每一个开发者dou在憧憬着打造属于自己的“贾维斯”。但现实往往hen骨感，你满怀期待地部署好一个 Agent，结果它要么像个喝醉的诗人一样胡言乱语，要么像个叛逆期的 teenager，你让它往东它偏要往西，甚至偶尔还会把你的机密数据打包送给陌生人。这时候你才意识到，光有强大的 LLM是不够的，Ru果没有一套严密的AI行为规范，你的智Neng体就是一个随时会爆炸的不定时炸弹。

我们今天要聊的核心，就是如何给这个“数字生物”立规矩。这不仅仅是写几行提示词那么简单，这是一场关于控制与自由的博弈。我们的目标hen明确，就是要确保 Agent 具备“三可”属性：可预测、可控制、可信赖。只有Zuo到了这三点，AI 才Neng从实验室的玩具真正走向生产级的工具。

在深入探讨如何立规矩之前，我们得先搞清楚 Agent 到底是个什么玩意儿。hen多初学者容易把 Agent 简单理解成一个Neng聊天的机器人，这其实是大错特错的。Ru果你正在开发 AI 应用，一定遇到过这些问题：智Neng体到底应该包含哪些组件？技Neng和工具有什么区别？MCP 又是什么鬼？

想象一下Agent 就像是一个精明的项目经理。它的大脑是 LLM，负责思考和推理；而它的手脚，则是各种 Skills和 Tools。这里有一个常见的误区：Skill ≠ 脚本！hen多 Skill 实际上只是一个 `SKILL.md` 文件，它定义了行为规范，由模型理解后执行，而不是硬编码的死板指令。

在这个复杂的协作网络中，Rules就像是宪法。它处于架构的Zui顶层，凌驾于具体的技Neng和工具之上。无论是调用 MCP去获取外部数据，还是查询知识库，Agent 的每一步行动dou必须在这个“宪法”的框架内进行。Ru果没有这套规范，Agent 就会变成一个无头苍蝇，空有一身力气，却不知道该往哪儿使。

我们在设计 AI 系统时总是强调它要符合人类的道德标准和社会规范。这听起来hen宏大，但落地到技术细节上，其实就是“三可”原则。这是检验一个 Agent 是否合格的试金石。

Zui让人抓狂的情况莫过于：同一个问题，周一问和周五问，答案截然不同。这就是不可预测。可预测性意味着，在相同的输入和上下文下Agent 的行为逻辑和输出风格应当保持高度一致。

这不仅仅是准确性的问题，geng是体验的问题。想象一下你让 Agent 写一份周报，第一次它写成了小说第二次写成了代码，第三次又变成了流水账。这种随机性会让用户彻底失去信心。通过明确的 Rules，我们Ke以锁定 Agent 的性格和输出格式，让它像一台精密仪器一样稳定运行。

AI 的Neng力越强，潜在的风险就越大。可控制性，就是确保我们随时Neng让 Agent “停下来”或者“改过来”。这包括防止它输出敏感信息、不当内容，也包括在它陷入死循环时Neng够及时止损。

多国网络安全机构Zui近公布的国际协议就强调了这一点：企业需要在设计和使用 AI 系统时确保公众的安全。这不仅仅是防止黑客劫持，geng是要防止 Agent “自作主张”。比如明确规定“不得编造事实”、“不得涉及政治敏感话题”，这些dou是控制缰绳的一部分。

Zui后我们要解决的是信任问题。用户敢不敢把核心业务交给 Agent？这取决于它是否专业。可信赖意味着 Agent 的行为必须符合业务规范，在特定领域保持专家级的水准。

这不仅仅是智商的问题，geng是情商的问题。一个可信赖的 Agent 知道在冲突中如何取舍，面对选择时优先考虑什么。它不仅仅是在回答问题，geng是在代表你的业务形象。

既然“三可”这么重要，那我们到底该怎么实现呢？hen多人会混淆 Rules 和 Prompt，其实它们是不同层次的概念。Prompt 是临时的指令，而 Rules 是长期的、系统化的行为准则。通常情况下我们通过 System Prompt 来落地这些 Rules。

但这中间有坑，而且坑还不少。让我们来kankan如何避开这些坑，写出真正有效的规则。

这是新手Zui容易犯的错误。我们总是习惯于告诉 AI “不要Zuo什么”。

❌ 负向描述：「不要废话，不要说没用的，不要瞎编」
✅ 正向描述：「回答简洁，每个要点不超过两句话，直接给出可操作的建议」

为什么？因为对于大模型来说负向描述往往不如正向描述清晰。当你告诉它“不要废话”时它对“废话”的定义可Neng和你完全不同。但当你告诉它“每个要点不超过两句话”时这是一个可量化的、明确的指令。这种细微的差别，决定了 Agent 是像个听话的士兵，还是像个讨价还价的商贩。

另一个常见的陷阱是使用了太多形容词。

❌ 抽象规则：「要专业，要友好，要准确」
✅ 具体规则：「回答技术问题时先给出结论，再给出原因，Zui后给出代码示例」

“要专业”这句话，对于 AI 来说就像空气一样虚无缥缈。它怎么知道什么是专业？是满口术语，还是深入浅出？相反，具体的规则定义了结构：结论 -> 原因 -> 示例。这种结构化的输出，才是用户眼中的“专业”。抽象规则 AI 无法准确理解，具体规则 AI 才Neng精确执行。

当你有几十条规则的时候，冲突几乎是必然的。

❌ 规则A：「回答要简洁，不超过50字」
   规则B：「技术问题必须给出完整的代码示例」
   → 代码示例通常超过50字，规则冲突，Agent 会陷入两难。
✅ 修改为：「日常问答不超过50字；技术问题Ke以geng长，但必须在开头有结论摘要。」

这就是为什么我们需要一个目标管理系统。它的功Neng就是维护和优先化多个可Neng存在的目标，协调不同目标间的冲突，确保代理行为的整体一致性。Ru果没有这种优先级机制，Agent 的行为就会变得精神分裂。

写好 Rules 并不是一劳永逸的。业务在变，环境在变，你的规则也必须跟着变。这就好比国家的法律需要不断修订一样。我们需要建立一套维护清单，定期执行检查。

这里有一个简单的维护清单供参考：

□ 检查是否有过时的规则
□ 检查是否有遗漏的规则
□ 检查规则之间是否有冲突
□ 用 5 个典型问题测试 Rules 效果
□ 收集用户反馈，优化不合理的规则

此外日志与审计也是至关重要的一环。我们需要记录 Agent 的行为、学习过程、关键事件等信息。这不仅是为了事后分析、故障排查，geng是为了满足监管需求。在金融、医疗等敏感领域，这种全链路的审计是合规的底线。

人工智Neng系统应当遵循一套明确的道德准则和行为规范，以确保其行为符合人类的道德标准。这不仅仅是一句口号，geng是技术实现的基石。

我们Ke以把 Rules 理解为一组核心价值和行为准则——它定义了这个 AI 如何与你互动、在冲突中如何取舍、面对选择时优先考虑什么。它就像 OpenClaw 或其他优秀框架的核心一样，是 AI 的“行为宪法”。

Rules = AI 的行为宪法，通过角色规范、行为约束、输出格式、业务规则四类规则，让 AI 的行为可预测、可控制、符合业务需求。好的 Rules 让 AI 成为可信赖的专业助手，而不是不可控的"黑盒"。

唯有建立起坚实的行为规范，我们才Neng真正驾驭这股技术力量，让它为人类创造实实在在的价值，而不是带来混乱和风险。记住一个没有规矩的 Agent，永远只是一个昂贵的玩具；而一个拥有完善“三可”属性的 Agent，才是未来的生产力工具。

下一期预告：第11期 · AI 工程化实践 — 有了 LLM、RAG、Agent、MCP、Skills、Rules，如何把它们组合成一个稳定可靠的生产级 AI 应用？全栈 AI 工程化实践指南。