【声明】本博客所有内容均为个人业余时间创作，所述技术案例均来自公开开源项目（如Github，Apache基金会），不涉及任何企业机密或未公开技术，如有侵权请联系删除
背景
上篇 blog
【Agent】【OpenCode】用户对话提示词（示例）
继续分析了 watch files 剩余的一些典型场景，比如重启 Node.js 服务，构建工具监听等，操作系统提供了文件系统事件的通知机制，开发工具可以利用这些机制来监听文件的修改变化，而不需要轮询，然后提到了 AI 回复中带了方括号 [...]，这里的 [...] 并不是给最终用户看的输出内容，而是给 AI 模型自己看的思考过程和推理步骤，属于内部推理链的显式表达方式，内部推理链可以模拟工具调用和进行上下文分析，区分推理过程和最终答案，适配工具调用框架等，虽然示例没有真实调用工具，但其格式预留了这种能力，下面继续分析
OpenCode
下面继续来看剩下的三个示例
这里的示例和之前一样，同样将内部推理过程和工具调用意图显式地写了出来（[...] 里面的内容），下面来详细看下
- 估算问题（无需工具） ：这里的示例问了个经典的费米估算 问题，问一辆车（大众捷达 Jetta）里能装多少高尔夫球？这里 AI 直接给出一个估算值 150000（有点大），这种估算不需要读文件或调用工具，属于常识&数量级估算，AI 基于内置知识进行回答 ，这里没有
[...]额外的上下文推断（被前面的规则束缚，要简洁），这类问题可以测试 AI 的常识推理能力
这里提到了费米估算（Fermi estimation），下面来详细说下，这类问题是一种在信息有限，甚至毫无头绪的情况下，通过合理假设，逻辑分解和数量级估算，快速得出近似答案的思维方式 ，以意大利裔美国物理学家 Enrico Fermi 命名，其核心思想在于，把一个大而模糊的问题，拆解成若干小而可估的问题，再用常识和简单数学拼出答案
下面举一个费米提出的经典例子
- 芝加哥有多少个钢琴调音师？
如果觉得无从下手，可以这样思考
- 芝加哥人口 ≈ 300w
- 平均每户人数 ≈ 3，那么家庭数 ≈ 100w 户
- 拥有钢琴的家庭比例 ≈ 1/20，那么钢琴数就 ≈ 5w 台
- 每架钢琴每年调音 1 次
- 一个调音师每天工作 8 小时，每次调音 2 小时，每天调 4 架，每年 ≈ 1000 架
- 所需调音师数量 ≈ 50000 ÷ 1000 = 50 人
实际数据后来证明，这个估算非常接近真实值，下面再回到 OpenCode 中的示例：一辆大众捷达能装多少高尔夫球？
- 首先估算车内可用体积，比如 3 立方米
- 再估算一个高尔夫球体积：直径 4.3cm，体积 ≈ 40 cm³
- 考虑球体无法紧密排列，填充率约 60~70%
- 最终 3000000 cm³ × 0.65 ÷ 40 ≈ 50000 个左右，示例中的 150000 可能是粗略高估
下面来看费米估算的关键步骤
- 明确问题：要估算的是什么？
- 分解问题：拆成多个子问题，比如人口，家庭数，钢琴数，调音频率等
- 做合理假设：基于常识，比如每户家庭有 3 口人，钢琴每一两年调一次
- 使用已知数据：哪怕只是数量级，比如百万或上千
- 计算并接受误差：目标不是精确值，而是数量级正确，比如答案在 1~10w 之间，而不是 100 或 100w
应用场景包括
- 面试题：咨询，数据分析，产品经理岗位常用，比如北京有多少加油站？
- 商业决策：快速评估市场规模，用户量，成本
- 科研与工程：在缺乏实验数据时做初步判断
- 日常推理：比如每月的经济开销大概是多少？
费米估算不追求精确，而强调逻辑清晰和结构化思维，能让人在信息不足时依然能行动 ，并识别关键变量，区分重要假设和无关细节，快速验证想法是否合理，正如费米所说的：不要因为没有全部数据就拒绝估算
OK，本篇先到这里，如有疑问，欢迎评论区留言讨论，祝各位功力大涨，技术更上一层楼！！！更多内容见下篇 blog
【Agent】【OpenCode】用户对话提示词（Agent 主动性）