2026-11-10 · 14 min read

从铺铁轨到定向越野:Task 要怎么拆才是 Agent 的思路

一份关于如何定义 Task 的课程文稿整理,接上一篇的 RGB 三件套。作者先指出一个常见误区:用「第一步干嘛、第二步干嘛」去拆任务,那是工作流的思路,在不确定场景里会失效。Agent 的拆法是定里程碑——本质上就是「交付物 + 交付标准」,很像 OKR 里的关键结果。中段给出最实用的一条纪律:里程碑的产出必须是结构化的,否则下游接不住。文中用小红书文案案例做了前后对比,同一份提示词、同一个 Agent,只是把输出从自由文本换成数据结构,可读性与可校验性立刻不同。末尾是三条反模式,其中一条是「提示词写在数据结构的描述里效果更好」。

本文整理自课程文稿《08|定义 Task:从「步骤控制」到「契约驱动」》。文稿末尾自注「内容由 AI 生成」,属整理稿而非逐字记录。

文中的代码片段与字段名沿用文稿原述,未做外部核验。

上一篇讲定人,这一篇讲定事。

而作者开局先给了一个更大的判断:一切 AI 应用本质上都在执行任务。

聊天机器人是有输入输出、可重复迭代的任务;智能客服、ChatBI 也都是。区别只在交互怎么重复、产出是什么形态。

所以任务的通用定义很朴素:有输入,经过一段过程,产出清晰的、有目标的交付物。

一个常见但会失效的拆法

复杂任务要做拆解,这没有争议。有争议的是怎么拆。

传统想法是:大任务是写完这个东西,那第一步干嘛、第二步干嘛、第三步干嘛。

他给了一个很形象的比喻:这像是在铺火车轨道。 你得把每一段轨道、每一个岔口、每一个边界都事先定义好。

而这就是工作流的思路,不是 Agent 的思路。

为什么在 Agent 场景失效?因为不确定性场景里,你要覆盖所有分支就得把所有边界都写死——那么难,已经不是设计问题了,是给自己找麻烦。

换一个比喻:定向越野

他换了一个画面。

起点在这里,终点在那里,中间的路径是混沌的。你直接跑过去很难,但可以设几个中间点。

这就是里程碑。

图表加载后显示;未启用 JavaScript 时可阅读下方流程源码。

flowchart LR
    S["起点"] --> M1["里程碑一<br/>交付物 + 标准"]
    M1 --> M2["里程碑二<br/>交付物 + 标准"]
    M2 --> M3["里程碑三<br/>交付物 + 标准"]
    M3 --> E["终点"]
    S -.->|"路径怎么走<br/>不写死"| M1

上图是两种拆法的差别。铁轨式把虚线也规定了,里程碑式只规定方框。

关键在最后那句:具体从我这里怎么到里程碑,不写死。我不管你怎么干,你完成这个阶段性目标就行。

他说这非常像企业里用的 OKR——目标在这,关键结果是什么。里程碑就是 Key Result。

而给了关键结果之后,你没有规定「第一步干嘛第二步干嘛」。怎么干是员工自己的事。

里程碑到底是什么

他把这个抽象概念落到了一个可以写进代码的定义上:

里程碑 = 交付物 + 交付标准。

用调研报告举例。一上来就让它直接写报告会很难,那就设里程碑:

  1. 你写好了一份大纲。具体怎么写的我不管。
  2. 第一章写好了、第二章写好了,一直到第八章写好。共 8 章,每章达到某个交付标准,比如经过搜索、经过审核。
  3. 全部章节写好后整合、审核完,交付。

「具体你怎么调、怎么弄我不管,我要求的是这几个东西到位。」

而落到框架里,一个 task 只有两个必需字段——就这两个,没有第三个:

字段内容
description任务描述
expected output交付物 + 交付标准

最实用的一条:结构化

接下来是这一讲我认为最有价值的部分。

他对比了两种交付标准。

第一种,纯文本。 比如「写一个大纲」。你用一堆文字描述它,最后产出的东西没有规则,也不容易校验。

第二种,结构化。 用 JSON 或一个数据结构把它框起来。

我非常推荐大家把任务的预期输出全都设计成结构化。

理由只有两条,但都实在:

  1. 输出会稳定。
  2. 你有校验点——输出有问题,立刻让它返工。

他说这比「输出一段你都不知道是啥的文本」要稳得多。

那个被故意留下的坑

他坦白说,上一节课的示例里故意留了一个坑:小红书文案的输出虽然很专业,但结构乱、每次都不一样。该有的信息都有,但下游不好用。

这一讲就是来填坑的。

做法是先定义几个数据结构。

第一个:图片分析结构。

因为小红书笔记都是配图的,内容策划 Agent 首先得理解用户给的是什么图。字段包括:文件名、主体(人、物体还是场景)、风格、情绪价值、细节、质量评价、最抓眼球的视觉锚点。

他解释为什么必须定义结构:

就算用多模态,你给一张图让它自由描述,出来的东西也千奇百怪,每次都不一样。有时候告诉你一个分类,有时候告诉你一些场景。

而这些都不足以支撑写笔记。 所以要把「写笔记真正需要的信息」提前用字段固定下来。

第二个:内容的输入结构。

包括用户的原始文字诉求(比如「我想卖个杯子,目的是带货」)、图片列表、以及所有图片的整体视觉基调总结。

第三个:输出结构。

这是第二个里程碑的产出,字段都在回答「一篇好笔记需要先想清楚什么」:

字段回答什么
深度洞察素材好不好,劣势在哪
目标受众以市场角度看,这篇是给谁看的
核心痛点给用户解决什么问题,提供什么情绪价值
标题正式开写的第一笔
笔记大纲开头、中间、结尾各是什么
关键词布局用户会怎么搜到它

这份输出结构一共定下六个字段。注意它们的顺序:前三个全是分析,第四才轮到标题。分析没做好,标题怎么写都是空的。

他特别标出了两个字段:点赞/评论的诱饵钩子,和收藏的诱饵钩子。 因为要让模型重点分析这两件事,不显式写进结构,它可能就不输出。

一个立刻能验证的对比

讲完结构,他说了执行效果。

上一讲(无结构):final answer 就是一堆字。

这一讲(有结构):先是整体素材评价,优势劣势各有总结;目标受众写得很具体(独居女性、小资生活);核心痛点不是「杯子能喝水」,而是「一个有热量有重量的、关于自身节奏掌控的东西」;然后才是标题、大纲、评论钩子、收藏钩子、关键词。

他的评价很克制也很准:

先不说效果,它一定是更可控的。而在更可控的情况下,才有利于下一个节点完成更好的任务。

图表加载后显示;未启用 JavaScript 时可阅读下方流程源码。

flowchart LR
    A["同一份提示词<br/>同一个 Agent"] --> B{"输出形态"}
    B -->|"自由文本"| C["每次结构不同<br/>下游接不住"]
    B -->|"数据结构"| D["字段固定<br/>可校验 · 可返工"]

上图是这个对比。注意左边那两个「同一」——变量只有一个:输出形态。

一个用来做单测的小技巧

讲实现时他提到一个很实用的做法。

如果每次都跑整个多智能体系统来测一个任务,非常麻烦。所以他的做法是伪造上游任务的输出。

具体是:按上游任务的数据结构手工构造一份结果,然后作为 context 传给当前任务,这样就能单独测这一个 task。

这是单测某一个任务时的技巧。

底层:还是提示词,但注入位置有讲究

他照例拆了框架实现。

看日志里的 user content,能看到框架做了三件事:

  1. 放入任务描述
  2. 放入 expected output
  3. 把数据结构转成 schema,写进提示词

原文那句话很关键:final answer 必须按这个 schema 输出。

然后模型的输出会被框架尝试解析成 JSON,再拿 schema 去解成对象。

由此推出一条最佳实践

提示词最好写在数据结构的字段描述里,效果更好。

理由他讲得很具体:那部分提示词是系统主动注入的,都在相同的位置,模型的注意力更集中。

所以字段描述不能只写「这是什么类型的字段」,还要写它的含义、判断标准。

三条反模式

一、任务拆得太粗,或者拆得不专注

他给了两句很具体的判断:

  • 如果人看到任务都不知道怎么干,就别让模型干了。
  • 关联性不大的目标,不要塞进同一个里程碑。 否则 Agent 执行时会混乱、没逻辑。

二、目标不给明确标准

后果很直接:Agent 可能一直不输出 final answer,因为它压根没理解 expected output 是什么。

三、思维链写得太细

这一条和前面呼应:流程写到极细,就和任务定义冲突,而且通用性差,碰到异常分支就不知道该怎么走。

他补了一句更重要的话:还是要相信模型的能力。 你给大致方向、结果定义和衡量标准就够了。写太细会限制模型自身的发散与涌现。

我的三点补充

以下是评注,不是原片内容;取舍由我负责。

第一,「铺铁轨 vs 定向越野」这个比喻,把工作流和 Agent 的分界线画在了任务定义这一层。 前面几篇讲的是「范式怎么选」,这一篇往下走了一层:同样是 Agent,你怎么写它的任务,决定了它到底在自由探索还是在执行脚本。 把思维链写到每一步,你其实是在 Agent 里面重建了一个工作流——用了更贵的引擎,跑更死的路径。

第二,「结构化输出」这件事的真正价值不是好看,是可校验。 自由文本的失败模式是「看起来对但没法判断」;结构化的失败模式是「字段缺失,立刻退回」。前者把问题推给下游,后者把问题留在当下。 而在多智能体系统里,一次漏检会沿着链路放大。

第三,把提示词写进字段描述这条,是这一讲最容易被忽略的实操细节。 它背后的机制是注意力位置——注入在同一处的指令,比散落在正文里的指令更容易被遵循。这也解释了为什么很多人把规则写在任务描述里却没生效:位置错了,写多少遍都弱。


一句话总结:不要告诉 Agent 怎么走,告诉它走到哪算完。 而「算完」要能被机械判断——这就是结构化输出存在的理由。

搜索全站

输入关键词,查找项目与实践记录。