LangChain 提出目标工程:给 AI Agent 派长活,先想好你怎么检查

分享

LangChain 的 Harrison Chase 提出目标工程(Goal Engineering):AI Agent 接开放式目标时,关键是划定范围让人能轻松给反馈。用一个销售团队从按客户改成按动作分配 Agent 的例子讲清为什么,附一段让 AI Agent 帮你重新拆分重复工作的提示词。

LangChain 创始人 Harrison Chase 11 月 14 日在官方博客提出"目标工程"(Goal Engineering):AI Agent 接下来会接手开放式的长期目标,比如"把广告效果做上去"。这时候决定成败的,是你怎么划定它的工作范围,让人在它干活的过程中能轻松地给反馈。他甚至认为提示词工程和上下文工程以后都会消失,只有目标工程会留下来。

目标工程在说什么

AI Agent 的能力一路在往上走:从只会写字,到会调用工具、自己做决定,再到能完成一整个任务。下一步是接一个开放式的目标,一直干到完成为止。

问题出在上下文上。Agent 做不好,通常是缺了该有的信息。有些信息好给,文档和接口权限都能直接接上。最难给的是"只在人脑子里的经验",比如品牌调性,或者跟某个客户说话的分寸。这些没写在任何地方,只能在人检查它的工作时,通过一次次反馈教给它。

所以文章的核心观点是:设计 Agent 的目标和范围时,先想清楚人在哪里检查、一次检查多少,让反馈又便宜又能复用。

一个销售团队的例子

文章举了一家给销售团队做 Agent 的公司 Actively 的经历:

版本 怎么划分 结果
第一版 一个客户配一个 Agent,目标是推进这个客户 销售要在很多个 Agent 之间来回切,在一个客户身上学到的做法也没法传给其他 Agent
第二版 按"动作"划分,比如主动开发新客户、推进早期商机,每个 Agent 同时处理很多客户 同一类任务可以批量检查,对一个任务的反馈自动用到同类任务上

关键在于,怎么开发客户、语气该多强硬,这类经验是跨客户通用的。按客户划分,经验就被切碎了。按动作划分,反馈的范围和 Agent 的范围正好对上。至于每个客户的资料,大多是写在系统里的客观信息,交给后台的 Agent 自动收集就行。

对你有什么用

哪怕你只是给自己的 AI Agent 派活,这个思路也用得上:

  • 按"同一类活"派,别按"同一个对象"派:比如让它"把这周所有客户的跟进邮件都起草好",而不是"负责张三这个客户的一切"。同类的活放在一起,你改一处,它能举一反三。
  • 把你的修改写成规矩:每次你说"这里语气太硬""这类表格要加总计",让它记下来,下次同类任务直接照做。
  • 客观资料让它自己查,判断留给你:客户名单和历史记录让 Agent 自己整理,分寸和取舍你来给。

想让一个 AI Agent 盯着目标自己干到底,可以先看 OpenCode 的 /goal 教程。

怎么上手

把你手上一件反复要做的工作交给 AI Agent,让它按目标工程的思路重新拆一遍:

我想用"目标工程"的思路,重新安排交给你的工作。我手上反复要做的一件事是:[比如:给 20 个客户写每周跟进邮件]。请帮我:

1. 先问我这件事现在怎么做、每次大概多少个、我最常改你哪些地方
2. 把它按"同一类动作"重新分组,而不是按客户或项目分,说明每组为什么放在一起
3. 每组设计一个检查方式:我一次看多少条、看哪几项就能判断好不好
4. 建一个"我的规矩"文件,我每次给的修改意见都记进去,下次同类任务先读它
5. 列出哪些资料你可以自己去收集,哪些判断必须留给我

先给我看方案,不要直接开始干,等我确认。

让它先建一个"我的规矩"文件,是为了把你脑子里的经验留下来。不然每次反馈只在那一轮对话里有用,换个对话又得重新教。

注意

  • 这是 LangChain 的观点文章,"提示词工程会消失"是作者的判断,不是定论。
  • 按动作批量处理适合重复性高的工作,一次性的大项目还是一件件交代更清楚。
  • 想弄懂上下文为什么这么关键,可以读 上下文手册。
读完了?标记一下,记录学习进度。登录
收藏起来,稍后再看登录
对这篇有疑问?向 Ask AI 提问

评论(0)

还没有评论,来说第一句。

登录后参与讨论。登录

继续学习

查看全部
Meta Muse 开始有自己的专属邮箱了
入门·3 分钟·2026年11月20日
把 AI 热点站改成你自己行业的日报站
入门·3 分钟·2026年11月20日
ChatGPT 语音输入能边说边出字了
入门·2 分钟·2026年11月20日