Wink Pings

Harrison Chase:提示词工程会消失,目标工程不会

LangChain 的 Harrison Chase 与 Actively AI 团队谈 agent 目标设计:目标范围要方便人类持续给反馈。Actively 把销售 agent 从按客户建改成按销售动作建 motions,反馈终于能跨任务复用。

给 agent 设目标,最容易被写成一句 prompt。LangChain 的 Harrison Chase 和 Actively AI 团队在文章里把这件事拆得更细:目标的范围,应该按人类能不能方便地给高质量反馈来设计。

原文先给了一个背景。agent 的任务范围这几年扩得很快,从文本生成、工具调用、决策,到执行完整任务。下一步是接开放式目标,自己往完成推进。像 Hone 这类产品展示了方向。Hone 的 agent 设置里,一个关键动作是给 agent 定义优化指标。目标指错,token 就白烧。

为什么反馈成了核心?agent 出错,很大原因是缺上下文。文档、API 这类上下文相对好补。最难补的是没写下来的东西,只在专家脑子里。它只能靠人在 agent 工作时给反馈。agent 开始接手主观工作后,这点更明显。比如优化广告投放,除了事实信息,还有品牌语气、能多挑衅、什么算好看。agent 学不到这些,很快没用。

所以设计目标范围时,要让反馈容易发生。审核 agent 工作的 UX 值得投入。原文说,agent 表现的瓶颈常常是学习反馈。反馈收集的效率和质量的优化,回报很高。

案例是 Actively AI,做销售团队 agent。第一版按 account 建 agent,一个潜在客户一个 agent,目标是推进 account,产出动作给销售审批。听起来合理,account 上下文最重要。跑起来后发现,agent 还需要另一类上下文:怎么高效做这份工作。怎么 outbound、怎么回复、怎么做 deal 策略、激进度怎么拿、怎么在大组织里导航。这些知识散在多个 agent 里,而且从一个 account 学到的东西经常能迁移到别的 account。

按 account 建 agent 的问题在反馈。一个销售在看单个 account 时,一次只有少量东西可审,频繁切 agent。跨 agent 共享经验也别扭。第二版改成 motions,基于 Deep Agents 构建。motion 是一类工作,比如 outbound、早期 deal 推进。同一类任务集中审,销售给一次反馈,自然能迁移到同类任务。account 上下文仍然重要,但多数已经写下来、更客观。Actively 用后台 context-gathering agents 汇总 account 上下文,motion agent 按需拉取。

有网友把这件事说得更直接:motions 就是销售团队已有的分工,outbound 和 deal 各管一段。目标工程绕一圈,最后在复刻组织架构。这个观察有道理。人类团队按工作分,因为反馈在那里发生。agent 也长成了同样形状。

风险也在评论里。有人说,给 agent 一个模糊目标,是烧 token 的最快方式。有人说,多数 agent 目标像新年决心,雄心勃勃,二月就放弃。还有人提 Goodhart 定律:人会把坏目标弯一点,agent 会一路执行到底。只给“拉 100 个新客户”,不设品牌边界,agent 可能群发 1 万人把声誉烧掉。目标写得越单一,agent 越会沿着字面意思把动作做绝。

Harrison Chase 的判断很硬:提示词工程和上下文工程会消失,目标工程会留下。未来 agent 会接一个目标,自己优化。人类审核很花时间,但价值高。那是把领域知识教给 agent 的方式。要把 agent 的目标对齐到人最容易审的东西,让反馈被提取,agent 才能持续学习,变得越来越有用,也越来越自主。

原文链接:https://x.com/hwchase17/status/2121635683999883577

文章链接:https://x.com/i/article/2121382906820243456

发布时间: 2026-11-15 15:30