AI工程化：从复杂架构到提示词驱动的实践转变

1. 从完美架构到提示词本质：AI工程化的认知转变

在AI辅助开发领域，我们团队经历了一次深刻的认知转变。最初，我们设计了一个看似完美的三层架构系统：Command层作为入口，Agent层负责决策，Skill层执行具体任务。这个架构包含了严格的九步工作流，从需求录入到需求关闭，每一步都有专门的Agent和Skill负责，甚至设计了标准的JSON协议用于Agent间通信。

然而，当我们尝试用这个架构解决实际问题时，发现了一个根本性矛盾：为了修改配置文件中的一行代码，需要花费15分钟走完整个流程。而直接在聊天框中输入简单的提示词，AI在5分钟内就完成了同样的任务。这个对比让我们开始质疑：复杂的架构是否真的提升了效率？

关键发现：当AI需要花费更多精力理解流程而非理解业务时，架构本身就成为了障碍。

2. 两个产品的启示：简单性的力量

2.1 NotebookLM的极简设计

Google的NotebookLM给我们上了重要一课。它的界面简单到令人惊讶：左栏是来源材料，中栏是对话，右栏是输出。没有复杂的"智能路由"或"多Agent协作"，却能高效帮助用户消化大量信息。

NotebookLM的成功公式可以简化为：

code复制输出 = f(来源, 输出格式)

其中f代表LLM的理解和生成能力。这个产品告诉我们：当输入组织得当，LLM本身的能力已经足够强大，不需要额外的架构复杂性。

2.2 Claude Code的反直觉实践

Anthropic的Claude Code团队分享的经验更具冲击力。他们最初也尝试创建复杂的工具图，但发现"做的越多，系统变得越不可靠"。最终他们选择了相反路径：

1. 最小化工具数量：使用少量表达能力强的工具，而非大量精确的小工具
2. 信任模型能力：让模型自行决定如何使用这些工具
3. 并行工作流：同时运行10-15个Claude实例处理独立任务

Claude Code创作者的一句话特别发人深省："最好的工具是你不知道它存在的工具。"我们的架构恰恰相反——用户时刻能感受到流程的存在，这本身就是设计失败的信号。

3. 新思维：文本作为通用接口

基于这些观察，我们形成了全新的工程化思维：