编者摘要:目标工程是继提示、上下文、编排层工程之后 AI 智能体的全新上层范式,核心是告诉智能体 “想要什么”,而非仅告知 “做什么”。四层能力嵌套而非替代:提示定义本轮话术、上下文限定可见信息、编排层管控运行环境、目标定义追求结果与反馈机制。目标驱动智能体的核心瓶颈不在模型,而在人工反馈效率。核心准则:作用域 = 反馈面,智能体要按可复用反馈的任务(motion 动作流)划分,而非按业务实体划分,让一条经验批量生效。一份规范目标包含 7 要素:结果、指标、反向指标、评审单元、反馈沉淀池、时间终止窗口、预算升级机制。反向指标用来防范智能体刷指标投机,反馈沉淀池沉淀隐性审美、品牌偏好这类人脑内的软知识。落地路径分四阶段:朴素目标、拆分动作流、搭建评审队列与经验沉淀、增加约束与停滞退出机制。常见坑包括指标投机、审美漂移、评审疲劳、经验孤岛等。评审界面是产品核心,需支持批量评审、留存编辑样本、追踪评审效率。上线前要对照清单校验;模型可学习书面数据,但品牌调性、取舍标准这类隐性认知,只能依靠持续人工反馈教会智能体。
10 个关键问题Q&A
-
Q:目标工程和提示 / 上下文 / 编排工程是什么关系? A:四层嵌套,不是替代;目标是最上层,决定智能体长期追求方向。 -
Q:目标驱动智能体最主要瓶颈是什么? A:不是模型能力,是人工反馈的速度、数量与质量。 -
Q:核心准则 “scope = 反馈面” 怎么理解? A:设计智能体范围,优先方便人批量评审,让单条经验可以复用。 -
Q:motion 动作流和按客户 / 账号建智能体差别在哪? A:动作流按任务划分,经验一次学习、全量复用;按实体划分容易形成经验孤岛。 -
Q:反向指标(counter-metric)作用是什么? A:防止智能体投机刷主指标,规避品牌、合规等隐性损失。 -
Q:反馈沉淀池是解决什么痛点? A:保存品牌调性、审美这类人脑隐性知识,不随上下文窗口丢失。 -
Q:为什么评审界面被称作产品本身? A:反馈是学习源头,低效评审会直接让智能体慢慢劣化失效。 -
Q:什么是僵尸目标? A:没有停滞退出机制,指标长期持平还持续无限运行的目标。 -
Q:什么时候需要触发升级上报? A:预算大幅变动、涉及定价 / 法律、战略客户等高风险场景。 -
Q:AI 能不能自动学会品牌口味、风格偏好? A:不能,这类隐性知识只能依靠持续人工评审反馈传递。
附录 目标工程(Goal Engineering)—— 编排层之上的新一层
原文:0xkvro
你的智能体各项指标全都达标,但产出结果你依然弃之不用:本文介绍如何设计目标,把藏在你脑子里的认知交付给智能体;基于 Claude Code、Grok Build、Deep Agents 构建。
一年前,你告诉智能体要做什么现在,你告诉它想要达成什么听上去只是微小转变但这是提示工程之后,最大的一次范式升级
智能体的演进路线:最早只是回答问题接着学会调用工具再之后可以完成任务而现在,拿到一个目标,它可以持续运行数周
11 月 11 日,Harrison Chase 抛出三行概念:上下文工程(context engineering)编排层工程(harness engineering)目标工程(goal engineering)
没有定义,没有长文,一句话串联起今年大量开发者在钻研的两大方向。三天之后,定义正式发布:https://www.langchain.com/blog/goal-engineering作者:Harrison Chase、Mihir Garimella、Anshul Gupta(Actively AI)
文末那句被大量截图转发:“提示工程、上下文工程终将淡出,但目标工程会留下来。”
我反复读了三遍,然后花一个周末,基于这套思路重构了一个智能体。下面是完整版解读:什么是目标、为什么绝大多数目标设计是本末倒置的,以及唯一一条核心准则,决定目标驱动型智能体是持续进化,还是慢慢劣化失效。
1. 四年四层演进
每一年,我们的工作重心,都向外挪一层,脱离模型本身:
-
2023|提示(Prompt):你说什么,单次调用、单次输出 -
2025|上下文(Context):它能看到什么,窗口内全部信息 -
2026|编排层(Harness):它在什么环境工作,工具、沙箱、校验、状态 -
2026+|目标(Goal):它追求什么,结果、指标、反馈、终止条件
2025 年 6 月,Tobi Lütke 和 Andrej Karpathy 推动了第一次认知转向:
Tobi:比起提示工程,我更喜欢上下文工程这个词。它更精准描述核心能力:为大模型提供完备上下文,让任务具备可解性。
Karpathy:同意。大家对提示的印象是简短任务指令;而工业级大模型应用里,上下文工程是一门精细的学问,负责填充整个上下文窗口。
随后,2026 年的主角是编排层工程。模型本身能力没问题,问题出在模型周边整套运行环境。Claude Code 负责人 Boris Cherny 已经点明下一站:
很多人惊讶我是这么给 Claude 下达指令的。和 Claude 沟通,就像和同事沟通。提示没有什么玄学。大部分任务不需要过度脚手架、条条框框。你只需要给它一个目标,它自己想办法。
他现在给模型的信息只有三样:你想要什么、投入多少算力、如何验证结果正确。这套思路在「让测试用例通过」这类场景很好用;但一旦目标变成「提升广告效果」,就直接失效。
⚠️ 四层不是互相替代,而是嵌套关系:
-
目标:决定什么值得做、做到什么程度算合格 -
编排层:决定智能体可以操作哪些资源、如何证明产出有效 -
上下文:决定这一轮推理时,模型能看到哪些信息 -
提示:这一轮里具体的指令文本
Chase 说目标是会长期留存的一层。我认同这个朴素的理由:模型会越来越擅长读懂上下文、自己搭建编排环境;但它永远不会自动知道你想要什么,除非你明确告诉它。
2. 目标驱动智能体为什么会失败
Chase 在 11 月的文章里有一节叫「目标追踪」:智能体正在从执行任务,转向朝着目标持续推进。同时两件难事浮出水面:
-
追踪目标:把大目标拆成一系列实验,持续尝试新方案,数周内保持方向一致,不重复踩同一个坑 -
对齐约束:设计一个智能体无法投机取巧的目标
经典投机案例:让智能体清理代码库所有 bug,它最快的办法是直接删掉整个代码库。
但我见到最多的失效,更隐蔽:智能体没有作弊,它只是像一个完全不了解你的陌生人一样干活。
原因在这里:Chase 把上下文分成两类
-
已书面记录:文档、API、CRM 字段、历史工单 → 容易解决,直接开放访问权限 -
存在于人脑中:审美、语气、激进程度、品牌红线、哪些单子值得跟进 → 很难,只能靠专家人工反馈传递出来
当智能体要处理这类无法自动校验的工作时,第二类上下文才是核心。测试可以验证代码能不能跑;但没有测试能判断一条广告是否符合你的品牌调性。
Andrew Ng 今年夏天在代码迭代循环这个话题上也表达了同样观点:大家称之为「审美偏好」,本质上是 AI 缺失的、储存在人脑子里的上下文。而它只能通过人工评审传递给智能体。
所以目标驱动智能体的瓶颈不是模型,而是:它从你这里获取反馈的速度。
3. 核心准则:作用域 = 反馈面
这是全文核心:设计智能体的作用域,要尽可能让它在工作过程中,方便你给出反馈。不是 “让目标清晰”,不是 “让指标可量化”。而是:人可以快速批量评审大量产出,并且学到的经验可以全局生效。
❌ 错误问题:什么样的所有权划分最清晰?✅ 正确问题:什么样的评审单元最清晰?
由此导出两个推论:第一,目标设计本质上是评审流程设计。如果评审一次要花 40 分钟、频繁切换上下文,你评审频次会下降,智能体学得越来越慢,一个月后基本废掉。第二,评审界面不是锦上添花,是刚需。Chase 原话:投入精力打造直观、好用的评审界面,因为反馈学习是整个系统的瓶颈。
智能体质量 ≈ 模型 × 编排层 ×(反馈数量 × 反馈质量)
前两项大多可以直接采购;第三项,需要你主动设计。
这就是目标工程。
4. 案例:按客户划分 vs 按动作(motions)划分
LangChain 文章里面向销售团队的智能体案例,是这个准则最好的公开样本 —— 他们一开始踩坑了。版本 1:一个客户对应一个智能体客户就是销售跟进的公司,每个客户独立智能体,目标:推进这个客户成交。智能体产出动作,销售审批。纸面看上去完美:目标受限、结果明确、客户信息集中。实际卡在评审环节:
-
每个客户智能体每次只产出 1~3 条待评审内容 → 销售一天要在几十个智能体之间来回切 -
每个智能体都要从头学习外呼话术、沟通强度、回复风格 → 同一个经验要重复教 40 次 -
客户信息本身是书面化、客观数据,本来就存在 CRM 里
客户信息从来不是难点。难点是怎么干活:怎么外呼、怎么回复、沟通分寸、怎么对接大企业组织。而这类经验,分散在每一个独立客户智能体里,无法复用。
版本 2:按动作(motion)划分基于 LangChain Deep Agents 重构,叫做 motion(动作流):同一个动作流智能体,跨所有客户做同一件事:比如外呼触达、早期商机跟进。
-
一个销售可以一次性批量评审 30 条外呼文案 -
一条外呼的经验,只需要教一次,自动适用于这个动作流下全部客户 -
客户基础信息由后台上下文智能体按需拉取
模型不变、CRM 不变、销售不变。唯一改变的,是划分维度。一开始按业务实体(客户)划分;后来按反馈流转的方式划分。
一句话总结:沿着「人类反馈可以复用」的边界,去切分智能体。如果任务 A 学到的经验,应该用来优化任务 B,那么 A 和 B 就应该属于同一个智能体。
5. 一个目标的完整构成
Chase 提出原则,本文给出可落地规范:7 个组成部分,缺任意一项,大概率会失败。
-
结果(Outcome):现实世界发生什么变化|例:约到合格的会议 -
指标(Metric):如何衡量进展|例:每周预约会议数量 -
反向指标(Counter-metric):绝对不能恶化的指标|例:退订率、品牌违规标记 -
评审单元(Review Unit):人批量审阅的单元|例:10 条同类型文案 -
反馈沉淀池(Feedback Sink):经验存储位置|动作流记忆、技能文档 -
时间窗口 + 终止条件(Horizon + Done):什么时候汇报、什么时候停|每周汇报,连续三周无进展则暂停 -
预算 + 升级机制(Budget + Escalate):允许消耗多少、什么时候找人介入|每日上限 40 美元,单次发送超过 500 人则上报
# GOAL.md (动作流:外呼)outcome: 面向A-C轮金融科技公司,预约合格首次沟通会议metric: 每周预约会议数counter_metrics:- 退订率保持低于1%- 所有发送内容不能被品牌审核标记review_unit: 同一用户画像下,一批10条文案feedback_sink: motions/outbound/lessons.mdhorizon: 每周一汇报;连续三周会议量持平,停止并请求人工判断budget: 每日最多200次发送,模型成本上限40美元/天escalate:- 标记为战略级客户- 涉及定价、法律条款相关表述done_when: 长期持续动作;每周汇报是检查节点
两个关键点:反向指标是防止智能体投机的防线。你给智能体任何一个指标,它最终都会找到办法刷指标;反向指标就是刷指标的代价。
反馈沉淀池,区分了「一次性对话」和「可复用动作流」。如果 “不要开篇就夸赞对方融资轮次” 只存在于单次对话里,上下文压缩之后就消失;如果写入 lessons.md,并且每一轮运行前都会读取,这条经验就永久生效。
6. 主流工具里的目标机制
各家都已经上线目标模式,叫法不同,底层组件一致:
Claude Code:/goal
设定完成条件,Claude 持续迭代,不需要你每一步手动提示。每一轮结束后,默认用 Haiku(轻量模型)独立校验条件,不是干活的模型自己自评。它不会直接执行命令,只看对话日志里的结果。所以条件必须写在日志里能被读到的内容。
# 不好:评估器看不见“好不好”/goal the outbound copy is good# 好:可量化终点 + 校验规则 + 轮次上限/goal the review script prints 10/10 drafts PASS against motions/outbound/rubric.md, or stop after 25 turns# 无交互后台运行claude -p ”/goal motions/outbound/queue.json has 0 items with status pending”
Dex Horthy(上下文工程概念提出者)一句话概括底层思想:把问题设计成可校验的,让模型可以自检。
Grok Build:/goal + GOAL.md
/goal 跨轮次持久保存目标,仓库里放 GOAL.md,记录目标、完成定义、防护规则、运行日志。这个文件就是反馈沉淀池:上下文窗口被清空之后,知识依然留存。
Deep Agents
Actively 的 motion 运行在 langchain-ai/deepagents。编排层提供规划、子智能体、文件系统;motion 定义作用域。后台上下文智能体负责拉取客户基础信息,motion 智能体负责执行任务。
Hone
Hone 是最直接把目标做成产品的项目,由前 OpenAI 认知团队成员创立,Benchmark、Index 投资。CEO 称之为「对结果负责的 AI」。它可以用你定义指标,也可以基于历史案例 + 专家判断自动生成评估标准 —— 也就是第三节这套思路的产品化。
常驻智能体(Always-on Agents)
Anthropic 11 月博客:事件收件箱、定时跟进、跨会话记忆。目标,就是告诉这个运行时:它为什么要被唤醒、要做什么。
|
|
|
|
|
|---|---|---|---|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
重点:没有工具自带评审单元,评审界面必须你自己搭建。
7. 动手搭建:广告智能体 AdBot,四阶段落地
Chase 举的主观目标例子就是广告:优化广告,提升营销效果。我们以此搭建。每一个阶段本身都可以独立上线。
-
阶段 1:单目标、单智能体(朴素版) -
阶段 2:拆分为动作流(作用域准则) -
阶段 3:反馈沉淀池 + 评审队列(学习闭环) -
阶段 4:反向指标 + 升级机制(对齐层)
阶段 1:朴素目标
/goal improve CTR on our Meta campaigns
短期有效,点击率上涨。但人工审核广告时发现:一半广告承诺不存在的折扣,剩下的风格像加密货币赌场。指标涨了,品牌被毁。模型没问题,目标缺少 7 个要素里的多项。
阶段 2:按任务划分,而不是按广告计划划分本能思路是一个广告计划一个智能体,这和之前 “一个客户一个智能体” 是同一个坑:每个广告智能体都要单独学品牌语气。改为按评审人可以批量判断的任务拆分动作流:
-
钩子文案动作流:写开篇标题|评审:并排对比 20 条标题 -
视觉素材动作流:挑选、给设计师提需求|评审:12 张缩略图网格 -
广告组启停缩放动作流:关停 / 放大广告组|评审:15 条决策表格
同一个动作流,服务全部广告计划。标题文案的经验,所有广告计划共享。
阶段 3:反馈沉淀池 + 评审队列每个动作流产出进入评审队列,人工评审结果回流为经验。
{”motion”: ”hooks”,”batch”: 14,”items”: [{”id”: ”h-311”, ”text”: ”Your CFO is lying to you about burn”, ”verdict”: ”reject”, ”reason”: ”fear framing, not our voice”},{”id”: ”h-312”, ”text”: ”Close the books in 2 days, not 12”, ”verdict”: ”approve”}]}
规则:
-
一条驳回理由,首次出现 → 随批次保存 -
同一条理由出现两次 → 升级写入 lessons.md -
每一轮生成前,自动读取 lessons.md
升级逻辑代码(仅 20 行左右):
import json, collections, pathlibLESSONS = pathlib.Path(”motions/hooks/lessons.md”)def promote(batches_dir=”motions/hooks/batches”):reasons = collections.Counter()for f in sorted(pathlib.Path(batches_dir).glob(”*.json”)):for item in json.loads(f.read_text())[”items”]:if item[”verdict”] == ”reject” and item.get(”reason”):reasons[item[”reason”].strip().lower()] += 1known = LESSONS.read_text() if LESSONS.exists() else ””new = [r for r, n in reasons.items() if n >= 2 and r not in known.lower()]with LESSONS.open(”a”) as out:for r in new:out.write(f”- Avoid: {r} (rejected {reasons[r]}x)\n”)return new
几轮评审之后,lessons.md 就变成团队一直写不出来的风格规范:
# motions/hooks/lessons.md- No fear framing about the reader's boss or team (rejected 4x, batches 9-14)- Numbers beat adjectives: ”2 days” beats ”fast” (approved 11/12)- Never mention a discount unless offers.json has an active one (rejected 3x)
第三条不再是模糊审美,变成一条可代码校验的规则。
阶段 4:反向指标 + 升级机制
-
指标:点击率、获客成本 -
反向指标:品牌驳回率<10%、落地页跳出率不上升、所有优惠必须在 offer.json 内备案 -
升级触发:预算变动 > 20%、新增受众、定价相关表述 -
停滞退出:连续 3 批点击率持平 → 停止、上报,等待人工新方向
停滞退出和测试循环一样重要。卡在平台期的目标智能体会无限生成变体;连续持平不是坚持,是请求人工介入。
8. 目标的典型病态问题
-
指标投机(Metric Gaming):数字上涨,业务价值不变|缺少反向指标 -
审美漂移(Taste Drift):质量缓慢下滑|缺少反馈沉淀池 -
评审疲劳(Review Fatigue):评审变少、敷衍|评审单元太小、分散 -
经验孤岛(Siloed Lessons):同一个错误反复教多遍|按实体划分,不是按反馈划分 -
无脑放行(Rubber Stamp):人全部点同意|批次太大、没有驳回理由 -
僵尸目标(Zombie Goal):长期无进展还在跑|没有时间窗口、停滞退出 -
偏向易获取上下文(Easy-context Bias):围绕已有数据搭建智能体,而不是围绕人脑隐性知识|Actively 最初踩的坑 -
作用域蔓延(Scope Creep):动作流越界做别的任务|目标边界不清晰
其中两个很隐蔽:无脑放行:看起来智能体效果很好,实际评审已经失效,批次太多、评审人只是为清队列而通过。偏向易获取上下文:你习惯把智能体绑定在你已经能拿到的数据上;但智能体真正缺的,是人独有的隐性知识。
9. 评审界面本身就是产品
瓶颈是反馈学习,那么评审页面就是系统里最重要的页面,优先级高于仪表盘、聊天窗口。评审界面设计原则:
-
按动作流批量展示:10–30 条同类内容并排对比 -
展示差异:和上一版通过版本对比改动 -
一键操作 + 固定理由:通过 / 驳回 / 编辑,预置 4–6 条理由标签 -
人工编辑就是高质量反馈:保存编辑后的内容 -
经验预览:保存前提示「这条会写入 lessons.md」 -
埋点度量:每日评审量、单条评审耗时、驳回附带理由占比
最后一项很少有人埋点,但非常关键:如果单条评审耗时持续上涨,问题不在评审人,而在你的作用域划分错了。
自测标准:✅ 一个人可以 5 分钟内评审完一整批✅ 每一次驳回都附带机器可读的理由✅ 今天学到的经验,会影响下一批产出三个都满足,智能体持续学习;任意一个不满足,慢慢变回那个不懂你的陌生人。
10. 上线前检查清单
作用域
[ ] 智能体按「反馈可复用的任务」划分,不是按业务实体划分[ ] 静态书面上下文由后台智能体拉取,不是目标智能体负责[ ] 单人可以 5 分钟内完成一整批评审
目标规范
[ ] 写明结果、指标,至少一条反向指标[ ] 有时间窗口、汇报周期、停滞退出机制[ ] 预算上限、明确升级上报清单
学习闭环
[ ] 所有评审结果写入反馈沉淀池,每一轮运行都会读取[ ] 重复出现的驳回理由自动升级为规则[ ] 能自动化校验的规则,下沉到代码
评审界面
[ ] 按动作流批量展示、带差异对比、预置理由标签[ ] 保存人工编辑样例[ ] 监控单条评审耗时、驳回带理由占比
只要多条不达标,换更强模型救不了这个目标 —— 它只会更快地刷指标。
小结
提示工程:告诉模型要说什么上下文工程:告诉模型能看到什么编排层工程:告诉模型在哪里工作目标工程:告诉模型追求什么,以及做错了怎么收到反馈
沿着反馈可以复用的边界切分智能体;给每一个主指标配上反向约束;所有经验沉淀到下一轮能读到的地方;先做好评审界面,再开发第二个智能体。
模型可以从代码里学会代码库;但它只能从你身上,学会你的审美、你的标准。

