帮LLM集中注意力:从PPT生成实验到多智能体架构的本质

一个看似简单的任务

让AI生成一份6页的PPT，听起来不是什么难事。但当我真正尝试时，发现了一个奇怪的现象：同样的内容，不同的执行方式，输出质量天差地别。最好的版本有精确到0.01英寸的坐标、多层形状叠加的视觉层次、丰富的信息密度；最差的版本则布局错乱、文字溢出、视觉单调。差距不是一点半点——是"能不能用"的区别。这引出了一个值得追问的问题：LLM的能力到底是固定的，还是在不同架构下会表现出截然不同的水平？

九次迭代，九次发现

为了找到答案，我做了九次实验，每次换一种架构：第一次，让一个AI代理从头到尾写完整脚本，质量最高，但无法利用多代理协作。第二次，让它走一个九步流程，质量反而下降——流程步骤消耗了设计精力。第三第四次，尝试在流程中加入中间文件来传递设计意图，结果信息在转换中丢失。第五次，去掉中间层让代理直接写代码，质量回升，但图表嵌入变成了事后补丁。第六次，让多个代理并行写不同页面，质量进一步提升。到这里，技术层面的问题似乎都解决了。但当我仔细看输出时，发现了一个更深层的问题：子代理并没有在做设计，它只是在翻译。

我在主代理的指令中已经替子代理决定了标题是什么、图表放哪里、文字写什么。子代理只是把这些决策翻译成代码。这解释了为什么质量仍然不够好——子代理的注意力被限制在"翻译"上，而不是"设计"上。

设计分层：让每个角色只做一件事

意识到这一点后，架构变得清晰了。问题不在于用多少个代理，而在于每个代理的注意力边界是否清晰。最终的架构分成了三层：骨架层决定结构和风格——页面数量、布局类型、颜色字体；内容层决定信息和表达——标题、图表数据、文字内容；验证层检查质量——技术规范是否达标、设计是否合理。每一层只做一件事，层与层之间通过明确的接口通信。这就像建筑设计：结构工程师决定框架，室内设计师决定装修，质检员决定验收。没有人同时做所有事，但每件事都有人专注地做。

注意力的本质

回过头看这九次迭代，所有问题的本质都是同一个：注意力能否集中。当一个代理同时处理骨架决策和内容决策时，它的注意力被分散了，两件事都做不好。当中间层承载了太多职责时，注意力在转换中丢失了细节。当子代理被限制为翻译器时，它的注意力无法集中在真正的设计上。而设计分层之所以有效，是因为它让每个代理的注意力都集中在一件事上。骨架层不需要想内容，内容层不需要想风格，验证层不需要做设计。注意力不被分散，质量自然提升。

用户的角色

这引出了一个更根本的认识：LLM的能力上限是固定的，但实际输出质量取决于注意力集中程度。

用户能做的最有价值的事情，不是替LLM做决策，也不是给LLM更详细的指令，而是设计一个让LLM注意力最集中的架构。谁在什么时候关注什么——这才是用户真正要决定的事。

这和人类团队管理的逻辑一样。好的管理者不是替下属做决定，而是设计一个让每个人注意力最集中的分工方案。管理者的价值不在于自己多能干，而在于让团队的注意力分配最合理。

从PPT到一切

这个认识不仅适用于PPT生成。任何复杂的LLM任务——报告撰写、代码重构、数据分析——都可以用同样的原则来优化：区分结构决策和内容决策，让不同的代理各负责一层，每层的注意力边界清晰。LLM的能力区别不在于模型参数的大小，而在于注意力能否集中。而帮助用户集中注意力的方式，就是不断追问"真正的问题是什么"——不被中间的技术细节带偏，始终回到本质。

这或许就是人机协作的真正含义：不是人替机器做事，也不是机器替人做事，而是人帮助机器把注意力放在对的地方。