来源
- 原始链接：https://www.youtube.com/watch?v=DqtmZE6Hl0g
- 来源类型：视频逐字稿
- 来源标题：Prompt 就是平台
Prompt 就是平台高亮
文本来源是 AI Engineer 频道视频《Prompt 就是平台》的中文可读转写稿。下面按汉松兴趣画像优先保留机制解释、反常识判断和可复用 workflow，而不是做普通摘要。
一、评估、反馈与故障闭环
背景
这组高亮抓住《Prompt 就是平台》里最值得保留的反馈闭环：Agent 系统的可靠性主要来自可观测、可复现、可评分的外部结构，而不是一次性把 prompt 写得更漂亮。
因此，当 agent 写出了错误算法时，我们可以复现让它失败的精确 execution，agent 也可以基于这条 trace 修复算法。
如果 read 是 stale，trace 会说这是 stale，并告诉你拿到了什么，以及最新 value 是什么。这些信息对算法来说是 forbidden 的，但对 agent 来说极其有用。
我们不再问 agent 能不能构建生产系统，而是问：agent 需要什么，才能先设计系统，再构建系统？
兴趣匹配度很高。它对应汉松持续关注的 Agent 工程化主线：把非确定性系统放进可反馈、可回归、可复盘的闭环里，真正的壁垒在 harness、eval、trace 和人类分诊。
二、上下文、记忆与检索边界
背景
这里讨论的是 Agent 能否拿到正确材料的问题。对汉松有价值的点在于，它把上下文从背景信息变成系统的运行材料：可索引、可缓存、可审计，也可被重新组织。
一旦这些决策被写下来，agent 确实能够实现生产系统。这条路可行，但它也暴露了局限：agent 帮助我们构建了系统，却没有帮助我们设计系统。
我们只需要向 agent 提出请求。到这个时候，prompt 就是平台。
agent 需要哪些工具，才能把这件事做好，而不是直接摔倒？agent 依赖反馈，尤其是即时且明确的反馈。
兴趣匹配度很高。这是上下文工程的核心问题：不是给模型更多字，而是让模型在正确边界内获得正确材料，并让材料本身可维护、可验证、可复用。
三、工具、系统与工程约束
背景
这组摘录偏工程实现。它关心的不是模型能力的抽象上限，而是工具、接口、基础设施和生产约束如何决定 Agent 最终能不能稳定工作。
我们不再要求 agent 直接从 abstract spec 跳到 concrete implementation，而是在中间插入一个 artifact：concrete specification。这个 concrete specification 是和 agent 交互推导出来的，但 human 仍然是主要驱动者。
接下来，我们会用运行在 NATS.io 上的 Resonate 来探索我们的 agentic engineering 实践：我们如何从 specification 走向 implementation？
所以我们给 agent 提供了一个 deterministic simulation environment，并给了它一个不同的任务：不要构建生产系统，构建一个 simulated implementation。simulated implementation 不是产品，它是 executable design。
兴趣匹配度高。这里能迁移到实际团队建设：工具选择、数据流、权限、成本、延迟和部署形态，往往比单点模型参数更能决定系统上限。
四、人类判断、组织与协作方式
背景
这部分把人放回系统设计里。Agent 越强，越需要人类承担领域判断、目标选择、风险边界和协作组织，而不是把全部责任交给模型。
从单一的 abstract specification 出发，agent 通过 simulation 设计并构建平台，路线是 concrete specification，再到 concrete implementation。
agent 不只是学到系统错了，还学到系统为什么错。用这种方法，agent 得以弥合这道鸿沟。
这些不是 Resonate 的概念，而是目标平台的概念。因此，设计问题变成了：我们如何只使用这些 primitive 来表达 Resonate protocol？
兴趣匹配度高。它符合汉松的人机共生框架：AI 承担生成和探索，人类承担判断、责任、品味和组织设计，把人的稀缺性放在更高杠杆的位置。
五、Prompt、规格与行为设计
背景
这里的重点是行为设计。Prompt 不是一句魔法咒语，而是一套分层约束、规格、角色、语气和上下文组合出来的系统界面。
但对我们想做的事情来说，这还不够，因为我们并不是要从一份 specification 生成一个 implementation。
但今天我想转向 specification 本身，更重要的是，agent 如何参与系统的 specification，而不仅仅是构建或验证系统。
于是流程变成：abstract specification、simulation implementation、concrete specification，然后是 concrete implementation。这就是 agent 向上游移动的时刻。
兴趣匹配度很高。它把 prompt 从技巧提升为系统设计问题，适合沉淀到汉松的 AI 协作和 agent workflow 方法论里。
整体判断
这篇内容最值得保留的是它把《Prompt 就是平台》从一次视频分享转成了可迁移的系统判断。核心素材集中在评估、反馈与故障闭环、上下文、记忆与检索边界、工具、系统与工程约束。对汉松后续写作和团队实践来说，它可以作为 AI Agent 工程化素材库的一块：不是追逐单个工具功能，而是持续追问系统如何获得上下文、如何被评估、如何进入生产闭环，以及人类判断应该放在哪些关键节点。