调用此工作流生成并复核定制简历。

一个新工作流通常会自带“开始”和“结束”节点。接下来添加两个大模型节点，并按顺序连接。

节点一：开始

添加两个字符串输入参数：

• jd_text：用户提供的原始 JD；
• profile_evidence：Agent 从知识库检索并整理出的个人真实证据。

参数名就像快递盒上的标签。名称越清楚，后面的节点越不容易拿错内容。

节点二：定制简历

添加一个大模型节点，命名为“定制简历”。在输入设置中引用开始节点的 jd_text 和 profile_evidence，提示词填写：

你将收到一份岗位 JD 和一组候选人真实证据。

原始 JD：

{{jd_text}}

候选人真实证据：

{{profile_evidence}}

请完成以下任务：

1. 拆解岗位的核心目标、职责、硬性条件、加分项和关键词。

2. 建立“岗位要求—个人证据—匹配程度”表。

3. 只使用个人证据中的事实，生成针对该岗位的简历正文。

4. 记录删除、前置、改写和保留的重点内容，并解释原因。

5. 列出没有证据支持的岗位要求。

禁止新增任何没有出现在个人证据中的职位、项目、技能、动作和数据。

输出：完整的候选定制结果。

不同版本界面插入变量的方式可能略有差异。不要手打大括号后就认为已经绑定成功，应通过输入框旁的变量选择器，选择“开始节点”的对应输出。它的本质是让节点拿到上一步的真实内容。

把该节点的输出命名为 draft_result。

节点三：真实性复核

再添加一个大模型节点，命名为“真实性复核”。输入引用：

• 开始节点的 profile_evidence；
• “定制简历”节点的 draft_result。

提示词填写：

你是简历事实审核员。

个人真实证据：

{{profile_evidence}}

待审核结果：

{{draft_result}}

请逐项检查：

1. 是否出现个人证据中不存在的公司、职位、时间、技能、项目或数字；

2. 是否把参与升级为负责，把负责升级为主导；

3. 是否把接触、了解升级为熟练或精通；

4. 是否把岗位要求误写成候选人已经具备的能力；

5. 是否遗漏“修改记录”和“风险及待确认事项”。

发现问题时，直接改回证据允许的最低事实强度，并在风险部分说明。

最终严格输出：

一、JD 拆解

二、岗位要求—个人证据匹配表

三、定制简历

四、修改记录与理由

五、风险及待确认事项

输出命名为 final_result。

这一步很像交稿前的编辑复核。它不能保证模型永远不犯错，但能把“先生成、再对照证据检查”变成固定动作。这属于 Agent 常见的 reflection（反思/复核）模式。

节点四：结束

将“结束”节点的输出绑定为“真实性复核”的 final_result，然后点击“试运行”。填入一份演示 JD 和一组个人证据，看每个节点是否成功执行。

Coze 的官方说明中，试运行成功的节点会显示为绿色；你可以逐个查看输入和输出，判断究竟在哪一步丢失了信息。测试通过后发布工作流，再回到 Agent 编辑页，在“技能—工作流”区域添加“岗位定制简历”。详细界面变化可以对照 Coze 工作流官方指南。

最后，在“预览与调试”中进行第一次端到端测试。输入：

这是我准备投递的完整 JD。请先从“我的求职档案”中寻找证据，再调用“岗位定制简历”工作流。不要补充知识库中没有的事实。

随后粘贴演示 JD。调试记录中应该先出现知识库检索，再出现工作流调用；最终结果应包含约定的五个部分。如果它没有调用工作流，先检查工作流是否已发布并添加到 Agent，再检查提示词中的工作流名称是否完全一致。

ReAct 论文把推理与行动交错起来：推理用于形成和更新计划、处理例外，行动用于访问外部信息或环境。《ReAct: Synergizing Reasoning and Acting in Language Models》 放在这个案例里，就是“理解 JD—查找证据—调用流程生成—复核结果”，而不是让模型凭一次自由发挥完成全部工作。

这一步的最低完成线： 输入 JD 和真实证据后，工作流能依次经过生成、复核两个节点，并在结束节点返回结果。

你真正练习的能力： 把复杂任务拆成几个单一职责步骤，并明确每一步接收什么、交付什么。

第五步：你不需要预测所有错误，只需要先写清楚不能越过的线

很多人只告诉 Agent“要做什么”，却没有告诉它“不能做什么”。可求职场景最危险的失败，不是文案不够漂亮，而是它为了迎合 JD，把你写成了另一个人。

我们可以用红绿灯来划边界。

把下面内容同时加入 Agent 的“人设与回复逻辑”，也可以放入知识库的边界文件：

# 禁止事项

1. 禁止虚构公司、职位、项目、职责、技能、时间和数据。

2. 禁止把岗位 JD 中的要求直接复制为我的能力。

3. 禁止改变“参与—负责—主导”的事实等级。

4. 禁止在没有原始统计的情况下生成提升率、转化率或节省时长。

5. 禁止删除会改变事实含义的限制条件。

6. 禁止用“熟悉、熟练、精通”等词掩盖证据不足。

7. 禁止在发现资料冲突时自行选择一个版本。

8. 禁止直接替我投递或声称内容已经得到本人确认。

再给它一句遇到边界时的标准处理方式：

如果不能确定，就保留原事实，标记“待本人确认”，并提出一个具体问题。不要自行补全。

这句话非常关键。一个成熟的 Agent，不是任何时候都能给出答案，而是知道何时应该停下来找人确认。

OpenAI 的 Agent 实践指南建议根据风险程度设置人工介入，尤其是在高风险或不可逆操作之前。简历一旦被投递，就会成为候选人对外作出的事实陈述。因此，我们让 Agent 可以起草，但不能替本人做最终确认和投递。

这一步的最低完成线： 至少写出五条“绝对不能做”，并规定信息不足时必须提问或标记。

你真正练习的能力： 不是让 AI 无所不能，而是设计它的权限、停止条件和人工接管点。

第六步：你不需要懂复杂评测，只需要拿不同 JD 故意为难它

到这里，Agent 已经能运行，但“成功生成一次”不等于“可以使用”。

模型输出有一定随机性。同一份输入重复运行，措辞和判断可能不同；换一种 JD，知识库检索也可能发生变化。因此，测试不能只用制作过程中那一份样例。

Anthropic 在 2026 年发布的 Agent 评测文章中指出，Agent 的评测比普通模型更复杂，因为它涉及多轮交互、工具调用和状态变化；应明确任务、每次试验和评分方式，并进行多次试验。《Demystifying evals for AI agents》

我们不用一上来搭评测系统。对个人第一版 Agent，准备 5 类测试，每类运行 3 次，就能发现很多问题。

五类必须测试的 JD

给结果打一个简单分数

每次运行后，按下面五项评分，每项 0—2 分：

• 事实准确：0 分有编造；1 分有模糊升级；2 分全部可追溯。
• 岗位相关：0 分几乎没调整；1 分只替换关键词；2 分重排了证据重点。
• 缺口识别：0 分隐藏缺口；1 分部分提示；2 分逐项说明。
• 输出完整：0 分缺两项以上；1 分缺一项；2 分五部分齐全。
• 可直接审核：0 分无法判断依据；1 分仍需大量比对；2 分修改和风险清楚。

满分 10 分。建议给自己设一条朴素的上线线：

• 任何一次出现编造，不能用于投递；
• 三次运行都达到 8 分以上，才进入真实简历试用；
• 即使达到上线线，每次投递前仍由本人确认。

测试发现问题后，改哪里

不要一看到失败，就把提示词再加两千字。先判断它属于哪一层：

例如，小林测试时如果发现 Agent 把“参与知识库问答项目”改成“主导 RAG 产品建设”，正确修法不是反复说“请真实一点”，而是同时做三件具体的事：

1. 在项目证据卡中补上“角色：项目参与者”；
2. 在禁止事项中写明“不得把参与升级为负责或主导”；
3. 在复核节点中增加“检查动作责任等级”。

这样修复的是失败原因，不是碰运气换一句提示词。

在 Coze 的“预览与调试”区域，你还可以查看知识库是否被调用、召回了哪些内容，以及工作流各节点的输入输出。把失败样例保存下来，下次修改后重新运行。它们就是你这个 Agent 最早的一套回归测试。

这一步的最低完成线： 用 5 种不同情况测试，记录失败原因，并至少修复一个可重复出现的问题。

你真正练习的能力： 把“我感觉它还不错”，变成有样例、有标准、能重复验证的质量判断。

做完这六步，我们到底做出了什么？

现在回头看，一个完整 Agent 的组成并不神秘：

模型只是其中一个部件。真正决定它能不能落地的，是你有没有把这六件事连成闭环。

这也解释了为什么产品经理很适合做 Agent。你不一定比工程师更懂模型结构，但你习惯追问：用户到底想完成什么，系统需要哪些信息，过程如何拆分，失败会发生在哪里，什么时候应该交给人，以及怎样判断结果真的可用。

吴恩达在 Agentic AI 课程中把常见模式归纳为 reflection、tool use、planning 和 multi-agent collaboration 等。DeepLearning.AI《Agentic AI》 我们的第一版已经用到了其中三个：用知识库和工作流完成工具调用，用节点安排计划，用复核节点进行 reflection。至于多 Agent，不是不能做，而是目前没有必要。

小白最容易掉进的四个坑

1. 一开始就想做“全能求职 Agent”

既找岗位、又改简历、又写求职信、又模拟面试，最后任何一个环节出错都不知道为什么。先让一个输入产生一个可靠输出，再扩展。

2. 把提示词写得很长，却没有真实资料

再严厉的“禁止编造”也不能凭空补出你的项目事实。缺资料先补知识库，不要用规则掩盖数据缺口。

3. 只展示最好的一次结果

Agent 不是海报。真正的产品要在不同输入、重复运行和异常情况下都能工作。失败案例比漂亮案例更能帮助你改进系统。

4. 把“生成成功”误认为“可以自动执行”

生成一份简历是可逆的，投递则是对外行动。风险越高，越需要本人确认。自动化程度不是越高越专业。

如果你现在就想开始，不必一次做完全文

先打开一个空白文档，只完成第一张任务卡。

写下这句话：

当我提供一份完整 JD 时，它要从我的真实经历中寻找证据，生成一份定制简历，并把无法证明的内容标出来。

如果这句话符合你的目标，就继续整理第一张项目证据卡。等 Agent 能准确复述这个项目以后，再创建提示词和工作流。

你不需要在第一晚做完六步。每一步达到文中的“最低完成线”再进入下一步，就已经是在用产品方法做 Agent，而不是在平台里盲目试按钮。

最后：做 Agent，只需要掌握一种核心能力

做完以后，你可能仍然不会写代码，不知道 Transformer 的每一层，也说不清所有 Agent 框架的区别。

但你已经做出了一个属于自己的 Agent。

因为制作 Agent 的核心，不是背会多少技术名词，而是掌握一种能力：

把一个真实需求，设计成 AI 可以执行、可以约束、可以检查、可以持续改进的任务闭环。

你可以用一个简单公式记住它：

可用 Agent = 明确任务 + 真实上下文 + 清楚指令 + 稳定流程 + 安全边界 + 持续测试

以后你想做会议纪要 Agent、学习规划 Agent、竞品分析 Agent 或客户回访 Agent，底层方法仍然一样：

先写任务卡，再准备资料；先规定怎样做，再规定不能怎样做；最后拿真实情况测试它。

零代码不等于零设计。

恰恰相反，当代码不再是第一道门槛，真正拉开差距的，是你能否理解用户的日常困境，把模糊期待变成清楚任务，再让 AI 在可靠的边界内把事情做完。

这就是普通人做 Agent 最值得掌握的方法，也是 AI 产品经理真正需要建立的能力。

参考资料

• Anthropic：Building Effective AI Agents
• OpenAI：A practical guide to building AI agents
• Yao 等：ReAct： Synergizing Reasoning and Acting in Language Models
• Lewis 等：Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks
• Liu 等：Lost in the Middle： How Language Models Use Long Contexts
• Anthropic：Demystifying evals for AI agents
• AI：Agentic AI
• Coze：工作流操作指南
• Coze：知识库介绍