从对话到系统：如何用 AI Agent 工作流写小说？

讲述 22000 字 AI 小说创作背后的工程化思维，这或许是你应用 AI 的一次范式变革。

小说

我最近在公众号发了一篇文章《（AI 小说）代码消亡史：一个 33 岁程序员的 AI 求生指南》。

当我把「AI 小说」这 4 个字加到题目里的时候，我就知道它至少能让阅读量降低 60%。

而且我还很诚实地开启了「内容由 AI 生成」的创作说明。这保证了系统推荐概率大幅降低。

果不其然，很多人根本连打开的意愿都没有。这篇文章的阅读量创下近期新低。

但是，它依然获得了数十次转发。而且还有不少读者在后面认真留言回复。

这说明，它不是又一篇「AI 生成的垃圾内容」，而或许是你应该值得认真对待的现象 —— 当你还在一遍遍调整提示词，期待 AI 一次性生成完美内容时，AI Agent 模式正在将人机交互从简单的「问答」升级为复杂的「项目执行」系统。

刚好最近星球里面星友提问，我的工作流有没有新的升级？其实，这就是。

本文我就以这篇小说的创作过程，带你深入理解这种新范式如何通过 50+ 个文件、15 个执行步骤、12 项质量指标，将一个简单的主题转化为两万多字的作品。更重要的是，你将学会如何设计自己的 AI Agent 系统，让 AI 不再是随机的文本生成器，而是可控、可追溯、可迭代的生产力工具。

对比

传统的对话式 AI 就像一个聪明但健忘的助手，你问一句，它答一句，却无法管理复杂的、多步骤的项目。当然，目前 ChatGPT 和 Claude 都在加入记忆功能，也算是对这种模式局限的补足。但是，如果你的任务专业化更强，那么这种简单加入多篇对话记忆的补丁，可能帮助有限。

例如，当你输入「写一个程序员面对 AI 冲击的故事」时，传统 AI 会立即生成一个 2000 字的简单故事，质量参差不齐。

别担心，没那么长，你看，两屏截下来，就结束。

这里我用的还是目前 OpenAI 的旗舰模型 GPT-5。

这样的东西，你要说读者爱读，我是不信的。

而 Agent 模式的处理方式完全不同。

这是我最近这篇小说的开头。

你能想象吗？小说的一开头，就直接设置了这么高的阅读门槛，居然把代码直接放在上面了。

第二屏，就涉及到这个代码段的问题，甚至还有解决方案。难怪有人说，你这小说，阅读起来需要专业背景。

其实不光是专业背景。你看这些细节。无论是编辑器名称，键盘的型号，以及 FPS 游戏磨损的键位，全都透露着一种细节的到位……

再看这个章节。

这里的细节到什么程度？你看看下面这张高德地图的截图就明白了。

要达成这种效果，需要用户做什么？

很多好友都猜测：

你是不是反复对话，人工找出问题，让 AI 逐个修改啊？

你太不了解我了。有那功夫我自己写不就得了？

「懒人」是有底线的 —— 这么复杂的活儿，不干。

这个小说的结果，其实是我一站式输入提示词后，AI 直出稿件。

当然，为了保证结果的质量，我又让另一个 AI 对这个结果做了「同行评议」，然后自动修改出来的。因为实话实说，虽然我这几年也往北京跑过不少趟。但你不让我开高德直接问国贸到团结湖坐地铁几号线？几站地？

我根本答不上来的。

都是一站式输入提示词，为什么效果差那么远呢？

因为，在我输入提示词后，AI 首先创建了 15 个目录，制定了详细的执行计划，进行了 30 条事实调研，设计了 12 条伏笔线，经过三轮改稿，最终产出了 22000 字的专业作品。

这种差异的背后，是两种完全不同的思维范式。传统对话模式是「线性思维」—— 问题直接导向答案；而今天咱们展示的 Agent 模式是「系统思维」—— 将任务分解、规划、执行、验证、迭代，形成一个完整的工作流程。

Agent 模式的革命性在于，它将 AI 从一个「回答问题的工具」转变为一个「执行项目的系统」。这就像从「向朋友征求建议」升级到「花钱聘请专业团队完成项目」。通过提供结构化的流程（提示词）和持久化的记忆（文件系统），Agent 才突破了 AI 的上下文限制，获得了处理复杂任务的能力。

让我们通过一个具体的对比表来理解这两种模式的差异：

具体到技术实现上，Agent 模式通过四个核心组件实现了这种转变。

第一是「用户」，你只需要提供最高层的目标，比如我给定的目标为「2025 年，AI 冲击下，一个 33 岁程序员」。你没看错，我根本就没有提供更多的背景信息，更不可能给出剧情走向。

第二是「提示词」，这不是简单的提出要求和问题，而是包含角色定义、执行步骤、质量标准的完整「标准作业流程」。

第三是「AI 执行者」，它严格按照流程执行，不需要额外指导。

第四是「文件系统」，作为 AI 的外部记忆和工作空间，突破了 AI 大模型上下文窗口的限制。尽管目前已经有大模型把上下文长度整到了 2M tokens，但是比起你的磁盘容量，还是小巫见大巫了。

这种架构带来的改变是根本性的。你不再需要反复调试提示词，期待 AI 「猜中」你的意图。相反，你可以像管理软件项目一样管理 AI 任务 —— 有需求分析、系统设计、迭代开发、测试验证、最终交付。每个环节都是可控的、可追溯的、可优化的。

更重要的是，这种模式是可复用和可扩展的。一旦你设计好一个 Agent 流程，它就可以稳定地执行同类任务，质量有保障，结果可预期。

例如用同样的提示词，我换了个主题「2025 年，AI 冲击下，一个中国二本院校教信息检索的大学讲师，37 岁」。

于是，这样一篇文章就哗啦啦生成出来了。

我发给了几个有切身体验的大学教师朋友们试读，他们都很感兴趣。

架构

讲清楚基本的原理，咱们来深入 Agent 系统的内部。你会发现它模拟了一个完整的创作团队。

注意这不是简单的拟人化，而是通过角色分工实现了复杂任务的模块化管理。让我们看看这个「虚拟团队」是如何协同工作的。