7.3
深览指数
产品人人都是产品经理·卡尔的AI沃茨··AI 生成
开源「红绿灯」提示语，解决Agent刹不住车浪费token额度的老毛病
本文提出一个不到三百字的进度提示语方案，解决AI Agent对话中“刹不住车”、无限延伸任务、浪费Token额度的问题。核心机制是在每轮Agent回复末尾，用绿灯（任务继续、搁置项）、黄灯（需求完成、可做后续计划）、红灯（需求完成、零散事项仅存档）三色状态标识，帮使用者明确“任务已完成”的边界。作者分享了从两态（绿/红）踩坑到加入黄灯的迭代过程，强调这一机制让用户把判断权从模型手中拿回，适用于代码、整理、运维等多种场景。原文 ↗
核心观点
- ▍Agent 不会主动说“做完了”，会在每轮回复中抛出新的优化清单，导致用户被动地无限延伸任务，浪费时间和Token。
- ▍解决方法是手搓一个不到三百字的“红绿灯”进度提示语，在每轮回复最后一行用🟢/🟡/🔴三色状态标识，让用户一眼判断任务是否完成、下一步该怎么做。
- 01作者最初使用两态版本（绿灯/红灯），发现红灯下会列出一堆“超出范围”的待办事项，但经检查后发现模型并未实际执行，仍需用户自己重新分辨，无效劳动。
- 02加入黄灯后，当原始需求完成、剩余建议能构成可执行计划时，模型会直接整合去重生成一份计划（如37行的后续计划），用户只需判断是否启动，效率显著提升。
- 03该提示语经过一次迭代优化，区分了黄灯与红灯的判定标准：超出项能否串成有清晰目标的 Plan → 能则黄灯、不能则红灯存档。
- 04作者在实际场景中的测试显示，该机制不仅适用于写代码，还适用于整理历史会话、运维配置等任务，且子代理返回的信息变得干净可读。
- 05使用该提示语后，作者感受到心理上的变化：每个任务有了“完成的时刻”，不再像“一条河”一样没有尽头。
反方 / 局限
- — 该方案要求每次对话都注入该提示语，且依赖用户主动追加需求来更新目标清单，若用户忘记更新或误判状态，仍可能出现模型跑偏的情况。
- — 对于复杂、开放式或目标本身会频繁变化的任务（如科研探索），红绿灯的“原始需求锚定”机制可能不够灵活。
9 分钟 · 3 卡片 · 7 资料
读原文 →