编者摘要:站在智能体工程落地的视角来看,目标工程是 Agent 规模化落地的核心抓手,相比提示词工程、上下文工程,它解决了长期被忽略的反馈闭环问题。以往我们习惯按业务实体划分 Agent,比如一个客户对应一个销售智能体。这种方式看似贴合业务,但痛点很突出:同类任务的经验无法跨实例复用,工程师和业务人员的反馈成本高、反馈碎片化,隐性知识很难沉淀。Actively AI 的改造思路很有参考价值:不再绑定客户,转而按动作单元(motion)构建 Agent,同一类工作(如新客外呼、早期商机跟进)由同一个智能体负责,批量承接多个客户的同类任务。客户资料这类客观上下文,交由独立的上下文采集 Agent 后台统一拉取。这里最关键的认知是:Agent 最难获取的不是文档、API 这类显性信息,而是只存在业务专家脑子里的隐性约束 —— 品牌风格、沟通分寸、策略偏好。这类知识没法写进文档,只能依靠持续、高质量的人工反馈来注入。因此 Agent 架构设计的第一优先级,就是降低反馈成本,配套易用的审核交互界面。长期来看,提示词、上下文调优只是阶段性手段。当 Agent 面向开放式长期目标自主执行时,目标工程才是底层范式:对齐人类的审核粒度设计智能体边界,让反馈可沉淀、可复用,支撑 Agent 持续自主迭代。
本文由作者与 M Garimella(Actively AI)、Anshul Gupta(Actively AI)联合撰写
过去几年里,AI 智能体能够承接的任务范围大幅扩张:从简单的文本生成,发展到工具调用、自主决策,再到完整任务落地。智能体的未来方向,是承接开放式目标,并持续推进直至目标达成。Hone 等产品的发布,已经让我们窥见了这一未来。
在这个新范式下,智能体的任务边界设计至关重要。一旦方向设定偏差,就会造成大量 Token 浪费。Hone 智能体方案里一个核心设计,就是为智能体定义需要优化的评估指标。
如何设计目标
在开发同类智能体的过程中,我们总结出一条关于智能体边界设计的核心思路:划定智能体的工作范围时,要尽可能让人类在智能体运行过程中,方便地给出反馈。
背后的原因是什么? 智能体出错,很大一部分根源是缺少正确的上下文。想要修正问题,就要给它补齐对应的上下文。上下文分很多种:有的是调取文档、API 权限这类信息,相对容易补齐;最难获取的一类上下文,是没有被书面记录下来的隐性知识,这类信息只能由人类专家以反馈的形式传递给智能体。
这一点尤其关键:当智能体不再局限于可核验的标准化任务,开始在企业里和人协同处理主观性工作时。举个例子,如果你想用智能体优化业务指标(比如调整广告素材提升营销效果),除了客观事实信息之外,还有大量软性约束要规范智能体的行为:品牌审美偏好、内容风格尺度、创意的激进程度等等。如果智能体无法高效接收反馈来学习这些隐性规则,很快就会失去价值。
如果智能体的任务范围设计得当,能够让人类轻松产出大量高质量反馈,这对于打造一个可以稳定推进长期目标的智能体大有裨益。
还有一个配套结论:要重点打磨智能体工作成果的审核界面,做到直观好用。很多时候智能体能力的瓶颈,恰恰在于从反馈中学习的效率。所以,要优先优化反馈收集的便捷度与质量,投入资源打造清晰顺滑的审核交互界面,是非常值得的。
案例:Actively AI
Actively AI 面向销售团队打造 AI 智能体,我们来看它的实践。
Actively 第一代目标型智能体的设计思路是:一个客户(销售跟进的潜在客户)对应一个智能体。智能体的目标是推进客户转化,生成待执行动作,交由销售审核确认。直观来看这个方案很合理:目标范围收敛、指向明确,结果清晰。想当然地认为,客户相关信息是智能体最重要的上下文,所以围绕单个客户来搭建智能体。
落地之后他们发现,智能体还需要另一类关键上下文:怎么高效完成销售动作。比如怎么写开发信、怎么回复客户消息、怎么设计成单策略、沟通姿态要多激进、怎么对接大型组织里的多方角色等。这类经验是跨客户通用的:你在 A 客户身上摸索出来的开发技巧,往往也能用在 B 客户身上。
Actively 团队发现,绑定单一客户的智能体模式有明显短板:销售人员很难高效使用、很难给智能体反馈。跟进一个客户时,智能体要做的事情分散在很长周期里;带来两个问题:
-
频繁在多个智能体之间切换(单个智能体每次只有少量内容需要审核); -
跨智能体沉淀经验非常别扭 —— 但很多销售经验本来就是通用的。
Actively 的第二代方案解决了这个问题。这套基于 LangChain DeepAgents 构建的目标智能体,叫做 motion(销售动作单元)。 一个 motion 代表一类固定工作:比如陌生客户开发、早期商机跟进。这类工作本身没有标准化流程,很大程度上还依赖销售个人偏好。大量经验只存在销售脑中,需要通过反馈交给负责这个 motion 的智能体来学习。 同一个 motion 下是一批同质任务,销售人员可以批量审核;从一条任务得到的反馈,可以自然复用到 motion 下其他同类任务。
这样一来,反馈的范围、反馈的难易程度和智能体本身对齐,更容易做出强大好用的智能体。
这并不是说客户信息不重要 —— 客户背景当然重要!只是客户信息大多已经有书面记录,偏客观。所以 Actively 单独设置了后台运行的信息采集智能体,持续收集整理每个客户的资料;而真正推进客户流转的工作,交给跨客户运行的 motion 单元。motion 只负责一类销售动作,从反馈里学习速度快很多,需要的时候再调取对应客户的上下文。
展望未来
未来,智能体会进化到一个新阶段:你只需要下达目标,它就自主行动、朝着目标持续优化。
人工审核智能体产出的工作很耗时间,但价值极高。这就是教会智能体怎么做事、适配行业业务的方式。这些只存在于人脑子里的隐性知识,必须转化成智能体能接收的反馈。
想要做好这件事,就要让智能体的目标,贴合人类最容易审核的粒度。由此打造顺畅的审核体验,最大化提取隐性知识,让智能体持续学习,变得越来越好用、自主性越来越强。
提示词工程、上下文工程终会淡出,但目标工程(Goal Engineering)会长期存在。
要点
-
智能体目标设计第一原则:方便人类给高质量反馈;隐性、非书面的专家知识是智能体最难获取的上下文; -
智能体瓶颈常常不是推理 / 工具能力,而是反馈收集效率,审核 UX 是核心投入点; -
反直觉教训:不要天然按 “实体(客户)” 切分智能体,优先按同质动作(motion)划分,同类任务聚合,反馈可复用;实体上下文由独立后台 Agent 拉取; -
长期判断:提示词工程会过时,目标工程是下一代 Agent 开发的核心范式。

