夜雨聆风6 月，Hacker News 上有一篇被转了很多次的工程长文：怎么把 AI 智能体做到生产级可靠。案例来自拜耳（Bayer）与 Thoughtworks 共建的预临床信息中心 PRINCE——不是 Demo，是 2024 年起真实研究员在用的系统。讨论区很热闹，争论焦点也不是「模型够不够聪明」，而是出了错能不能恢复、用户能不能核对。
我们离制药研发很远，但痛点很像：资料散在 PDF、表格、邮件里；问一句 AI，它答得流畅，你却不知道依据在哪、中间跳了哪些步、错了能不能从半截继续。智能体办公的核心，从「能动手」变成「可信任、可复核、可恢复」。
PRINCE 的三段进化：搜 → 问 → 做
拜耳这套系统不是一步到位的。它经历了三个阶段，和我们用 AI 的路径几乎一一对应：
关键教训：多数团队卡在 Ask，就急着上 Do。 检索不准、引用不清、没有评估，智能体越自主，翻车越快。拜耳是在 Search 和 Ask 跑稳以后，才加多 Agent 编排的。
图1：智能体能力三阶段——搜、问、做（示意）
两个词：上下文工程 + 约束工程
文章里提了两个后来常被引用的概念（原文用英文，这里用中文说清）：
上下文工程——每个步骤只给模型「该看的」，不给「能看的全部」。规划步骤看意图；检索步骤看资料片段；写作步骤看已核实证据。拜耳早期曾把太多信息塞进同一段提示词，结果越喂越难控、越难评估，后来拆成专用智能体，各自上下文隔离。
约束工程——模型外面套一层可观测、可重试、可暂停的流程：哪步失败从哪步续跑、主模型挂了自动切备用、每步状态落库、日常监控幻觉率。不是指望模型自律，而是用流程把它关进笼子里。
对我们而言，哪怕只用 ChatGPT 网页版，也能做简化版：摘要和起草分两次对话；第二次只贴你核对过的要点，别整份原始材料再扔一遍。
图2：上下文工程 vs 约束工程（示意）
三层反思环：比「更聪明」更重要
PRINCE 最有借鉴价值的，是三种不同性质的「反思」，对应我们写材料时最常漏掉的自检：
1. 流程反思——步骤走对了吗？工具选对了吗？（等价：AI 拉数据的路径合理吗，还是在瞎试？）
2. 证据反思——材料够吗？缺什么要补查？（等价：结论有没有出处，数字是否只来自一份过期表？）
3. 成稿反思——格式完整吗？章节齐了吗？（等价：对外邮件的结构、必填项是否漏了？）
讨论区有人质疑：制药场景合规太重，普通办公用不上。我们同意不必照搬 LangGraph，但三层问题本身普适——很多「AI 写废了」不是模型笨，而是缺了中间两道检查：证据够不够、草稿完不完整。
信任怎么建：看得见、查得到、人拍板
拜耳在受监管环境里，信任机制写进了产品设计：
· 中间步骤可见：检索了什么、调了哪张表，用户能跟着看，不是黑盒一口气出答案
· 句级引用：答案每句话可点回原文 PDF 页码——我们可用「段落旁标注【来源：XX 文档第 N 页】」人工要求
· 双轨评估：改流程前用专家题库测；上线后每天抽真实提问看幻觉率
· 失败可续跑：某步报错不必从头来，从失败节点重试——个人版等价于：分步保存中间结果，别在一个超长对话里死磕
最后一条和站内《别默认信任智能体》同向：对外提交、合规材料、不可逆操作，必须人工批准。 拜耳明确写：监管文档 AI 只出草稿，签字人负责。
图3：流程 / 证据 / 成稿三层反思环（示意）
办公可抄的三条习惯（不用写代码）
1. 先澄清再开干。 问题太宽时，先让 AI 反问范围：「你要的是汇总还是对比？时间窗？数据来源？」拜耳第一步就叫「澄清意图」，避免 vague 问题烧 token 还答偏。
2. 检索与写作拆角色。 第一轮：只列证据和出处；第二轮：基于证据写正文。别让一个对话又找数又润色——角色混在一起，错误最难追。
3. 自建 10 题小测验。 你领域里的「陷阱问题」（过期政策、矛盾前提、缺表头 Excel），每月用同一套题测常用模型。拜耳用专家题库 + 日监控；我们至少要有自己的 spot check 清单。
【证据轮】只根据附件回答：①结论 ②引用的原文片段 ③不确定处标【待核实】。不要写建议、不要扩写。 【成稿轮】仅基于以下已核实要点写作：（粘贴要点）。缺材料处留空，不要编造。一句收束
这场讨论的价值，不在拜耳有多特殊，而在它证明：生产级 AI 智能体 = 克制的上下文 + 可恢复的流程 + 人仍握终审。模型会继续变强，但「靠谱」不会自动到来——得靠我们设计步骤、留引用、敢暂停。
我是智变纪，每周聊 AI 时代的真实办公体验。背景讨论见 Hacker News 2026 年 6 月相关帖；案例细节引自 Martin Fowler 刊载的拜耳 PRINCE 工程实践文。
