ElevenLabs

ElevenLabs 内部运营团队披露，其基于 ElevenAgents 构建的智能体每月为公司节省超过 1,200 小时。核心工程发现是：对于检索型智能体，精简数据模式中的冗余字段比调优提示词更能提升准确率。这一结论挑战了当前主流依赖提示词工程的优化路径，指出当智能体依赖外部数据检索时，输入模型的数据结构本身构成了更大的质量瓶颈。具体而言，每个多余的列或对象字段都给了模型一个猜测错误的机会，而将模式裁剪至关键子集带来的增益超过了任何提示词修改。此外，团队还通过启动时注入 Salesforce picklist 有效值至 MCP 工具类型定义，以及引入任务验证机制来进一步确保准确性。读者可关注后续是否公开具体的量化对比数据以验证该定性结论的普适性。