前言：昨天 vs 今天的感受

昨天第一天，我搭好了环境——Obsidian + Text Generator + Tars 插件，跑通了本地 AI 对话的"Hello World"。说实话，昨天更多是配置工程师的感觉，装插件、填 API Key、测试连通性，成就感来自"它跑起来了"。

今天完全不一样。今天学完之后，我有一种认知被重构的感觉。

昨天我还在想"AI 真好用"，今天我开始想"我之前用 AI 的方式太低效了"。

这种落差感，值得好好聊聊。

---

今天学了什么：S.C.O.R.E. 模型

核心概念：从"聊天"到"编程"

课程今天抛出了一个让我很触动的对比：

维度	聊天模式	工程模式
交互性质	随机、临时的自然语言对话	结构化、可复用的通信协议
逻辑基础	概率性的直觉反馈	确定性的指令集与约束框架
输出预期	"看运气"的生成结果	符合 Schema 定义的可解析数据流
迭代路径	盲目重写、反复提示	基于评估指标的科学优化

我之前用 AI 就是典型的"聊天模式"——"帮我写个周报"、"总结一下这篇文章"。课程把这种方式叫做高熵输入，熵越高，不确定性越大，输出越不可控。

工程思维的核心是"熵减"——把 Prompt 当作一种通信协议，像 HTTP 协议规定浏览器和服务器如何对话一样，用严谨的结构约束 AI 的行为。

---

S.C.O.R.E. 模型是什么

S.C.O.R.E. 是本课程定义的核心提示工程框架，五个字母分别代表：

字母	全称	核心问题	底层原理
S	Setting（角色设定）	你希望 AI 扮演什么角色？	锚定潜空间：激活模型特定领域的权重，屏蔽干扰
C	Context（背景信息）	任务发生的土壤是什么？	上下文学习：注入实时私有数据，对抗幻觉最有效的手段
O	Objective（任务目标）	你到底想让它做什么？	思维链：原子化动词触发模型深度推理
R	Requirements（输出要求）	交付物必须满足什么标准？	验收清单：规定格式、字数、风格、禁止项
E	Evaluation（评估标准）	如何判断它做得好不好？	自我反思：让 AI 在输出前/后进行自我检查纠错

这五个维度构成一个漏斗：顶部接收宽泛的用户需求，经过层层过滤，最终转化为高纯度的执行动作。

---

今天做了什么：

课程设计了一个很贴近实际的场景：把一段混乱的会议录音转录文本，整理成 Obsidian 看板可用的 Markdown 任务表格。

原始素材（高熵状态）：

那个，关于下周的发布会，小王你记得去定一下会议室，要大的那个。然后海报设计得抓紧了，那个谁，UI组的小李，周三前得初稿吧。还有就是技术那边，服务器扩容的事情，张工说已经搞定了，但是得测试一下，周五前给个报告。哦对，发布会的PPT，我还没写完，可能要延后到周四给。大家辛苦一下。

第一步：用普通 Prompt 试试

输入："帮我整理一下这个会议记录。"

结果：AI 写了一段流水账摘要，丢失了"谁负责什么"的关键信息，格式五花八门，完全没法直接用。这就是高熵指令的随机性。

第二步：用 S.C.O.R.E. 重写 Prompt

S（角色设定）：你是一位拥有10年经验的敏捷项目管理专家（Scrum Master），擅长从混乱的对话中提取可执行的任务项。

C（背景信息）：以下是一段产品发布会筹备会议的原始录音转录文本。
【原始文本开始】
...（粘贴原文）...
【原始文本结束】

O（任务目标）：
1. 识别任务内容
2. 识别负责人
3. 识别截止时间
4. 识别当前状态（已完成/待办/进行中）

R（输出要求）：
1. 输出格式必须为 Markdown 表格
2. 表头：任务内容 | 负责人 | 截止时间 | 状态 | 优先级
3. 优先级基于紧急程度自动判断（High/Medium/Low）
4. 不要输出任何寒暄语，直接输出表格

E（评估标准）：在生成表格前，请自我检查：是否遗漏了任何任务？是否将张工已完成的任务正确标记为"已完成"？

结果：

任务内容	负责人	截止时间	状态	优先级
预订大型会议室用于发布会	小王	发布会前	待办	High
完成发布会海报设计初稿	UI组小李	周三前	待办	High
完成服务器扩容测试并提交报告	张工	周五前	进行中	Medium
完成发布会PPT	我（会议发言者）	周四前	待办	Medium

---

为什么这个 Prompt 有效？

课程做了一个很好的"白盒化"分析，我觉得这是今天最有价值的部分：

• S—Scrum Master：激活了"敏捷管理"、"Action Item"的专业知识权重，AI 立刻知道任务比闲聊更重要
• C—定界符：【开始】...【结束】 防止 AI 把指令本身当成会议记录处理（防提示词注入）
• O—原子化动词："提取"、"识别"这类精准动词强制触发思维链，而不是模糊的"处理一下"
• R—格式契约：规定 Markdown 表格，保证输出可以被 Obsidian、Notion 直接读取
• E—自检机制：强迫模型进行二次推理，修正逻辑漏洞（比如张工已完成的任务容易被漏掉）

---

还学了什么：

今天还有一个很实用的内容——提示词里的标点符号在工程模式下有特殊含义：

符号类型	常见符号	工程作用
定界符	""" --- <tag> 【】	防注入：定义数据边界，隔离指令与素材
占位符	{{ }} { }	复用性：标记动态变量，实现模板化
格式符	\| - []	可解析：定义输出 Schema，确保机器可读
注释符	// <!-- -->	可维护：解释逻辑，辅助思维链锚定

特别要注意占位符的使用陷阱：在自动化脚本里要保留 {{ }}，但在对话框手动测试时必须删掉，直接粘贴纯文本——否则 AI 会把大括号当成特殊控制符，输出会乱掉。

---

S.C.O.R.E. 有什么用

说实话，学完之后我觉得这个模型的价值不只是"让 AI 输出更好看的表格"。

更深层的意义是：

1. 可复用：一个写好的 S.C.O.R.E. Prompt 就是一个函数，换个数据进去，输出格式永远一致
2. 可调试：哪个维度出问题，就改哪个维度，不用整个重写
3. 可自动化：格式稳定的输出才能被下游程序解析，这是后续构建智能体工作流的基础
4. 减少幻觉：Context 注入真实数据 + Evaluation 自检，两道防线大幅降低 AI 编造内容的概率

用课程的话说：不要把 AI 当作聊天的对象，要把它当作可以被自然语言编程的计算引擎。

这句话今天真的打到我了。

---

明天要学什么：结构化输出与语义契约

明天是第三天，主题是结构化输出——编写提示词语义契约。

如果说今天解决的是"输入端"的问题（怎么给 AI 下指令），明天要解决的是"输出端"的问题（怎么让 AI 输出机器可读的数据）。

---

结合昨天，今天感觉如何

昨天搭完环境，我的感受是"哇，AI 可以在本地跑了，好酷"。那种感觉更像是拿到了一把锤子。

今天学完 S.C.O.R.E.，感觉是学会了怎么用这把锤子。

更准确地说，昨天我搭的那套环境——Obsidian 本地存储 + Text Generator 调用 LLM——今天才真正有了"灵魂"。因为没有结构化的 Prompt，那套环境只是一个更方便的聊天窗口；有了 S.C.O.R.E.，它才开始变成一个可编程的工作流节点。

两天连起来看，感觉课程的设计很有逻辑：

• 第一天：搭好硬件（环境）
• 第二天：装好操作系统（思维方式）
• 第三天（明天）：开始跑第一个真正的应用（结构化数据生产）

期待明天。

---

课程来源：《零基础构建智能体工程》—— Gitconomy Research

项目教程地址：https://www.gitlink.org.cn/Gitconomy/Git4GenThinking/tree/main/Agentic-KW-Engineering-2026
如果你也在学，欢迎评论区交流。