把"任务"当交互单元：多模态上下文如何让AI智能体一次做对

DAIR.AI联合创始人Elvis Saravia最近在X上抛出一个新提法：AI智能体的交互单元，应该从"提示词"升级为"任务"。他的核心主张是，把语音、屏幕、文本、标注等多模态信息打包成一个完整任务，让智能体一次拿到全部上下文，而不是在多轮对话里来回追问。

这个想法并非凭空而来。Saravia明确提到，他的灵感来自Andrej Karpathy关于"长语音会话作为提示"的论述——既然一段连续的语音可以被视作提示，那么任何形式的多模态输入，同样可以组成更高密度的交互单元。

过去两年，提示词工程几乎成了AI使用的代名词。用户写一段文字，模型给一段回答，发现不对，再写一段修正。这种"提示—回答—修正"的循环，本质上是让模型边干活边猜需求。

从提示词到任务单元

Saravia提议的"任务"概念有三层含义：一次性提交多种模态素材；附带明确的产出目标和边界；前端预处理后一次性送入智能体。换句话说，用户不再"喂"提示词，而是"下任务"。

这样做的好处很直接。智能体拿到完整上下文后，不需要反复追问"你说的图片是哪张""这条语音指什么"，可以把更多算力花在理解和执行本身。这对长流程、多步骤的工作流尤其重要。

对开发者和企业用户的影响

对开发者而言，这意味着一类新的API设计可能会出现：支持一次提交语音流、屏幕截图、文本说明和结构化标注的"任务端点"。现有的多模态模型已经具备这些输入能力，但如何打包、如何计费、如何管理上下文，是新的工程问题。

对企业用户来说，更实际的价值在于减少试错成本。当前不少Agent项目卡在"反复确认需求"这一步，耗时占整个任务的三成以上。如果前端把上下文整理好，交付速度会明显提升。

中文用户该关注什么

目前这个思路还停留在Saravia的个人提案阶段，没有对应的开源项目或产品发布。但它和最近半年兴起的Agent规范讨论高度同频，比如Anthropic的Skills体系、各家模型厂商的Function Calling升级。

值得观察的下一步包括：是否有头部模型厂商把"任务"作为一等公民接口暴露出来；前端工具是否开始出现"任务打包器"类产品；以及语音加屏幕加标注的多模态输入，会不会成为Agent交互的新默认。

可以肯定的是，"写好提示词"这件事本身正在贬值。 下一个阶段的竞争点，是谁能更高效地把模糊需求翻译成结构化任务——这部分工作，恰好是国内AI工具开发者可以抢先布局的方向。