Nebula 平台发布了一篇面向非技术用户的 Agent 构建指南。核心前提：最好的 AI Agent 不会由开发者创建，而会由懂得清晰表达意图的人创建。
三个原则
- 任何人都能创建 AI Agent —— 不需要会写代码
- 不需要编程知识 —— 自然语言就是 hottest programming language
- 任何可想象的 Agent 都能通过提示词创建 —— 关键是表达清晰
反直觉的起点：先别急着用 AI
作者建议：如果你还不习惯跟 AI 对话，先别急着建 Agent。先去练习清晰表达需求——因为 Agent 失败的主要原因，是你没能向它清楚传达想要什么。
"如果 Agent 失败了，很可能是技能问题。你没能向 Agent 清楚传达你想要什么。"
Agent Memo：反向推导法
不要直接告诉 AI"给我建个 Agent"。先写一份 Agent Memo，回答六个问题：
- 目标：你想完成什么？
- 验收标准：怎么知道达成了？
- 步骤：需要哪些步骤？
- 工具：需要什么工具辅助？
- 异常处理：Agent 卡住怎么办？
- 交付物：最终产出是什么？
把 Agent 当作即将合作的项目伙伴。如果你是项目负责人，带着明确目标出现——否则团队会困惑该做什么、怎么推进。Agent 不是读心者。
测试-反馈-迭代循环
这是大多数人放弃的地方。第一次运行 Agent 时，它大概只能做对 70%——就像培训新员工，你不会因为第一次没做好就开除他。
具体步骤：
- 总是从测试运行开始
- 要求 Agent 每步完成后向你报告结果
- 审查结果
- 如果不对，给 Agent 看应该长什么样
- 让 Agent 重跑，看它是否学到了
- 如果改进了——让它更新 prompt，以后按正确方式做
- 如果没改进——重新审视你的 Memo/Prompt，重写
看起来繁琐，但好消息是：如果你花点时间写好 Memo + 结构化 Prompt，只需要迭代几次。Agent 会达到 85% 的完成度，而且每次迭代都在进步。
让 AI 帮你写 Prompt
以前需要手写结构化的 XML 格式 prompt 才能做复杂任务。现在大多数模型擅长跟你一起推理，自己理解好的 prompt 结构应该长什么样。
所以策略是：你把 Memo 给 AI，让它基于 Memo 生成结构化的 Agent Prompt。这样生成的 Prompt 更具体、更详细、更贴合你的实际需求。
关键心态
- Agent 失败 = 你的表达不够清晰，不是技术不行
- 像培训新员工一样培训 Agent —— 给反馈、沟通清楚
- 迭代几次后 Agent 会自我改进 —— 关键是建立反馈循环
- 不要卡在工具选择上 —— OpenAI、Claude Cowork、Nebula 都可以，选一个就开始
实操建议
在 Prompt 末尾加上："Let's do a test run and report what you're doing step by step"——这会让 Agent 逐步报告它在做什么、哪里犯了错，让你能精准定位问题。
Nebula 平台的优势在于专门为构建 Agent 设计，能自动创建 Agent 需要的所有东西：Goals、Descriptions、Tools 等，并把 Goals、Steps、Tools 清晰分离。
但核心方法论（Memo → Prompt → Test → Feedback → Iterate）适用于任何平台。