给孩子点点STAR吧，求求了：https://github.com/Liujingze11/thinking-is-all-you-need.git
0 前言
最近我在用LangGraph 搭建一个 Agent，目标是让它根据用户任务，自动生成机器人可执行的任务指令。
一开始我以为，这会是一个典型的 Prompt Engineering 问题。于是我不断调提示词：加规则、加限制、加示例、加反例、加格式要求。
结果很残酷：效果并没有明显提升。
更奇怪的是，我甚至让另一个 Agent 去辅助分析错误，让它解释为什么生成错了、应该怎么改，结果也没有从根本上提高准确率。它能解释问题，但下一次还是可能犯类似的错。最后真正有效的方式，反而是最原始的方式：和人类对话，反复辩论，指出问题，修改逻辑。
这让我开始意识到一个问题：
也许不是 Agent 不知道规则，而是它缺少一个正确的思考过程。
1 问题不在“提示词不够强”，而在“思考顺序不对”
机器人任务指令生成不是普通文本生成。它不像写一段文案，只要语义通顺就可以。它更像是在生成一张流程图，里面有节点、有分支、有条件判断、有跳转、有返回。
任何一个小错误都会导致整个任务不可执行。这些问题靠“请你严格遵守规则”是很难解决的。因为 Agent 在生成指令时，本质上是在边想边写。或者按照自己的思考逻辑进行推理。
它不是先完整规划一遍，再严谨输出。很多时候，它是在生成过程中临时决定下一个节点是什么。于是看起来每一步都合理，但连起来就可能出错。
这就像让一个人一边走迷宫一边画地图。走着走着，他可能忘了某个分支，也可能把两条路画到了一起。
2 灵感来自一次“Superpower 式”的头脑风暴
真正的转折点，发生在一个很普通的中午。我一边吃饭，一边还在想这个问题：为什么我已经给 Agent 加了这么多规则，它还是会在复杂任务里出错？
后来我突然想到，我平时和 Superpower 做头脑风暴时，效果之所以好，并不是因为它一上来就给我一个最终答案，而是它会先和我一起拆问题、找矛盾、推演可能性，再慢慢逼近一个更好的方案。
这给了我一个启发：
为什么不让 Agent 也像头脑风暴一样，先完成一轮结构化思考，再生成最终结果？
不是简单地告诉它“请仔细思考”。因为“仔细思考”本身太抽象了，模型并不知道到底该怎么仔细。真正有用的是给它一套明确的思考路径：先理解任务，再拆解结构，再推演分支，最后校验结果。
这其实很像人类做复杂决策的过程。我们在执行一个动作之前，看起来好像是直接行动，但大脑其实已经在潜意识里完成了很多判断：目标是什么、当前条件是否满足、可能会遇到什么风险、下一步应该怎么走、如果失败该如何处理。
很多时候，所谓“聪明”，并不是答案本身更强，而是思考路径更正确。于是我决定不再继续堆提示词，而是给 Agent 增加一套前置思考流程。
我想验证一件事：
如果模型自己不会稳定地产生正确的思考过程，那我能不能把这个过程显式设计出来？
3 我做的不是增加规则，而是给 Agent 设计一套思考流程
后来我意识到，单纯给模型加限制是没有意义的。因为限制只是在告诉它“不要犯错”，但没有告诉它“应该如何避免犯错”。
于是我换了一种方式：不再要求 Agent 直接生成最终结果，而是让它在输出之前，先经过一套固定的思考流程。
这套流程大概分成四步。
3.1 第一步，是先还原任务结构。
也就是说，Agent 不能一上来就写结果，而是要先理解任务本身：用户真正想完成什么？任务中有哪些关键对象？它们之间是什么顺序、关系和依赖？哪些信息是明确的，哪些信息需要推断，哪些地方存在风险？
这一步的目标不是生成答案，而是先把问题“看清楚”。
3.2 第二步，是把任务拆成可执行的中间计划。
复杂任务最怕模型直接跳到最终答案。因为一旦它在中间漏掉某个环节，最终输出看起来可能还很完整，但实际逻辑已经错了。
所以我要求 Agent 先生成一个中间规划，把任务拆成一个个可检查的步骤。每一步都要说明：为什么需要它，它依赖什么，它会导致什么结果。
这相当于让 Agent 先画出一张“草图”，而不是直接交付成品。
3.3 第三步，是沿着可能路径进行推演。
很多错误不是在单个步骤里出现的，而是在多个步骤串起来之后才暴露出来。
所以我让 Agent 不只是列计划，还要模拟执行这套计划：从起点开始，沿着不同可能性往下走，检查每一条路径是否合理，是否会断掉，是否会走向错误的结果。
这一步本质上是在让模型做“预演”。就像人类在行动前，会在脑子里先过一遍：如果这样会怎样？如果不行怎么办？下一步接哪里？
3.4 第四步，是用规则反向校验结果。
最后，Agent 不能直接相信自己的规划，而是要回过头来逐条检查：有没有遗漏？有没有重复？有没有冲突？有没有看似合理但实际上不成立的地方？
如果发现问题，就回到前面的规划里修正，而不是带着错误进入最终输出。
这一步非常重要。因为模型最大的问题之一，就是它经常会自信地输出一个错误答案。而校验流程的意义，就是让它在交付之前，先对自己的结果做一次结构化审查。
4 结果：准确率明显提升
这套方法加进去之后，效果立刻不一样了。不是因为我写了更多限制条件，而是因为我改变了 Agent 的工作方式。
以前它是：
看到任务 → 直接生成结果 → 出错后解释原因。
现在它变成了：
看到任务 → 提取路径 → 规划节点 → 追踪分支 → 对照规则 → 修正草稿 → 输出结果。
这中间最大的变化是：我不再把准确率完全交给模型的“即时生成能力”，而是把任务拆成了一套可验证的思考流程。Prompt 不再只是“命令模型做什么”，而是变成了“规定模型如何思考”。
这才是真正的提升点。
5 我开始怀疑：很多 Agent 失败，不是能力不够，而是没有思考流程
这件事让我有了一个更大的思考。
我们经常说大模型有推理能力，但在真实任务里，模型并不总是会自动选择正确的推理方式。
尤其是小模型，或者复杂约束任务，它可能根本不会自发形成稳定的内部思考流程。它知道规则，也知道目标，但它不知道应该按什么顺序去拆解问题。就像一个新人执行任务，你只告诉他“不要出错”，其实没什么用。真正有用的是给他一套工作方法：先检查目标，再列步骤，再验证路径，最后交付结果。
人也是一样：我们执行任何一个行动之前，潜意识里其实已经完成了大量预演。只是这些思考太快了，所以我们误以为自己是“直接行动”。而 很多Agent 没有这套潜意识，所以我们要把它显式写出来。
6 从 LangGraph 到 Claude Code：我想把这种思想推广出去
这次经验让我想到，代码生成是不是也一样？我们用 Claude Code、Cursor 或其他 AI 编程工具时，经常会遇到类似问题：
它能写代码，但容易改坏别的地方；
它能修 bug，但可能引入新的 bug；
它能理解需求，但实现路径不稳定。
也许问题不是它不会写代码，而是它缺少一套固定的工程思考流程。
比如在动手改代码前，是否应该先：
理解目标 ——> 定位相关文件 ——> 推断影响范围 ——> 设计修改方案 ——> 列出测试路径 ——> 再真正修改代码。
如果机器人任务指令生成可以通过“思考脚手架”提升准确率，那么 AI 编程也应该可以。
于是我和 Claude Code 一起写了一个项目：https://github.com/Liujingze11/thinking-is-all-you-need.githttps://github.com/Liujingze11/thinking-is-all-you-need.git
它的核心思想很简单：
不要只优化模型输出，而要优化模型思考。
7 Prompt Engineering 的下一步，可能不是更长的 Prompt
过去我们调 Prompt，总是在想怎么让模型“听话”。
但我现在越来越觉得，真正重要的不是让模型记住更多规则，而是让它拥有更好的工作流。
规则是静态的。思考流程是动态的。
规则告诉模型什么不能做。流程告诉模型应该怎么做。
这两者完全不同。
对于复杂任务来说，只靠规则堆叠，很容易让 Prompt 变得越来越长，模型却越来越混乱。因为规则之间可能冲突，优先级不清晰，验证方式也不明确。
但如果给模型一套清晰的思考流程，它就能先拆解，再规划，再验证，最后输出。这才更接近人类解决问题的方式。
8 结语：Thinking is All You Need
这次用 LangGraph 做机器人任务指令生成，让我重新理解了 Agent。
Agent 不是一个“更会写答案的模型”。Agent 应该是一个“有工作方法的模型”。
如果没有正确的思考流程，再强的模型也可能在复杂任务里犯低级错误。如果有了正确的思考流程，即使模型本身没有变，结果也可能大幅提升。
所以我越来越相信：未来优化 Agent 的关键，不只是模型能力，不只是工具调用，也不只是 Prompt 技巧。
真正重要的是：
给 Agent 设计一套可执行、可验证、可迭代的思考过程。
这也是我做thinking-is-all-you-need的原因。
因为很多时候，答案不是最重要的:如何思考，才是!
给孩子点点STAR吧，求求了
#https://github.com/Liujingze11/thinking-is-all-you-need.git
