仔细思考一下，我们创建的GPTs就是我们的产品，那麽产品的核心竞争力和护城河在哪？是Prompt吗？绝对不是 模型能力、基础工具都是平台提供的，Prompt这东西，没有任何难度，想防也很难防的住，大家迟早能追平，甚至到后面，Prompt也会被简单化或者被弱化。我个人认为，GPTs的核心竞争力和护城河，还是在于数据和服务上（定制化Tools）。
现在4个月过去了，字节的Coze在众多智能体平台上脱颖而出，也侧面印证了我当时的观点。
Agent 是什么？
自从ChatGPT火了之后，Agent的概念也跟着重新火了起来。在很多魔幻自媒体的添油加醋下，不断神话Agent这个概念。
实际上Agent不过只是在普通的镜像站产品上，多加了个tools调用罢了。我举个例子可能大家立马就会明白了。
假如我的GPT，我不给它工具，它就是个没有翅膀的天使，甚至还被困在虚空之中。
messages = [{"role": "system", "content": "你是个非常牛逼的Agent，你爸爸叫Elliot"},{"role": "user", "content": "儿子，帮爸爸查查牛栏山今天的天气"}]
下面我给他个工具：
messages = [{"role": "system", "content": "你是个非常牛逼的Agent，你爸爸叫Elliot"},{"role": "user", "content": "儿子，帮爸爸查查牛栏山今天的天气"}]//这里开始下面就是Toolstools = [{"type": "function","function": { "name": "GooGleSearch", "description": "谷歌牌搜索引擎，探索真实世界的开始","parameters": {"type": "object","properties": {"query": {"type": "string","description": "你想知道的问题", },},"required": ["query"],},},}]
然后我再多给了几个工具：
傻儿子就变成了聪明儿子。
不要过于神话 Agent
其实只要看过官方文档的应该都能知道，大模型请求中，最大的两个变量：Messages 和 Tools。
Messages 里面放的是 sys prompt，memory，user query；
Tools 里面放的是一些能力的Json Scheme；
而这两者组合在一起，就形成整个完全的Prompt。
所以 Agent 应用开发的本质是什么？
动态Prompt拼接。
通过工程化的手段，不断把业务需求转述成新的prompt。
短期记忆：messages里的历史QA 对；
长期记忆：summary之后的本文，再塞回system prompt；
RAG是啥？
向量相似性检索，然后放在system prompt里
或者通过tools触发检索
Action：触发tool_calls标记，进入请求循环，拿模型生成的请求参数进行API request，再把结果返回给大模型进行交互；
没有tool_calls标记了，循环结束。对应页面上就是对话一轮对话结束。
Multi Agents 是啥？
把system prompt和tools换一换，A就变成B了。
还有啥？没了呀，本质就是这些东西。
当然，这也就是最基本的原理，想做深，做好，肯定还有很多坑需要踩。
如何让Agent可用？
为啥仍旧没有KillerApp出现？也没见啥Agent产品落地。
一个是因为Agent不靠谱，二是Agent开发者不靠谱。
很多人迷信GPT-5，反正我个人觉得Sam就是个大忽悠。
上面那些东西，还能咋变？物理攻击变成魔法攻击？
上面给了这麽多例子，来证明Agent能力的上限，很多部分受Tools能力影响，就是说，旧时代的业务能力。
比如，携程订机票，我得有个携程的API接入能力吧？没有API，上哪去订，自己造个携程不成？
除此之外，就是让模型去更准确地选择Tools以及更完美地生成api args！
再然后呢？
workflow，把一些非通识的业务知识，设计好，让Agent来直接用。这是当前时间切片下最接近“人工”智能的方式，且最高性价比。
毕竟，很多专业的业务know how，你都不一定知道，不要期待模型会知道。
慢慢来吧~加油！
