傅盛养龙虾爆火：不写提示词训练AI Agent军团自主协作
傅盛卧床14天“养龙虾”爆火：AI圈新范式——不写提示词、不调API，而是训练会自主协作的Agent龙虾军团
问题：为什么你精心写的提示词，AI还是答非所问？
你有没有遇到过这种情况：想用AI写一份详细的市场分析报告，结果它给你的内容要么太泛泛，要么逻辑混乱。你不断修改提示词，加限定、给例子，来回折腾好几轮，效果依然不理想。更头疼的是，当你想让AI完成一个复杂任务，比如“分析特斯拉最新财报，并预测其未来六个月股价趋势，同时生成一份给投资经理的简报”，单靠一个对话模型根本搞不定。它要么遗漏步骤，要么前后矛盾。
问题出在哪？传统AI工具就像一个“超级实习生”，你让它做什么，它就做什么，但它不会自己规划、分解任务，更不会主动调用其他工具或同事（其他AI）来协作。你给它的指令（提示词）稍有模糊，它就可能“跑偏”。而复杂任务往往需要多步骤、多视角的协同工作，这超出了单一对话模型的能力边界。
方案：从“使用工具”到“培育智能体”——养一群会自主协作的“龙虾”
猎豹移动CEO傅盛用14天卧床时间，从零构建了一个由8个AI Agent（智能体）组成的团队，他称之为“养龙虾”。这里的“龙虾”不是指真的甲壳类动物，而是比喻那些被精心训练、能自主执行特定任务的AI智能体。它们就像一个特种部队，每个成员都有专长（比如一个擅长搜索信息，一个擅长数据分析，一个擅长报告撰写），并且能根据总目标自动分工、传递信息、协同作战。
核心优势在于：你不再是“指挥每一个动作”，而是“设定目标并培育团队能力”。傅盛没有为每个任务写冗长的提示词，而是通过设计Agent的“人设”、工具权限和协作规则，让它们自己学会如何配合。这解决了传统AI工具的两大痛点：
- 任务分解与规划：复杂任务被自动拆解成子任务，分配给合适的Agent。
- 持续记忆与上下文保持：每个Agent能记住自己的工作进展和从其他Agent那里获得的信息，避免“失忆”和重复劳动。
步骤：如何借鉴傅盛思路，开始“养”你的第一只龙虾？
你不需要卧床14天，也不用是编程大神。以下是面向入门者的关键实践思路，你可以用现有工具（如Dify、Coze或AutoGen框架）快速尝试。
第一步：定义你的“龙虾”角色（Agent Persona）
不要一开始就想着造一个全能AI。先从一个具体的小任务出发，定义一个Agent。
- 做什么：创建一个“信息搜集龙虾”，它的唯一任务是根据关键词，从指定网站（如arXiv、新闻站）抓取最新论文或新闻摘要。
为什么：专精化的Agent更容易训练和调试，也更容易看到效果，建立信心。
# 示例：在Dify中创建一个“论文搜集龙虾”的简单配置（概念描述） agent_name: "ResearchCollector" role: "你是一个专业的学术论文搜集助手。你的任务是根据用户提供的关键词，在arXiv上搜索最近一周的高相关性论文，并提取标题、作者、摘要和链接。" tools: ["arXiv_search_api"] # 假设你配置了一个搜索工具 output_format: "结构化列表"解释：这里通过清晰的
role定义了它的“人设”和专长，通过tools赋予了它行动能力（就像给员工配了电脑和数据库权限）。output_format确保了它输出结果的规范性，方便下游Agent使用。
第二步：设计协作流程（让两只龙虾对话）
当一只龙虾能稳定工作后，引入第二只，设计它们如何传递工作成果。
- 做什么：创建一个“摘要撰写龙虾”，它接收“信息搜集龙虾”传来的论文列表，为每篇论文生成一段通俗易懂的摘要。
为什么：这模拟了真实工作流中的“流水线”作业。第一个Agent完成信息输入，第二个Agent进行加工处理。通过连接它们，你构建了一个微型的“生产系统”。
# 伪代码示例：在AutoGen框架中定义两个Agent的简单对话流程 from autogen import AssistantAgent, UserProxyAgent # 定义“搜集龙虾” collector = AssistantAgent( name="ResearchCollector", system_message="你只返回arXiv搜索结果的结构化列表。" ) # 定义“摘要龙虾” summarizer = AssistantAgent( name="PaperSummarizer", system_message="你接收论文列表，为每篇生成一段200字以内的中文通俗摘要。" ) # 定义用户代理（指挥官） user = UserProxyAgent(name="User", code_execution_config=False) # 发起群聊：用户提出需求 -> 搜集龙虾工作 -> 结果自动传递给摘要龙虾 user.initiate_chat( collector,  message="搜索关键词：'多智能体协作'", summary_method="last_msg" # 将最后一条消息作为任务成果 ) # 在框架中，可以设置collector完成后，自动将结果转发给summarizer进行下一步处理。解释：这段代码展示了如何定义两个不同职责的Agent，并设想让它们在一个“群聊”中依次工作。
system_message是它们的“职业准则”，决定了它们的行为模式。实际配置时，你需要在Dify/Coze的工作流画布上用箭头连接两个节点，或在代码中设置消息路由规则。
第三步：加入规划与决策龙虾（团队大脑）
这是进阶步骤，也是傅盛团队能处理复杂任务的关键。
- 做什么：创建一个“项目经理龙虾”，它接收用户的高层目标（如“写一份关于AI Agent的行业简报”），然后由它来决定需要调用“搜集龙虾”和“摘要龙虾”，并可能还需要调用“报告格式化龙虾”。
为什么：这个“项目经理”Agent具备了任务规划和调度能力。它不再被动执行单一指令，而是主动分析目标、分解步骤、分配任务并监督结果。这就是“自主协作”的核心。
# 概念示例：一个简单的规划Agent逻辑 planner_system_message = """- 分析目标，将其分解为不超过3个子任务。
- 为每个子任务指定最合适的执行Agent（从已知列表中选择）。
以JSON格式输出任务分配计划。
已知Agent列表：[ResearchCollector, PaperSummarizer, ReportFormatter]
"""**解释**：这个“规划龙虾”通过其`system_message`被训练出了分解问题和调度资源的能力。它的输出（任务计划）将成为其他Agent执行的蓝图。在实际搭建中，你可能需要利用大模型本身的强大推理能力来实现这个规划步骤。
验证：怎么知道你的“龙虾军团”在有效工作？
搭建好雏形后，用一个具体场景测试：
- 测试案例：向你的系统输入：“帮我准备一个关于‘本地大模型部署’的5分钟分享要点，需要最新进展和实用工具推荐。”
期望流程：
- 规划龙虾 收到请求，分解任务：① 搜集最新本地部署方案（Ollama/vLLM更新）；② 总结关键工具对比；③ 提炼5分钟可讲的要点。
- 它调用 搜集龙虾 执行任务①。
- 它将搜集结果交给 摘要/分析龙虾 执行任务②和③。
- 最终输出一份结构清晰、内容最新的分享提纲。
- 成功标志：你只需提供初始目标，中间过程自动完成，且最终结果比你手动写一个复杂提示词给单个ChatGPT得到的输出更全面、更有条理、更省心。
常见问题
Q1：这和直接用ChatGPT Plus的GPTs有什么区别？
A：GPTs本质上仍是单一的、配置了特定提示词和知识的对话模型。它更像一个“被调教过的超级实习生”。而“养龙虾”模式是构建一个多智能体系统，其中可能包含多个GPTs或其他模型，它们之间有预设的通信和协作协议。区别在于“团队协作”与“单兵作战”。
Q2：我需要很强的编程能力吗？
A：入门阶段不需要。像Dify、Coze这样的平台提供了可视化的画布，让你可以通过拖拽节点、配置提示词和连接线来搭建多Agent工作流，几乎无需写代码。当你想深入定制复杂逻辑时，Python知识会很有帮助。
Q3：傅盛用了14天，我大概需要多久？
A：如果你目标明确，利用现有平台，一个周末就有可能搭建出一个能完成简单协作任务的双Agent系统（例如：一个搜索+一个总结）。关键在于从极简场景开始，快速验证。
趋势洞察与下一步
傅盛的“养龙虾”实验之所以在AI圈引发热议，是因为它生动地展示了一个清晰趋势：AI应用的范式正在从“如何使用一个工具（写好提示词）”转向“如何培育一个智能体团队（设计好协作规则）”。未来，核心技能不再是“提示词工程”，而是“智能体编排工程”——如何设计角色、定义工具、规划流程、让智能体们高效自治地工作。
给你的下一步建议：
- 立即动手：选择一个你熟悉的平台（推荐从Dify或Coze开始），花一小时创建你的第一个“信息搜集龙虾”，体验从定义到运行的全过程。
学习资源：
- 龙虾官网（yitb.com）的《Dify工作流搭建入门：从单节点到多Agent》
- 阅读微软AutoGen或CrewAI框架的官方文档，了解更代码化的多Agent协作模式。
- 关注傅盛后续的分享，看他如何迭代他的“龙虾军团”。
- 思考场景：盘点你的工作或学习中，有哪些重复性、多步骤的信息处理任务？试着用“养一只专业龙虾”的思路去自动化它。
记住，你不需要一次养出一个庞大的军团。从培育第一只有专长的“小龙虾”开始，你就在踏入AI应用的下一个前沿。