LangChain 探讨目标工程：智能体架构设计应以人类反馈效率为核心

过去几年里，智能体能够承担的任务范围大幅拓宽。从简单的文本生成，到调用工具、自主决策，再到独立执行完整任务，智能体正经历着全方位的演进。智能体的未来，在于承接开放式目标并自主推进其达成。Hone 等产品的发布，让我们得以窥见这一未来。

在这样的背景下，界定智能体的职责边界至关重要。一旦方向指错，就会白白浪费大量 token。在 Hone 配置智能体时，关键一环就是明确定义需要优化的具体指标。

如何设计目标

在开发同类智能体的过程中，我们在范围设计上得出了一条心得：界定智能体的职责边界时，核心目标应当是让人们在智能体运行期间能够极方便地给予反馈。

这是为什么？

智能体出错往往是因为缺乏正确的上下文。要纠正偏差，就得给它补齐上下文。但上下文分很多种：像获取特定文档权限或调用 API 这类上下文，相对容易解决；最棘手的，是那些未曾见诸文字的“隐性上下文”。这类信息必须由人类专家以反馈的形式提供给智能体。

随着智能体从执行结果明确的可验证任务，逐渐延伸到与人类协同处理主观性工作，这一点变得尤为重要。例如，若想让智能体协助优化某项业务指标（比如优化广告投放以提升营销效果），除了事实性上下文之外，还有诸多微妙的细节需要约束智能体的行为。比如团队对文风和视觉效果有特定的审美偏好，对品牌言论的激进或出格程度也有明确底线。如果智能体无法通过反馈快速摸透这些隐性规则，很快就会沦为摆设。

只要智能体的范围设计能够让用户极其顺畅地提供大量高质量反馈，你在构建能够稳定执行长期目标的智能体时就会事半功倍。

由此延伸出的另一条心得是：必须大力投入，打造直观、顺手的产品交互，方便用户审核智能体的工作成果。智能体性能提升的瓶颈往往在于能否从反馈中持续学习。因此，理应千方百计降低反馈门槛并提高反馈质量——为此打磨出一套清晰易用的 UX，绝对是一笔高回报的投资。

案例分析：Actively AI

我们来看一个来自 Actively AI 的案例，这是一家专门为销售团队打造智能体的公司。

Actively 最初设计目标导向型智能体时，采取了“每个客户（即销售团队试图跟进的潜在客户）对应一个智能体”的模式。智能体的任务是推进客户转化进程，并输出行动建议供销售代表审批。直觉上，这种设计完全说得通：目标清晰、范围受限，且产出明确。当时人们很自然地认为，该客户的相关背景就是智能体最需要掌握的上下文，围绕客户来设计智能体理所当然。

在智能体实际运转的过程中，团队发现智能体还需要另一类至关重要的上下文：如何高效完成自身工作。具体而言，就是怎样做外向触达、如何回复、如何制定交易策略、沟通风格该保持多大的进攻性、如何搞定大型组织的复杂架构等等。这类上下文此前分散在多个智能体之间——如果你在跟进某个客户时摸索出了一套外向拓展的诀窍，往往也希望能把这些经验复用到其他客户身上。

Actively 发现，当单个智能体只负责单一客户时，销售人员很难高效地使用智能体并给予反馈。推进单个客户的交易涉及许多不同环节的工作，而且往往跨越很长的时间周期。他们发现：(a) 销售人员需要在不同智能体之间频繁切换上下文（因为单个智能体在某一时间点需要审核的内容其实寥寥无几）；(b) 在智能体之间共享经验的交互体验非常别扭（但这种经验共享又必不可少，因为它们学到的东西本质上是相通的）。

Actively 的第二代智能体体验解决了这个问题。他们新推出的目标导向型智能体（基于 Deep Agents 构建）被称为“动作”（motions）。一个“动作”代表一项特定的待办任务，比如外向拓展或早期交易推进。这类工作往往没有明确的死规矩，很大程度上取决于销售代表的个人偏好。很多诀窍只存在于销售人员的脑海中，需要通过反馈提供给负责该动作的智能体，供其学习。由于一个“动作”包含一连串相似的任务，销售人员可以非常轻松地集中审核。智能体从该动作中某一任务学到的任何反馈，都会自然而然地迁移到该动作下的其他任务中。

这种做法让反馈（包括反馈的覆盖范围以及提供反馈的便捷程度）与智能体本身紧密契合，从而让打造强大的智能体变得容易得多。

这并不是说客户本身的背景信息不重要——它显然非常关键！但这类客户背景通常已经形成文字，也更为客观。因此，Actively 让负责收集上下文的智能体在后台运行，汇总每个客户的信息；而推动客户进入销售漏斗下一阶段的实际工作，则交由跨客户运作的“动作”来处理。它们专注于销售动作的特定环节，能更快从反馈中学习，并根据需要随时调取对应客户的上下文。

未来展望

未来，智能体将进化到这种程度：你只需给它一个目标，它就会自行摸索并达成该目标。

人工审核智能体的工作虽然耗费大量时间，但其价值无可估量。正是通过审核，你才能教会智能体该怎么做，并让它们适应你的业务领域。那些只存在于人们脑海中的隐性知识至关重要，必须以一种易于传递给智能体的形式提取出来。

要想达到最佳效果，你需要将智能体的目标设定为人类最容易审核的形式。这样不仅能带来极佳的审核体验、最大限度地提取信息，还能让智能体持续学习，随着时间的推移变得越来越好用、越来越自主。

提示词工程和上下文工程终将消失，但目标工程会长存。

‍