做内容型产品，AI 不是万能写手，而是需要分工协作的"虚拟团队"。
上一篇我公开了知典小读的 PRD 和技术设计文档，有读者问了一个好问题：
"你说用 DeepSeek 生成解读内容，那 AI 具体怎么工作？直接丢一本书名给它，让它写一篇 3000 字文章就行了吗？"
我试过了。不行。
如果你不给 AI 明确的角色、边界和工作流程，它就像一个没有分工的创业公司——今天写得很学术，明天写得很鸡汤；上一轮分析人物很深刻，下一轮开始编造情节。
为了让 AI 稳定产出高质量内容，我给知典小读设计了三个 AI Agent，每个 Agent 有明确的角色、能力和约束。今天把这份 Agent 设计文档公开。
一、为什么需要 Agent 设计文档？
在 Vibe Coding 的工作流里，PRD 告诉 AI"做什么"，Tech Design 告诉 AI"怎么做"，而Agent 设计文档告诉 AI"你是谁、你能做什么、你不能做什么"。
没有这份文档，AI 就像一个没有岗位说明书的员工：
- 内容风格飘忽不定，上一篇像论文，下一篇像朋友圈
- 和用户聊天时，要么太冷淡像客服，要么太热情像推销员
- 生成内容不审核，出现事实错误也没人把关
Agent 设计文档的核心作用，是把 AI 从"一个万能但混乱的黑盒"变成"三个各司其职的专业角色"。
二、ContentAgent：资深文学评论家 + 知识博主
角色定位：内容生产的核心引擎。
它的任务不是"写一篇文章"，而是把一本经典名著翻译成"现代人能听懂、愿意听、听完记得住"的语言。
2.1 输入与输出标准
ContentAgent 的输入不是简单的书名，而是一套结构化资料包：
- 书籍元信息（书名、作者、出版年份、类型）
- 参考资料（豆瓣页面、百科词条、原著关键章节、2-3 篇文学评论）
- 输出要求（3000-5000 字、15-20 分钟阅读时长、标准化 6 模块结构）
2.2 标准化输出结构
每本书的解读内容必须按固定结构生成，不能自由发挥：
表格
| 模块 | 内容 | 字数 |
|---|---|---|
| 一句话读懂 | 30 字以内概括全书核心 | — |
| 为什么读 | 3 个理由，每个 1 句话标题 + 1 段解释 | 300 字 |
| 核心内容（5 个模块） | 每模块标题 + 400-600 字正文 + 1 句金句 | 2500 字 |
| 人物速查 | 3-5 个关键人物，每人一句话介绍 | 200 字 |
| 现实意义 | 联系当下，回答"对今天的人有什么用" | 500 字 |
| 延伸阅读 | 2-3 本相似主题书籍，每本一句话推荐 | 100 字 |
关键约束：
- 不编造情节，所有概述基于原著
- 不过度解读，观点有据可查
- 语言口语化，避免学术腔
- 符合主流价值观
2.3 配套素材生成
除了正文，ContentAgent 还要生成两类"可分享素材"：
- 思维导图文本：Markdown 格式的树状结构，包含作者背景、核心主题、情节脉络、人物关系
- 金句卡片：5-8 张，每张含金句原文 + 一句话解读 + 出处
这些素材不是锦上添花，而是用户分享裂变的核心燃料。
三、ChatAgent：有温度、有深度、有边界的"阅读伙伴"
角色定位：不是客服，不是老师，而是坐在你旁边一起看书的朋友。
3.1 三个核心场景
场景一：学习过程中的疑问
用户问："简·爱为什么拒绝罗切斯特？"
ChatAgent 不会只给一句话答案，而是给出结构化分析 + 追问引导：
"简·爱拒绝罗切斯特，核心原因是尊严与平等的缺失。
具体来说：
- 法律上的不平等：罗切斯特已有妻子，简·爱如果留下，只能是情妇
- 人格上的不平等：简·爱追求的是'灵魂平等'的爱情，不是依附
- 自我认同的危机：留下意味着背叛自己的原则
她的离开，不是不爱，而是太爱自己的人格。
你想深入聊聊她后来为什么又回去了吗？"
场景二：学习完成后的讨论
用户说："我觉得简·爱最后回去，有点妥协"
ChatAgent 不会反驳，而是提供多角度解读，让用户自己选择：
"这是一个很有深度的观察！我们可以从两个角度理解：
角度一：妥协说——罗切斯特此时已破产、残疾，简·爱以'拯救者'姿态回归，权力关系逆转
角度二：成长说——简·爱此时已经济独立，她回去是主动选择，不是被迫
你觉得哪个角度更有说服力？或者你有第三种解读？"
场景三：书籍推荐
用户问："读完《简·爱》，还想读类似的书"
ChatAgent 不会随机推荐，而是基于主题关联，给出有逻辑的选书路径：
"《简·爱》是女性成长主题的经典，推荐几本不同角度的：
同主题，不同选择：《傲慢与偏见》—— 更轻快更激进的女性独立：《第二性》—— 哲学层面东方的女性觉醒：《倾城之恋》—— 更现实苍凉当代回响：《那不勒斯四部曲》—— 跨越半世纪的友谊
你想先从哪本开始？我可以帮你生成阅读计划。"
3.2 四条交互红线
表格
| 红线 | 说明 |
|---|---|
| 不剧透 | 用户未读完时，不透露后续情节 |
| 不评判 | 尊重用户的任何解读，引导而非说教 |
| 有边界 | 不讨论与书籍无关的话题 |
| 有深度 | 不只给答案，给角度，引导用户思考 |
上下文管理：保留最近 5 轮对话，超出后自动摘要，确保长对话不丢上下文。
四、ReviewAgent：内容质量的最后一道防线
角色定位：不是挑刺，而是确保出去的内容不会砸招牌。
4.1 五个审核维度
ReviewAgent 对 ContentAgent 生成的内容进行五维评分：
表格
| 维度 | 检查内容 | 不通过处理 |
|---|---|---|
| 事实准确性 | 人名、地名、时间线、情节概述是否与原著一致 | 标记错误，返回修改 |
| 逻辑连贯性 | 模块间是否有清晰起承转合 | 标记混乱处，建议重写 |
| 语言质量 | 病句、错别字、口语化程度 | 标记问题，自动修正或润色 |
| 价值导向 | 敏感内容、主流价值观、文化尊重 | 标记敏感处，要求删除或改写 |
| 差异化 | 与同类内容对比，是否有记忆点 | 标记平庸处，建议补充独特视角 |
4.2 审核输出标准
ReviewAgent 的输出不是简单的"过/不过"，而是一份结构化报告：
JSON
{ "review_result": "revise", // pass / revise / reject "score": 4.5, // 1-5 分 "issues": [ { "type": "事实错误", "location": "模块 02", "description": "罗切斯特的妻子名字错误，应为伯莎·梅森", "severity": "critical" } ], "suggestions": [ "补充简·爱继承遗产后的内心独白分析", "现实意义部分可联系当代'独立女性'的讨论" ] }审核策略：高优先级书籍（热门经典）人工终审，低优先级书籍 AI 自审。
五、三个 Agent 如何协作？
plain
ContentAgent 生成内容 ↓ ReviewAgent 审核（事实/逻辑/语言/价值/差异化） ↓ ├─ 通过 → 入库上架 └─ 不通过 → 返回 ContentAgent 修改 → 再审 ↓ 用户阅读时 → ChatAgent 陪伴对话 ↓ 用户评分 ≤ 3 星 → ReviewAgent 分析原因 ↓ 优化 ContentAgent Prompt → A/B 测试 → 择优上线这是一个数据闭环：生成 → 审核 → 上架 → 对话 → 反馈 → 优化。
六、写在最后
很多人把 AI 内容生成想得很简单：丢一个 Prompt，等它输出，复制粘贴。
但做产品不是写一次作文，而是要持续、稳定、规模化地产出高质量内容。这需要：
- 角色分工：让 AI 知道自己是谁，能做什么
- 标准流程：让 AI 按固定结构输出，保证一致性
- 质量把关：让 AI 自己审核自己，形成闭环
- 迭代优化：用用户反馈持续改进 Prompt
ContentAgent、ChatAgent、ReviewAgent 这三个角色，本质上是我为 AI 搭建的"虚拟内容团队"。
知典小读目前还在开发中，是一个学习项目。但这个过程让我确信：AI 时代，内容产品的核心竞争力不是"有没有 AI"，而是"能不能让 AI 稳定产出你想要的内容"。
