阿里开源的多智能体开发框架——这是 AgentScope 最主要的用途，也是本文讨论的前提。

下面用几组示意对比，说明同一任务里提示写法和流程不同会带来什么差别。

对比一：模糊指令 vs 明确指令

改之前：直接说「帮我发票与单据提取」。结果往往泛泛而谈、格式随意。

改之后：写清材料、格式和验收标准：

从这些单据中提取开票日期、金额、销售方名称和税号，输出为表格；任何字段识别置信度低时留空并标红，不要猜测。

变化（示意）：输出结构稳定，可以直接按「低置信度字段留空」检查。

对比二：一次做完 vs 分步完成

改之前：把「定时提醒与汇总」的全部要求一次塞进去。改之后：先让它给出计划或大纲，确认后再逐步完成。变化（示意）：中途发现偏差可以及时纠正，返工更少。

每天下午 6 点汇总今日新增和逾期任务，按负责人分组发送提醒，周五额外输出一周完成情况。

对比三：不检查 vs 带检查点

改之前：拿到结果直接用。改之后：每次都对照「矛盾信息被并列呈现」检查，并让工具列出它不确定的地方。变化（示意）：问题在交付前被发现。

以上对比均为示意，用来说明方法差异，不代表具体的效率数字。

延伸练习

竞品信息周报

输入：5 个竞品的公开网站或博客。

每周一自动抓取这些竞品页面的更新，让 AI 对比上周内容，输出「新增功能 / 价格页面变化 / 新发布文章」三段摘要，并附原始链接。

检查点：每条变化都附链接。

线索整理流程

准备材料：每天从表单收到的客户咨询。

搭建一个流程：新表单提交后，AI 判断咨询类型（报价 / 售后 / 合作 / 其他），提取联系人和需求摘要写入表格，报价类自动通知销售群。分类不确定时标记为「待人工」。

交付前确认：不确定的情况进入人工。

知识库问答机器人

输入：一批产品文档和 FAQ。

用这些文档搭建问答机器人：回答只基于文档，找不到答案时回复「这个问题我需要转给同事」，并记录未解决问题供每周补充文档。

检查点：答不出时不编造。

常见问题：误发消息给客户

对外发送前加人工审批节点，测试环境与正式环境分开。

常见问题：智能体陷入循环

设置最大步数和超时，关键步骤改为固定工作流。

常见问题：输出格式不稳定

要求结构化输出并做格式校验，不合格时重试。

概念补充：人工审批节点

在关键动作前暂停等待人确认，防止误操作。

概念补充：触发器

启动流程的事件，如新邮件、定时、表单提交。

适合人群：数据分析师

数据分析师可以用 AgentScope 处理取数与 SQL、清洗与可视化等工作。需要注意：确认指标口径，敏感数据脱敏后再交给 AI 处理。

适合人群：软件工程师

软件工程师可以用 AgentScope 处理代码阅读与重构、测试与排错等工作。需要注意：不要把密钥和未开源代码上传到未授权工具，合并前审阅每处改动。

使用提醒

文中提示词和示例仅作示意，实际效果取决于你的材料和 AgentScope 当前版本，重要内容请人工核对后再使用。

涉及个人信息、商业机密或受监管数据时，先确认 AgentScope 的数据处理条款，再决定能否使用。

延伸阅读