GPT-5做单轮对话很强。但进入Agent循环——连续调用工具、自主决策、持续推进任务——它就暴露四个顽固的坏毛病。

这不是模型能力不够，是模型"不听话"。

四个顽固问题

光说不做（Commentary-Only Turns）

让模型改个文件，它回复"我会先读取文件内容，然后定位问题，接着修改……"说完就结束了，没有任何tool call。

GPT系列有很强的"先描述计划再行动"倾向。聊天场景里是好习惯，Agent场景里是致命的——每一轮空转都浪费上下文窗口。

半途而废（Premature Completion）

工具返回了部分结果，模型就当成完整答案交付。搜索只返回3条结果，明明可以换个关键词再搜一轮，它却直接总结"根据以上结果……"。

不做验证（No Verification）

生成了代码不跑测试，写了配置不检查语法，给了答案不交叉验证。直接输出，交付，下一个。

编造而非查询（Hallucination Over Lookup）

明明有search_files、web_search这些工具，遇到不确定的信息却选择"凭印象编一个"。长任务里一个错误的文件路径或API参数，全部白做。

OpenClaw的修复：90行prompt overlay

OpenClaw的核心修复藏在一个90行的TypeScript文件里（extensions/openai/prompt-overlay.ts）。三段prompt overlay，只对GPT-5生效。

执行偏好层（Execution Bias）——解决"说了不做"：

Start the real work in the same turn when the next step is clear.

翻译成人话：别废话，直接干。

还加了一条针对性规则：如果用户最后一条消息是"ok do it"或"go ahead"，跳过所有复述，直接开始tool call。

输出契约层（Output Contract）——解决啰嗦和格式问题：

强制精简输出，禁用em dash（GPT-5特别爱用破折号），默认简短回答。

人格层（Friendly Prompt Overlay）——把执行纪律包装成"好队友"风格：

Commentary-only turns are incomplete when the next action is clear.

这句话既是性格描述，也是行为约束。整套方案约1,500 tokens。小、准、狠。

Hermes的方案：9层system prompt

Hermes承认受OpenClaw启发，但把问题升级成完整的行为工程体系。

XML标签强化指令权重

用XML标签包裹关键规则：

<tool_persistence>
Do not stop early when another tool call would materially improve the result.
If a tool returns empty or partial results, retry with a different query or strategy before giving up.
</tool_persistence>

XML标签不是装饰。在transformer的注意力机制里，结构化标记比平铺直叙的文本更容易被模型"注意到"。

四维验证清单

Hermes把OpenClaw一句话展开成四个维度：

  • Correctness：输出是否满足所有需求？
  • Grounding：事实性声明是否有工具输出支撑？
  • Formatting：输出格式是否匹配要求？
  • Safety：下一步有没有副作用？需要确认范围。

Grounding和Safety直接对应"编造"和"不验证"两个坏毛病。

反幻觉优先级链

遇到缺失信息时，规定明确行动优先级：

工具查询 → 带标签地假设 → 向用户提问

先自己查，查不到再问人。比OpenClaw的隐含规则更具操作性。

Developer Role切换

OpenAI的API里，developer role比system role的指令权重更高。Hermes调GPT-5/Codex时，自动把system prompt切换成developer role。不改内容，只改信封，指令遵循率就上去。

9层system prompt架构

层内容关键设计
1人格（SOUL.md）与执行规则解耦
2工具感知指导只注入已有工具的规则
3云服务能力声明—
4执行纪律+模型补丁核心修复层
5自定义system message运行时覆盖
6持久记忆快照会话开始时冻结
7Skills索引每次回复前扫描
8项目上下文文件带注入扫描
9时间戳与元数据—

第2层值得注意：如果当前会话没有web_search工具，所有提到web_search的引导文本都会被自动剥离。这防止模型幻想调用不存在的工具。

真正的问题

模型厂商卖的是"通用智能"，Agent框架在生产环境里做的第一件事，是用prompt给模型打行为补丁。

GPT-5.4的benchmark分数很高，能写论文、能做数学推理。但Agent循环里连续跑50轮tool call？它会走神，会偷懒，会编造，会虎头蛇尾。

这不是模型"笨"。是模型的训练目标（单轮对话质量）和Agent场景的要求（多轮执行纪律）之间存在gap。RLHF优化的是"回答让人满意"，不是"持续正确地调用工具直到任务完成"。

Prompt工程是现在的权宜之计，training pipeline才是终局。Hermes的trajectory_compressor.py文件已经为RL训练压缩Agent轨迹数据，强化"理解→执行→验证"的行为模式。

可以直接拿走的做法

  1. "说了就要做"规则：禁止commentary-only turns，ROI最高
  2. 空结果重试：工具返回空或部分结果时，要求换策略重试
  3. 条件式prompt组装：只注入当前可用工具的引导
  4. XML标签包裹关键规则：对GPT系列效果显著
  5. 验证清单：至少Correctness和Grounding两个维度