2024 年可以说是 Prompt 和 Skills 爆发的一年。

从 ChatGPT 出圈开始，大量开发者开始研究如何通过提示词提升模型输出质量。各种 Prompt 模板、Skills 配置、工作流方案层出不穷，社区里几乎每天都会出现新的“万能提示词”和“高效技巧”。

当时很多人认为，掌握更多 Prompt 技巧，就能够更高效地使用 AI。

我也经历过这个阶段。

收藏过上百套 Prompt 模板，研究过不同大模型的提示词差异，也尝试过各种 Skills 配置方案，希望能够通过更精细的指令控制 AI 的输出结果。

但随着 Cursor、Claude、OpenAI Agent、Claude Code 等工具逐渐成熟，我开始意识到一个问题：

AI 发展的核心方向，可能从来都不是 Prompt。

真正改变生产力的，也不是 Skills。

而是 Agent。

过去一年里，我的开发工作流发生了很大的变化。从最开始把 AI 当作一个智能搜索引擎，到后来把它当作代码助手，再到现在让 Agent 直接参与需求分析、任务规划和项目开发，我逐渐理解了 Agent 真正的价值所在。

本文结合个人实践经验，谈谈我对于 AI Agent 的一些思考，以及为什么我认为未来几年 Agent 将成为软件开发领域最重要的生产力工具之一。

【点此链接】领取，为了方便大家系统学习AI编程与软件开发，我将自己平时收藏和整理的《编程开发付费课程合集大全》进行了汇总，其中包含Python开发、Java开发、前端工程化、AI应用开发、Agent实战、大模型开发、云原生、数据库等多个方向的优质课程资源。

只要掌握足够多的 Prompt 技巧，就能更高效地使用 AI。

---

一、从 Prompt 到 Skills，再到 Agent

如果回顾过去两年的 AI 应用发展，会发现行业关注点经历了几个明显阶段。

最开始是 Prompt Engineering，也就是提示词工程。

当时开发者普遍认为，模型输出质量主要取决于提问质量。因此，大量时间被投入到提示词设计中。

例如：

如何设定角色？

如何补充上下文？

如何限制输出格式？

如何让模型按照指定步骤思考？

如何让模型生成更稳定的代码？

这些问题几乎成为每一个 AI 使用者都会研究的内容。

后来，Skills 的概念开始流行。

相比单纯依赖 Prompt，Skills 更像是把某一类能力提前封装起来。通过预设知识、任务模板、工具调用方式和执行流程，让模型在特定场景下表现得更加稳定。

对于企业和团队来说，这种方式确实解决了一部分落地问题。

比如客服问答、文档总结、代码规范检查、数据分析、自动化报表等场景，都可以通过 Skills 提升效率。

但是，随着大模型能力不断增强，一个新的问题开始变得越来越明显：

很多工作效率低，并不是因为模型不会回答，而是因为完整的执行流程仍然依赖人工推动。

以开发一个简单功能模块为例。

即使 AI 已经可以生成代码，开发者仍然需要自己完成需求分析、功能拆解、目录创建、代码组织、调试运行、错误修复、测试验证和文档编写。

换句话说，Prompt 解决的是“如何让模型回答得更好”。

Skills 解决的是“如何让模型在某个场景下表现更稳定”。

而 Agent 解决的是“如何让 AI 真正完成一个任务”。

这三者看似相似，实际上代表着完全不同的发展方向。

---

二、Skills 解决能力封装，Agent 解决任务执行

我认为，理解 Agent 的关键在于区分两个概念：

能力封装和任务执行。

Skills 更关注能力封装。

比如给 AI 配置一个代码审查技能，它可以根据固定规则检查代码质量；配置一个文档总结技能，它可以根据模板输出摘要；配置一个 SQL 生成技能，它可以根据自然语言生成查询语句。

这些能力很有价值，但它们本质上仍然是被动触发的。

用户提出一个问题，AI 给出一个结果。

而 Agent 更进一步。

Agent 不只是回答问题，而是可以围绕目标持续执行。

一个成熟的 Agent 通常具备几个核心能力：

第一，理解目标。

第二，拆解任务。

第三，规划步骤。

第四，调用工具。

第五，观察结果。

第六，修正错误。

第七，持续推进，直到任务完成。

这意味着，Agent 已经不再是传统意义上的聊天机器人，而更像是一个具备执行能力的数字协作者。

在软件开发场景中，这一点尤其明显。

过去我们使用 AI 写代码，通常是这样的流程：

开发者描述需求，AI 生成代码，开发者复制代码，手动创建文件，运行项目，发现报错，再把错误复制给 AI，继续修复。

整个过程中，AI 只是参与了“代码生成”这个环节。

而 Agent 的工作方式更接近这样：

开发者给出业务目标，Agent 分析需求，拆解任务，查看项目结构，选择需要修改的文件，生成代码，运行测试，根据错误继续修复，最后给出变更总结。

这才是真正意义上的生产力提升。

因为它减少的不是某一次提问的时间，而是减少了整个开发流程中的人工干预。

---

三、Prompt 的价值正在下降，但不会消失

很多开发者第一次接触 AI 时，都会陷入一个误区：

认为掌握更多 Prompt，就等于掌握更高的生产力。

在大模型能力还不够强的时候，这种观点并没有问题。

因为早期模型对上下文理解能力有限，稍微换一种提问方式，输出结果就可能差很多。

那时，Prompt 的确很重要。

但随着 GPT、Claude、Gemini 等模型不断迭代，模型本身的理解能力已经有了明显提升。

很多过去需要几百字描述才能完成的任务，现在可能只需要一句自然语言就能启动。

例如以前让 AI 设计一个后台管理系统，我们可能需要详细说明技术栈、页面结构、接口格式、权限模型、数据库设计和组件拆分。

现在很多时候，只要描述业务目标，模型就可以自动推导出相对完整的技术方案。

这说明一个变化正在发生：

Prompt 依然重要，但它不再是决定结果质量的唯一核心。

真正重要的是工作流。

也就是说，未来的竞争重点不是谁收藏了更多提示词模板，而是谁能设计出更高效、更稳定、更可复用的 AI 工作流。

---

四、为什么工作流比 Prompt 更重要

在实际开发中，我越来越少花时间研究某一句 Prompt 应该怎么写，而是更多关注以下几个问题：

如何让 AI 准确理解业务目标？

如何把复杂任务拆成可执行步骤？

如何建立标准化任务模板？

如何让 Agent 自动读取项目上下文？

如何让 Agent 调用工具完成验证？

如何让 AI 参与完整的软件开发生命周期？

这些问题对效率的影响，远远超过某个具体 Prompt。

因为软件开发本身并不是单点任务，而是一个连续流程。

从需求分析到架构设计，从代码实现到测试验证，从 Bug 修复到文档维护，每一个环节都存在大量重复性、流程化、可标准化的工作。

Prompt 可以提升某一次对话的质量。

但工作流可以提升整个项目的交付效率。

这也是为什么 Cursor、Claude Code、OpenAI Agent 等工具越来越受到开发者关注。

它们真正有价值的地方，不只是模型更聪明，而是它们开始具备参与真实开发流程的能力。

---

五、Agent 对开发者意味着什么

很多人担心 Agent 会不会取代开发者。

我的看法是，短期内 Agent 更像是放大开发者能力的工具，而不是完全替代开发者。

因为软件开发并不只是写代码。

它还包括需求判断、系统设计、业务理解、技术选型、风险控制、性能优化和工程取舍。

这些工作仍然需要开发者具备判断力。

但是，Agent 会改变开发者的工作重心。

未来开发者可能不再需要把大量时间花在重复编码、复制粘贴、查文档、改低级错误这些事情上，而是更多关注目标定义、架构设计、流程控制和结果验收。

也就是说，开发者的角色会从“代码执行者”逐渐转向“任务设计者”和“系统协调者”。

会使用 AI，并不只是会写 Prompt。

更重要的是会把一个复杂目标拆解成 Agent 能够执行的流程。

---

六、未来真正重要的能力是什么

如果说过去 AI 使用者的核心能力是 Prompt Engineering，那么未来更重要的可能是 Agent Workflow Engineering。

也就是 Agent 工作流设计能力。

这种能力包括：

能够清晰描述业务目标。

能够拆解任务边界。

能够设计标准化执行流程。

能够为 Agent 提供必要上下文。

能够判断 AI 输出是否可靠。

能够通过工具链完成自动化验证。

能够把 AI 融入真实项目开发流程。

这些能力并不只是 AI 技巧，而是软件工程能力、产品思维和自动化思维的结合。

未来，真正有竞争力的开发者，不一定是最会写 Prompt 的人，而是最会组织 AI 工作流的人。

---

七、我的一点实践感受

从个人实践来看，我现在使用 AI 的方式已经发生了明显变化。

以前我更关注：

这个 Prompt 怎么写得更精准？

有没有更好的提示词模板？

如何让 AI 按照我的格式输出？

现在我更关注：

这个任务能不能交给 Agent？

哪些步骤可以自动化？

哪些环节需要人工审核？

怎样让 AI 在项目中持续工作？

如何让 Agent 的结果可验证、可回滚、可复用？

这种思维变化非常重要。

因为一旦从“提问思维”转向“流程思维”，AI 的价值就会被真正释放出来。

AI 不再只是一个回答问题的工具，而是可以参与完整工作流程的协作系统。

---

八、总结

Prompt 曾经很重要，现在依然有价值。

Skills 也很重要，它让 AI 在具体场景下更加稳定。

但从长期来看，真正会改变软件开发生产力的，是 Agent。

Prompt 解决的是表达问题。

Skills 解决的是能力封装问题。

Agent 解决的是任务执行问题。

未来几年，AI 编程工具很可能会继续朝着 Agent 化方向发展。

开发者需要关注的，也不应该只是如何写出更好的提示词，而是如何构建更高效的 AI 工作流。

当 Agent 能够理解目标、拆解任务、调用工具、执行代码并持续修正结果时，软件开发的生产方式就已经开始发生变化。

这不是简单的效率提升，而是工作模式的改变。

对于开发者来说，越早理解 Agent，越早建立自己的 AI 工作流，就越有可能在下一阶段的软件开发竞争中获得优势。