ElevenLabs 产品与增长方向的 Jake Tennant：删字段比调提示词更能提升检索型智能体准确率

ElevenLabs 产品与增长方向的 Jake Tennant 在博客中介绍了该公司内部使用 ElevenAgents 智能体的运营经验。这些智能体覆盖销售、支持、工程和产品营销团队，公司自报每月节省超过 1200 小时、回答超过 5000 个问题、创建超过 150 个工单。

但真正值得同行注意的不是这些数字，而是作者在「我们学到了什么」部分给出的工程判断。Tennant 写道，他们对检索型智能体回答质量的最大提升来自删减字段，而非调整系统提示词。每一个多余的列或对象字段都给了模型一个猜错的机会；把数据模式裁剪到关键子集，效果超过他们尝试过的任何提示词改动。

这一发现与当前主流的提示词工程思路形成张力。许多团队默认在提示词层面做精细调优，但 Tennant 的经验表明，当智能体依赖外部数据检索时，输入给模型的数据结构本身就是更大的质量瓶颈。字段越少，模型需要猜测的空间越小。

作者给出了一个具体实现：Salesforce 的 deal stage 或 account type 等字段是 picklist，即一组固定合法值。如果让模型自由生成，它可能造出一个听起来合理但 Salesforce 中并不存在的选项。ElevenLabs 的做法是在启动时拉取合法值列表，注入到 MCP 工具的类型定义中，使模型只能从真实选项中选择。

此外，他们还在工单创建后加入任务验证步骤：智能体创建 Linear 工单后，自行检查字段是否正确、是否分配给了对的团队。Tennant 称这减少了偶发的幻觉和错误分派。

需要指出的是，这是 ElevenLabs 对自身产品的自述。1200 小时节省没有给出计算方法论，工程经验可能与其特定技术栈和内部数据规模相关。但这些具体做法——删字段优先于调提示词、用类型约束替代自由生成、创建后验证——对其他团队来说是可以直接在自己环境中测试的。