章节主旨
讲如何提升人与 Agentic 工作流 之间的交互带宽:用语音转录代替打字做输入、用略读代替听音做输出;调用 Directive 时无需记名字、直接开口要;请求要具体以压低复合错误率;复杂上下文直接粘贴而非让模型自己去抓。
核心论点
- 语音输入 + 略读输出把交互带宽拉高约 4 倍——说话 3-4 倍快于打字,略读 5-10 倍快于听音。(→ 详解1、2)
- 调用工作流只需”开口要”,不必背指令名——agent 会自动扫描匹配,缺输入会反问。(→ 详解3)
- 请求越具体,复合错误率越低——一次把参数说全,减少来回、降低失败风险、更快。(→ 详解4)
- 复杂上下文直接粘贴优于让模型自己抓——省去搭 API / HTTP 的时间,对模型而言进上下文的方式无差别。(→ 详解5)
知识点详解
1. 语音转录做输入:带宽比打字快 3-4 倍 3:57:48
人打字平均 50-70 词/分钟,是很窄的带宽;说话平均 150-200 词/分钟,快 3-4 倍。现在的语音转录工具识别率极高,把口述转成文本几乎不出错。
模型已经足够聪明,不再需要像 GPT-3 时代那样字斟句酌——那时多 10 个 token 都可能干扰模型的可控性。如今可以在开车时点开转录工具,直接讲上千词的”文本倾倒”(text dump),模型照样能理解并转成可用输入。
作者的约定:从本章起他说”prompt”时,默认都是用语音生成的。
2. 略读做输出:输入转录 + 输出略读的组合最高带宽 3:58:55
作者提出目前和计算机沟通的最高带宽方式:输入端用转录(约 200 词/分钟),输出端不用语音朗读回你,而是让你读——多数人略读能到 300-500 词/分钟,快的可达 1000。
对比旧方式(打字 50-70 词/分钟),这套组合在输入端提约 3-5 倍、输出端提约 5 倍以上。作者说他现在几乎只在”必须引用电脑上某个超具体文件名”时才打字,且往往也是复制那个名字再手动粘贴。
3. 调用工作流:直接开口要,不必记指令名 4:00:05
用工作流很简单——直接向 agent 提要求即可,不需要记住 Directive 的确切名字。因为系统提示里已登记了这些指令,agent 会自动扫描匹配。
前提是你得提供该指令 input schema 要求的数据。若指令需要”某人的名字”才能生成提案,而你只说”就做那件事”,agent 会指出当前缺哪个输入并反问你补上。
若不确定手上有哪些工作流,直接问模型”我有哪些 workflow”即可。指令多到令人和模型都吃力时,可让模型做一次全面重构(refactor)——找出相似的指令/执行、按逻辑归组;更进阶的应对是后面章节讲的 子代理。
4. 请求具体化:降低复合错误概率 4:00:37
作者把提需求比作点餐:你不能只说”给我来点吃的”,得说”要个汉堡配薯条”——要有具体度,但也别过度纠结。他对自己知道输入方式的请求会说得很具体。
与其说”今天给我搞点线索”,不如说”抓 200 家德州 HVAC 公司、验证邮箱、做个性化、给我 Google 表格”。后者只多花两秒,但因为你亲手掌舵,能把执行导向你真正想要的直线路径。
原理是复合错误率:交给 AI 的步骤越多,出错机会越多,错误率会相乘。模糊请求”给我线索”会触发多轮来回(模型反问→你补料→再跑),假设每步 90% 成功,叠起来只剩约 81%;而一次说全就压成单步。具体化因此减少来回、降低总失败率、更快。
5. 粘贴优于打字:直接把上下文塞进去 4:02:52
对真正复杂的工作流,作者一般直接把上下文粘贴进去,而不是逐字打或让模型自己去抓。例如与其让模型走 Fireflies API 取通话记录,不如直接把通话转录粘进去——耗时差不多,但更精确、没有出错空间。
另一常见做法:打开某网站,command+A 全选复制,粘进模型,让它”用这个网站给我搭个提案”。当然也能让它 HTTP 请求该链接,但对你耗时一样,而对模型而言——一切进入上下文的方式都相同,无所谓。
这样能省大量时间:HTTP 调用、API 请求、访问数据库等搭建都要工夫。作为 Orchestrator(编排器) 的使用者,你完全可以和它”共创”:自己上网复制粘贴,不是问题。
术语
- voice transcription(语音转录):把口述实时转成文本作为输入,带宽约 200 词/分钟。
- text dump(文本倾倒):不刻意组织、一口气讲上千词让模型消化;现代模型可控性足够高才成立。
- input schema(输入模式):某个 directive 生成结果所必需的数据字段;缺字段 agent 会反问。
- compound probability(复合错误概率):多步骤成功率相乘,步骤越多总成功率越低。
自检问题
- 为什么”语音转录输入 + 略读输出”被视为当前最高带宽的沟通方式? 答案:打字仅 50-70 词/分钟;语音说话 150-200 词/分钟(输入提 3-5 倍),略读 300-500 甚至 1000 词/分钟(输出提 5 倍以上),两端叠加约 4 倍带宽。3:58:55
- “今天给我搞点线索”和”抓 200 家德州 HVAC 公司、验证邮箱、给我 Google 表格”在错误率上差在哪? 答案:前者触发多轮来回(反问→补料→再跑),按 90%×90% 约剩 81%;后者一次说全压成单步,复合错误概率大降、更快。4:01:22
- 复杂上下文为何更推荐”粘贴”而非让模型走 API / HTTP 抓取? 答案:粘贴与搭 API 耗时相近,但更精确、无出错空间;且对模型而言一切都同样进入上下文,还省去搭建 HTTP/API/数据库的时间。4:02:52