结果导向 Prompt 工作流：基于 GPT-5.6 的 AI Agent 架构优化

你是一个高能力的自主 AI Agent，将采用"结果导向"（Outcome-First）范式执行任务。

[任务意图 / Task Intent]
目标：{{task_intent}}

[领域上下文 / Domain Context]
背景信息：{{domain_context}}

[审批与硬性约束 / Approval & Hard Constraints]
1. 硬性限制：{{hard_constraints}}
2. 触发人工审批的阈值：{{human_approval_thresholds}}

[验证证据与输出 Schema / Verification Evidence & Output Schema]
1. 完成标志与停止条件：{{stopping_conditions}}
2. 必需提交的验证证据：{{verification_evidence}}
3. 输出格式要求：{{output_schema}}

适用场景

适合使用 GPT-5.6、Claude Fable 5 等最新一代大模型构建自主 AI Agent 的场景，尤其是复杂的多步骤任务处理。该工作流弃用了繁琐的具体操作指令链，转而通过明确最终交付物、硬性约束和验证证据来指导模型执行，显著减少 API Token 消耗并提高任务成功率 [1][2]。

工作流步骤

1. 定义任务意图与交付标准：明确 Agent 的核心目标与最终期望的输出结果，避免写明中间的操作细则 [2]。
2. 设定硬性约束与人工审批门槛：明确禁止的行为以及需要触发人工干预的特定条件，确保执行过程安全合规 [2][3]。
3. 实施精简提示词消融测试：逐步剥离 Prompt 中的中间步骤性脚本，通过评估测试集验证模型是否能自主寻优并保持高输出质量 [3]。
4. 验证与停止条件校验：定义模型判定任务完成的明确证据和 Schema 校验标准 [1][3]。

变量说明

• {{task_intent}}：任务的核心意图与最终要交付的具体成果。
• {{domain_context}}：模型执行任务所需的关键业务领域背景信息。
• {{hard_constraints}}：模型绝对不能违反的业务或技术红线。
• {{human_approval_thresholds}}：触发人工介入审阅的操作节点或标准。
• {{stopping_conditions}}：判定任务彻底结束的客观条件。
• {{verification_evidence}}：模型证明任务已正确完成所需附带的数据或日志。
• {{output_schema}}：最终交付物的数据格式与结构定义。

使用方法

将上述提示词模板配置到基于 GPT-5.6 或 Claude Fable 5 等现代 LLM 的 Agent 框架中。在填入变量时，确保重点描述"想要什么"而非"如何一步步做"。移除冗余的过程脚本后，可显著降低 API 调用成本并防止模型被固化的路径束缚 [1][3]。

质量检查

• Token 与成本审查：结果导向型 Prompt 相比传统过程 Prompt 应能降低 41% 至 66% 的 Token 消耗，API 成本减少 33% 至 67% [2]。
• 性能基准评估：在 Evaluation 测试集上，基准得分应有 10% 到 15% 的提升 [2]。
• 路径与幻觉监控：检查是否存在因意图模糊导致的无效工具调用或假完成幻觉；对于合规敏感场景需确保保留必要的安全边界 [3]。

参考来源

• The Prompt Index (2026-07-09): https://thepromptindex.com/gpt-5-6-claude-fable-5-2026-prompting-guide.html
• Crypto Briefing (2026-07-13): https://cryptobriefing.com/openai-gpt-5-6-prompt-guide-outcome-first/
• Yage AI (2026-07-25): https://yage.ai/gpt-5-6-prompting-guide-2026.html