AI器具通常'偷懒'的背后，是敛迹机制的失效。本文通过具身机器东说念主场景中的真实案例，揭示AI系统在职务奉行中的三大恶疾，并深度贯通软敛迹与硬敛迹的博弈。从四层搀杂敛迹架构到情状机锁定机制，这套工程化经管决策正在重塑AI居品的可靠性尺度。

一、问题的首先：为什么聪惠的 AI 会”偷懒”？

最初，在这里共享往时实习的三个月里，我驰驱在业务一线（具身机器东说念主）：

场景 1：用户说”带我去逛一下各个场景”，AI 复兴：”好的，我这就带你逛一逛…”——给了竣工淡薄，但它莫得试验活动。

场景 2：用户要求”生成一份方式范例的红头文献”，AI 说”没问题”，终结录用的文档字体芜乱、字号不实——输出与录用不匹配。

场景 3：多法子任务奉行到一半，AI 转眼说”已完成”，但试验上只作念了前两步——提前晓谕完成导输出质料差。

手脚居品东说念主员，我也和技艺方征询过给出的论断是：器具集成太多，器具射中率不清醒，模子偷懒

手脚居品东说念主，咱们民俗说”用户体验第一”。但在 AI 系统中，我恒久以为可靠性比纯真性更辗转，可臆想性比创造性更辗转。二月份 Harness Engineering（敛迹工程）的初始兴起，逐步有了一些尝试和念念考，在这里纪录共享。

二、中枢细察：软敛迹 vs 硬敛迹

在探索经管决策时，我发现敛迹机制分为两类，但它们的各异却不小。

2.1 软敛迹：Prompt 敛迹

这是最常见的方式——通过用心缠绵的辅导词来指导 AI 步履：

“`

“对于复杂任务，你必须先生成霸术，然后迟缓奉行。

每完成一步都要见告用户程度。

不要宣称’已完成’除非你果真调用了器具。”

“`

优点：扫尾本钱低，修改纯真，合乎格调指导。

时弊：依赖 AI 的”自发性”，盲从率波动大（60%-90%），在长高下文或压力场景下容易失效。

2.2 硬敛迹：编码敛迹

这是表率化的强制逻辑——AI 无法绕过代码章程：

“`python

# 前置条款查验

if not plan_generated

raise Error(“必须先制定霸术”)

# 器具调用考证

if not tool_calls:

# AI 偷懒了，触发强制活动

force_action

# 终结考证

if not verify_evidence(result):

raise Error(“未能提供奉行凭据”)

“`

优点：100% 强制奉行，盲从率清醒在 95%-99%，不受高下文长度影响。

时弊：扫尾本钱高，需要编写大都代码，纯真性较低。

工程化原则：不要过度工程化，仅在agent出问题的所在参加元气心灵

三、实战决策：四层搀杂敛迹架构

基于上述细察，咱们尝试了一套四层搀杂敛迹体系。

Layer 1：Prompt 敛迹（步履准则）

在系统层面界说基本步履准则，适用于格调指导和范畴暴露：

– “口吻专科友好”

– “不坚信时坦诚暴露”

– “优先使用汉文回答”

这一层的作用是让 AI”知说念应该怎样作念”。

Layer 2：语义考证（参数预校验）

在 AI 奉行前，对其意图和参数进行预校验，注意无效输入：

“`python

# 示例：方式指示贯通

用户输入：”标题用黑体三号字，红色，加粗”

贯通器索要：

– 字体：SimHei（黑体）

– 字号：16pt（三号）

– 激情：#FF0000（红色）

– 花样：bold（加粗）

要是用户说”用超大大号字”→ 抵制：”未识别的字号形色”

“`

这一层的作用是注意 AI 假造不存在的参数。

Layer 3：情状机锁定（最辗转的一层，注意偷懒）

这是通盘这个词架构的中枢巧念念——通过情状机强制 AI 提供可考证的凭据。

中枢逻辑：

1. 前置条款查验：必须有霸术、有器具日记、有录用物凭据

2.驻留时间监控：每个法子的奉行时间不可特殊短

3.审计日记纪录：每一步都有迹可循

成果：AI 无法说”已完成”除非它果真完成了通盘必要动作。

Layer 4：终结考证（录用物真实性查验）

终末一步是考证录用物的真实性：

“`python

# 文献写入考证

if not os.path.exists(file_path):

raise Error(“文献未试验创建”)

actual_size = os.path.getsize(file_path)

if abs(actual_size

– expected_size) > 100:

raise Error(“文献大小与预期不符”)

# 数据完整性考证

if not validate_data_integrity(result):

raise Error(“数据考证失败”)

“`

这一层确AI 的高兴与试验录用十足一致。

四、情状机锁定的妙用：让 AI 无法”摸鱼”

让我深刻共享一下这个咱们发现的工程巧念念——情状机锁定机制。

4.1 问题布景

在多法子任务中，AI 泛泛出现以下步履：

– 奉行到一半就说”已完成”

– 跳过困难法子，径直文告得胜

– 器具调用失败后不重试，径直废弃

传统作念法是在 Prompt 中强调”不要偷懒”，但这种“淡薄式敛迹”成果有限。

4.2 情状机经管决策

咱们引入了情状机锁定，中枢是一个轻视的原则：莫得凭据，就不可前进。

奉行历程：

“`

法子 N 初始

↓

前置条款查验

– 有霸术吗？

– 上一步完成了吗？

– 有必要的高下文吗？

↓ (任一不餍足 → 抛出特殊)

让 AI 生成器具调用

↓

查验：有器具调用吗？

– 有 → 奉行并纪录日记

– 莫得 → 触发”强制活动”左券

↓

查验终结：有录用物凭据吗？

– 文献旅途？数据终结？API 反应？

– 有 → 秀美为”已完成”，进入下一步

– 莫得 → 秀美为”失败”，触发收复计谋

↓

通盘法子完成后

– 考证：完成的法子数 = 总法子数？

– 是 → 复返得胜

– 否 → 复返部分失败文告

“`

4.3 情状机在模子器具调用优化的愚弄

用户苦求

↓

[第 1 层：意图分类器] → 减弱到 3-5 个候选技能

↓

[第 2 层：语义同样度匹配] → 排序并选出 Top 1

↓

[第 3 层：参数预校验] → 查验必要参数是否都全

↓

[第 4 层：终结考证器] → 阐述器具调用达到预期成果

技巧 1：意图分类器（第一层过滤）

中枢念念想：先用章程减弱范围，再让 LLM 作念细巧决策。 不是把技能一齐丢给 LLM，而是先用一个轻量级的意图分类器

技巧 2：语义同样度匹配 + 置信度阈值（第二层过滤）

中枢念念想：用向量同样度量化”匹配程度”，而不是依赖 LLM 的主不雅判断。 当我通过意图分类器减弱到 3-5 个候选技能后，会用镶嵌模子计较语义同样度

技巧 3：参数预校验（第三层过滤）

中枢念念想：在调用器具之前，先查验必要参数是否都全，幸免”调用失败后再重试”的低效轮回。 每个技能都有明确的 required_parameters 界说（参数缺失机触发追问）

五、实战案例：常见问题与优化决策

以下是我在试验场景中遭遇的典型问题及经管决策，仅供念念路参考。

案例 1：机器东说念主”只说不作念”

问题：用户说”帮我搜索竞品信息”，机器东说念主复兴”好的，我会帮你搜索…”，但莫得试验活动。

根因：发愤器具调用考证机制，AI 不错遴荐最省力的旅途（给淡薄而不是活动）。

优化决策：

1. 添加器具调用审计器，检测反应中是否包含完成声明

2. 要是有完成声明但莫得器具调用纪录，强制从头生成

3. 在系统层面确立”说了就作念”的强制左券

案例 2：方式文档频繁出错

问题：用户要求”宋体小四，1.5 倍行距”，生成的文档方式芜乱。

根因：AI 对汉文排版术语意会不准确，且莫得尺度化映射。

优化决策：

1. 确立方式术语对照表（如”小四”→”12pt”，”宋体”→”SimSun”）

2. 扫尾方式指示贯通器，强制校验参数有用性

3. 在输出前进行花样一致性查验

案例 3：大文献生成被截断

问题：生成长文告时，文献写到一半就住手，内容不完整。

根因：单次写入跳动 token 终结或缓冲区大小，导致截断。

优化决策：

1. 扫尾分块写入机制，每块方法在 10,000-13,000 字节（太少调用次数多，太多容易截断）

2. 每块写入后考证完整性

3. 通盘块完成后考证总文献大小

案例 4：器具调用超时卡死

问题：调用外部 API 时收集超时，通盘这个词任务卡住不动。

根因：发愤超时熔断和重试机制。

优化决策：

1. 确立合理的超时阈值（如 30 秒）

2. 扫尾指数腐臭重试计谋（最多 3 次，延伸递加）

3. 提供左迁决策（如主作事失败切换到备用作事）

六、少量点念念考：咱们逐步从讲理模子改换到讲理系统了

这里共享少量点近期养虾以格外他技艺尝试的少量点念念考吧

2023-2024 年，咱们见证了 AI 智力的爆发式增长。但站在 2026 年的节点回望，决假寓品成败的不是模子参数，而是工程化智力。

2023-2024 年，行业的讲理点在于：

“哪个模子更强？”（参数鸿沟、推聪慧力、多模态）“Prompt 怎样写更好？”（CoT、Few-shot、Role-playing）“如何微调出垂直领域模子？”

但到了 2025-2026 年，咱们发现：

主流模子的基线智力还是饱胀好——GPT-4、Claude、Qwen 等在大多数任务上的阐发各异不大用户体验的瓶颈不在模子——而在于“说了不作念”、“提前晓谕完成”、“方式芜乱”这类系统性问题可靠性成为中枢竞争力——企业客户景象为 99% 的完成率付费，而不是 95% 的准确率但不可臆想

从大模子到openclaw更多的是从淡薄性输出到坚信性录用，模子实质是基于概率的引擎——它生成的是”最可能的下一个 token”，而不是”正确的谜底”。而咱们要作念的中枢即是通过工程技能将概浮松输出振荡为坚信性录用。

手脚居品司理，咱们的责任不是追赶最新的技艺热门，而是把技艺振荡为用户真实简直赖的居品体验。

这条路还很长，但主义还是了了。

本文由 @要成为字节小李 原创发布于东说念主东说念主都是居品司理。未经作家许可，不容转载

题图来自Unsplash2024欧洲杯官网入口，基于CC0左券