目标工程：设计 AI 代理的未来新方法

据LangChain Blog发布的信息：

背景与挑战

随着 AI 代理从简单的文本生成和工具调用，演变为执行完整的开放式任务，我们设计其职责范围的方式变得极其重要。如果把代理引向错误的方向，就会浪费大量的宝贵算力。代理表现不佳的一个主要瓶颈是缺乏正确的上下文，特别是那些只存在于人类大脑中、无法在现有文档里找到的隐性知识。

反馈与用户体验的作用

当代理与人类一起处理主观性任务时，它们需要持续的反馈来学习品牌审美、战略偏好和微妙的行为方式。为审核代理工作构建一个直观且令人愉悦的用户体验至关重要。由于代理表现的瓶颈在于从反馈中学习，优化反馈收集的便捷性和质量，才能解锁长周期的执行能力。

案例研究：Actively AI

Actively AI 最初按客户账户设计销售代理，让每个代理负责推动单个潜在客户向前发展。然而，他们发现销售人员面临着频繁的上下文切换，并且很难在不同账户之间分享学到的经验。在其第二代版本中，Actively 转向了“业务动作”模式，让代理跨多个账户处理具体的工作任务，例如外呼或推进早期交易。这种设计使工作流与人类自然审核和提供反馈的方式保持一致，使代理能够更快地学习，同时由后台代理收集客观的账户数据。