从「身份 + 背景 + 任务」到 Human-in-the-loop：一次农业AI培训中的 Prompt 设计实践

最近在一次面向农业从业者的 AI 培训中，我观察到一个非常典型的问题：

零基础用户并不会按照工程师预设的方式使用 LLM。

他们不会主动写复杂 Prompt。

不会定义 JSON Schema。

不会设计 Agent Workflow。

甚至不会打很长的文字。

他们最自然的交互方式是：

• 语音
• 拍照
• 一句话提问

这次实践让我重新思考了一个问题：

面向低 AI 素养用户，Prompt Interface 应该如何设计？

1. Bad Prompt：自然语言过于模糊

真实用户很容易这样问：

我的水稻有问题怎么办？

这个 Prompt 的问题非常明显：

• 缺少用户角色
• 缺少时间
• 缺少地理和作物背景
• 缺少症状
• 缺少证据
• 没有定义输出结构
• 没有不确定性约束

模型只能依赖宽泛先验生成回答。

2. 最小可用 Prompt 结构

现场我们将 Prompt 简化为：

Identity
+
Context
+
Task

例如：

我是宝应的水稻种植户。

现在是9月底，
田里部分水稻叶片发黄并出现斑点。

我会上传现场照片。

请：
1. 列出可能原因；
2. 告诉我还需要观察什么；
3. 明确哪些地方目前不能直接下结论；
4. 给出咨询农技人员前的检查清单。

对于非专业用户来说，这种结构已经能显著改善输出。

3. 真正重要的是 Uncertainty Prompt

我认为这里最重要的设计不是：

请给出答案

而是：

请明确哪些地方目前不能直接下结论

这实际上增加了一个：

Uncertainty Layer

完整结构可以抽象为：

User Input
    ↓
Context Extraction
    ↓
Evidence Extraction
    ↓
Candidate Hypotheses
    ↓
Missing Evidence
    ↓
Uncertainty Disclosure
    ↓
Human Review

对于农业、医疗、保险、合规等领域，这一步尤其重要。

4. 从 Prompt 到 Agent UX

现场用户的使用行为还暴露出几个非常明显的产品需求。

Voice-first

不少用户相比打字，更倾向直接语音输入。

因此：

Voice → ASR → LLM

可能比文本输入框更符合实际使用习惯。

Multimodal

农业场景天然存在图片：

作物照片
+
自然语言描述

因此更适合：

Image + Context + Task

而不是纯文本交互。

Progressive Prompting

不能期待用户第一次就提供全部信息。

更合理的是让系统主动追问：

用户：叶子发黄怎么办？

AI：
- 什么作物？
- 什么地区？
- 什么时间？
- 发黄范围？
- 是否有斑点？
- 最近是否施肥/打药？
- 可以上传照片吗？

这其实是：

Progressive Information Collection

5. Human-in-the-loop 不是“兜底”，而应该是默认架构

农业场景中的很多问题不能由 LLM 直接完成最终决策。

因此架构应该是：

LLM
↓
整理
↓
假设
↓
缺失信息
↓
证据检查
↓
专业人员
↓
最终决策

而不是：

LLM
↓
Final Answer

6. 这个模型可以迁移到很多行业

农业只是这次实践场景。

同样的架构完全可以迁移到：

• 医疗辅助
• 保险核保
• 制造业诊断
• 政策解读
• 合规审查
• 企业服务 Agent

其核心并不是“农业 Prompt”。

而是：

如何让非专业用户把模糊问题逐步转化成结构化、可验证、可交给人最终判断的任务。

这是我认为垂直行业 Agent 比“聊天机器人”真正更值得做的地方。