你发一句“Hi”，它读到的远不止这句

打开任意一个 AI 产品，在输入框里打一个 “Hi”，发送。它回你一句得体的招呼。再普通不过的一步。

但如果你换几个产品，都只发一个 “Hi”，会发现它们的反应差得很远：一个像一本正经的客服，一个像贫嘴的朋友，一个开口就问”今天想做点什么”。

可它们底层，很可能是同一个大模型（LLM，就是 ChatGPT、Claude 这类东西）在答——很多产品并没有自己的”大脑”，用的都是这几家的同一个模型。同一个模型，为什么一句 “Hi” 能聊出这么多种性格？

因为模型收到的，根本不是一个 “Hi”。

一句话前面，系统先垫了一大段

每次你发消息，你所用产品背后的系统，都会在你这句话前面，悄悄垫上一段你看不到的内容，再一起发给模型。

这段东西平时是藏起来的，外人看不到。所以下面我用自己做的 Tenon 举例——它不是聊天框，是个能边写边问 AI 的笔记工具，但你不用管它具体长什么样；我挑它，只因为它是我做的，能把平时藏起来的那段，原样掏出来给你看。

你在它的输入框里打一个 “Hi”，模型这一轮真正读到的，大致是这样分块的一叠（具体内容做了简化）：

① 指令（System Prompt）—— 你看不到
   你是 Neva，一个帮用户把想法理清楚的助手。
   用中文回答，简洁；拿不准的事先查清楚，不要编。

② 环境信息（每轮自动塞进来的一段隐藏文字）—— 你看不到
   当前时间：2026-06-16 周二，时区 Asia/Shanghai
   用户正打开的文档：「本周计划」
   用户此刻在看：摊开到了「本周目标」这一段

③ 你的输入（User Message）—— 你只打了这一行
   Hi

真正出自你手的，只有第 ③ 块那一行；前面两块，都是 Tenon 替你垫上的。

① 写给模型的指令，业界叫 System Prompt（系统提示词）。 它规定了模型扮演谁、守什么规矩、用什么语气、能做什么不能做什么。Tenon 把模型设定成”Neva”这个角色，要求它简洁、不许瞎编。换一个产品，这段换了，模型表现出的”性格”和分寸就完全不同——它不是天生懂某个产品的调性，是这段话每一轮替它定调。

② 一些环境信息（也叫环境上下文）。 模型是个离线训练出来的引擎，对”此时此地”一无所知。所以 Tenon 每一轮都塞进一段隐藏文字（它给这段起了个名字，叫 <system-reminder>）：当前几点、你打开的是哪份文档，甚至你屏幕上此刻正摊开着哪些内容。模型并不是”看得见”你的屏幕——是 Tenon 每轮拍一张快照、写成文字垫给它。

日期这件事尤其能说明问题：模型默认根本不知道今天是哪天。Tenon 的做法是每轮把日期写进 <system-reminder>；也有产品反过来——干脆不写，只给模型一个”查时间”的小工具，要用时自己查。但无论哪种，结论一样——日期不是模型知道的，是系统喂给它的。

所以你发的不是 “Hi”

把上面拼起来，你按下发送时，模型真正读到的是：

[System Prompt：Neva 的角色和规则] ＋ [环境上下文：今天几号、你在看哪份文档] ＋ [你的输入："Hi"]

你只看到最后那两个字母，它读到的是全部。

产品越专门，这段垫的越多：Tenon 垫的是你正在看的笔记，换成写代码的 AI 助手，垫的就成了你打开了哪个文件夹、最近改过哪些文件。但道理都一样——你看到的是自己那一行，它读到的是一大叠。

带不带这段，回答差在哪

把这段垫的东西全拿掉，让模型只收到光秃秃一个 “Hi”，它会怎么答？

它不知道自己在哪个产品里、该说中文还是英文、对面的人正在干嘛。能给的，大概只是一句放之四海皆准的客套：

你好！有什么可以帮你的吗？

再把 Tenon 真实的那叠垫回去——Neva 的设定、今天的日期、你正摊开着「本周目标」——同一个模型、同一句 “Hi”，回答就成了：

嗨，看你正盯着「本周目标」——要我帮你把它拆成几条今天就能动手的吗？

两句话出自同一个模型，差的不是一个字。前一句什么都不知道，只能客套；后一句知道你是谁、在看什么，于是能直接接上你的活。模型没有变聪明，变的只有一件事——这一轮，它眼前摆着的东西不一样。任何一个用起来”懂你”的 AI 产品，靠的都是这件事。

这还不是 agent，只是个聊天机器人

不过得说清楚：到这里为止，我们拆的还算不上一个 agent。

你发一句、它答一句，一来一回——这是一个**聊天机器人（chatbot）**做的事。前面垫的那叠东西再丰富，整件事的形状还是「读完输入 → 吐出回答」，一轮就结束了。

一个 agent 比这多一样本事：它不只是回答，还能自己动手——去查一下、读个文件、改点东西，看到结果，再决定下一步。它会在你这一句话之后，自己转上好几圈，而不是张口就答。这一步，才是聊天机器人和 agent 的分界线。

所以这是”Agent 内部发生了什么”系列的第一篇，我们先把最底下那个聊天机器人看清楚。下一篇，就动手给它装上”自己做事”的能力，看一个最简单的 agent 是怎么转起来的。

但无论往后拆到哪一层，大概都会回到这一篇的这句话：

你发给它的，从来不是它读到的全部。