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：
- 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
- 可调试：哪个维度出问题，就改哪个维度，不用整个重写
- 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
- 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。