導讀：ChatGPT 時代比的是誰的提示詞寫得好。Agent 時代比的是誰的系統搭得好。三次典範轉移之間，AI 從「聽你說話的工具」變成了「替你做事的同事」。
你上次花超過十分鐘打磨提示詞、結果還是差那麼一口氣——是多久前的事？
如果這個場景還有印象，你正在用舊世界的方式，玩一場規則已經換了的遊戲。三次典範轉移，每次都把競爭優勢從「提示詞本身」往外推一層。
第一幕：提示詞時代——一切靠嘴
最早的用法直覺：寫一段指令，AI 回一段結果。結果不滿意？改提示詞。加角色設定、加語氣要求、加範例，一條提示詞越寫越長。
核心能力是「提示工程」——指令越精確輸出越好。但天花板很明顯：所有東西擠在一次對話裡，每次都要從頭來過。
第二幕：推理模型時代——AI 學會「想」
推理模型改變了遊戲規則。你不需要設計每一步，只要告訴它要什麼結果。
翻譯場景最能說明差異。以前的指令：「先逐句直譯，再改成自然的中文。」推理模型時代變成一個詞：「重寫」。不是翻譯，是用目標語言重寫內容——模型自己分析意圖、處理隱喻、重組句式。一個詞的差異，品質提升非常明顯。
換個角度：你平常要朋友幫忙，會不會一步一步告訴他「先做這個、再做那個」？通常不會。你說目標，對方自己規劃路徑。推理模型是第一次讓 AI 真正「聽懂目標」的工具。
但推理模型本質上仍是「一次性對話」。碰到萬字長文或多步驟任務，這個模式就不夠用了。
第三幕：Agent 時代——AI 變成同事
Agent 的本質變化：AI 從「回答問題」進化成「完成任務」。它能讀取你的檔案、執行程式碼、拆解任務、啟動多個子代理並行工作——你只需要說「完成這件事」。
一個翻譯 Agent 的工作流：先分析原文術語與文化隱喻，存成報告。按結構自動分塊，多個子代理並行翻譯，完畢後合併審校。每一步的產物都是檔案，某段翻得不好可以單獨重翻。
提示詞時代，上下文窗口就是全部工作空間。Agent 時代，檔案系統才是主記憶，上下文窗口只是工作台。
從「寫好一句話」到「搭好一套系統」
三個時代的使用者角色不同：出題者 → 目標設定者 → 架構師。
投資在「設置」上的時間，回報遠高於投資在「提示詞」上。搭好上下文架構、寫好規則檔案、封裝常用 Skill，之後打十個字就能得到可用結果。且這些投資是累積性的——每次 AI 犯錯寫進規則，下次不再犯；每次重複操作封裝成 Skill，下次一鍵觸發。
如果你發現自己在複製貼上之前的提示詞，那就該往下一個階段走了。 重複是訊號，告訴你這件事值得被系統化。你現在用的，是哪個時代的 AI？
常見問題
我現在還在用提示詞，需要立刻跳到 Agent 嗎？ 不需要。三個階段不是非此即彼，而是按任務複雜度選用：簡單問答用提示詞即可；高品質單次輸出試試推理模型的「重寫」思路；需要多步驟、多檔案、反覆執行的複雜任務再考慮 Agent 工作流。重複是最好的升級訊號。
為什麼說 Agent 時代「檔案系統才是主記憶」？ 提示詞時代所有工作都在上下文窗口內完成，窗口即全部。Agent 時代每個步驟的中間產物都存成檔案——分析報告、翻譯策略、初稿——上下文窗口只是短暫的工作台，真正的記憶與狀態保存在檔案系統裡。
References
- @dotey — AI 翻譯的三階段演進：提示詞 → 推理模型 → Agent
- @dotey — 多稿合併：從手動比稿到一鍵 Skill 的工作流固化方法論
- Nav Toor — Claude Cowork 17 條高階使用方法中「從提示工程到系統工程」的論述
- Claude Code 9 條最佳實踐——計劃模式、子代理、Skill 封裝
- Boris Cherny（Claude Code 創建者）的上下文管理與工作流設計觀點
常見問題
提示詞時代、推理模型時代、Agent 時代的核心差異是什麼？
提示詞時代靠精巧指令引導 AI 輸出，使用者是出題者；推理模型時代只需說明目標結果，讓 AI 自行規劃步驟，使用者是目標設定者；Agent 時代 AI 能讀取檔案、執行工具、啟動子代理，使用者從「出題者」轉型為「系統架構師」，核心能力從寫好一句話變成搭好一套系統。
為什麼說 Agent 時代「檔案系統才是主記憶」？
提示詞時代所有工作都擠在上下文窗口內，窗口就是全部的工作空間。Agent 時代 AI 能把每個步驟的中間產物存成檔案——分析報告、翻譯指令、初稿、審校意見——上下文窗口只是短暫的工作台，真正的記憶與任務狀態保存在檔案系統裡，某一步出問題可以單獨重做。
我現在還在用提示詞，需要立刻跳到 Agent 嗎？
完全不需要。三個階段不是非此即彼，而是按任務複雜度選用：簡單問答用提示詞即可；高品質單次輸出試試推理模型的「重寫」思路；需要多步驟、多檔案、反覆執行的複雜任務再考慮 Agent 工作流。唯一值得現在就開始的習慣：發現自己在複製貼上提示詞，就往下一個階段走。