1. 核心思想
- 目的：让 AI Agent 不仅能执行任务，还能有方向感，能判断自己是否成功。
- 关键点 ：
- 明确目标（Goal Setting）
- 持续跟踪进度与结果（Monitoring）
- 建立反馈循环，确保 Agent 能自我调整
2. 概念框架
- 类比旅行规划：
- 目标状态：想去的目的地
- 初始状态：出发点
- 约束条件：预算、路线、交通工具
- 步骤：订票 → 打包 → 出发 → 抵达 → 入住
- 在 AI Agent 中：
- 接收高级目标 → 拆解为子目标/步骤
- 使用规划、工具调用、多 Agent 协作等模式执行
- 通过监控机制判断是否达成目标
3. 实际应用场景
- 客户支持自动化：解决账单问题 → 检查数据库 → 调整账单 → 确认客户反馈
- 个性化学习系统：目标是提升学生代数理解 → 监控练习表现 → 动态调整教学策略
- 项目管理助手：确保里程碑按时完成 → 监控任务进度、资源 → 风险预警与纠正
- 自动交易机器人：最大化收益且控制风险 → 持续监控市场与投资组合 → 动态调整策略
- 自动驾驶车辆：安全从 A 到 B → 监控环境、速度、燃料 → 实时调整驾驶行为
- 内容审核：识别并删除有害内容 → 监控输入流 → 调整过滤标准或升级人工审查
4. 实践代码示例
- 使用 LangChain + OpenAI API 构建自主代码生成 Agent：
- 输入：用例 + 目标清单（如"简单""正确""处理边缘情况"）
- 过程：生成代码 → 自我审查 → 判断是否达标（True/False） → 若未达标则迭代改进
- 输出：最终符合目标的 Python 文件（带注释）
- 关键机制 ：
- 自我批评与修订循环
- 目标达成判定（基于 LLM 判断 True/False）
- 最多迭代次数限制，避免无限循环
- 注意事项 ：
- LLM 可能误判目标是否达成
- 自写自审存在偏差，建议多 Agent 分工（程序员、审查员、文档员、测试员、提示优化师）
- 示例为教学用，生产环境需更健壮的控制
5. 概览与经验法则
- 是什么：为 Agent 提供方向与自我评估机制
- 为什么：没有目标，Agent 只能被动反应，无法处理复杂多步骤任务
- 怎么做 ：
- 目标需符合 SMART 原则（具体、可衡量、可实现、相关、有时限）
- 明确成功指标与监控标准
- 监控包括：观察行动、环境状态、工具输出
- 反馈循环：调整计划、修订策略、升级问题
- 经验法则：当 Agent 需要自主执行多步骤任务、适应动态环境、并在无人干预下达成高级目标时，使用此模式
6. 关键要点总结
- 目标设定与监控是 Agent 从被动反应 → 主动目标驱动 的关键模式
- 目标必须清晰、可衡量，并配合严格的监控机制
- 反馈循环是核心，使 Agent 能自我修正
- 在 Google ADK 等框架中，目标通过指令传达，监控通过状态管理与工具交互实现
- 这是构建真正智能、可靠、自主 AI 系统的基础步骤