传统自动化遵循固定指令，简单的聊天机器人只对眼前的消息做出响应。基于目标的智能体的运作方式不同：它从期望的结果出发，规划实现该结果所需的行动，并在任务推进过程中评估新出现的信息。本文将介绍这一概念、支撑它的架构、主要应用场景，并将基于目标的智能体与其他类型的 AI 智能体进行比较，同时介绍 Kimi Agent，作为体验目标导向任务执行的实用方式。
什么是基于目标的智能体？
基于目标的智能体是一种围绕既定目标进行决策和行动的 AI 系统。它会评估当前状态、考虑可能的下一步，并选择能让系统更接近预期结果的行动。该智能体可以使用工具、跟踪进度，并在新信息改变情况时修改计划。
举例来说，客服智能体可能只回答一个问题，而基于目标的智能体则会致力于解决整个客户问题。它可以查看账户历史记录、查阅已获批准的知识库，然后诊断问题、准备解决方案，或在证据不完整时上报处理。
基于目标的智能体如何运作？
基于目标的智能体通常遵循一个循环往复的过程：先定义期望的结果并观察当前环境，然后制定计划、选择行动，并评估结果。如果结果没有推动任务向前推进，智能体可以重新规划或请求帮助。
目标定义
这一过程始于对成功标准的精确定义。目标可能包含若干相关条件，但每个条件都应当是可验证的，同时也可以包含截止日期、已批准的数据来源、支出限额、所需审批以及禁止的操作等约束条件。语言模型可以将一个模糊的请求转化为具体的子目标，但最终的成功标准应当对工作流负责人保持可见。
环境与状态感知
智能体从用户请求、外部系统、文件、数据库、API 响应或系统事件中收集有关当前状态的信息。在机器人环境中，传感器会提供有关周围物体和变化条件的信息。状态还应记录已完成的任务、待处理的审批以及失败的假设。清晰的错误和状态值有助于智能体判断是继续、重试还是上报。
规划与任务分解
规划模块负责将目标转化为可执行的路径。它会把一个宽泛的目标拆解成更小的任务，并识别任务之间的依赖关系。以员工入职为例，计划可能先从文件收集与核验开始，然后再准备账号申请，并等待相应角色的审批。稳定的流程可以采用固定计划，而变化中的工作流则需要设置决策点，以便逐步重新规划。
行动选择与执行
制定计划后，智能体会选择下一步已获批准的行动。它可能查询某个系统、搜索文档、更新记录，或向相关人员询问缺失的信息。每个行动都应有明确的输入和预期结果。智能体必须在将某一步标记为完成之前验证结果，而高风险的行动应暂停以等待人工审批。
反馈与重新规划
执行并不是单向的过程。智能体会将最新结果与目标进行比较，并检查计划是否仍然合理。新的证据可能证实当前路径可行，也可能揭示障碍，或提供更安全的替代方案。
这一循环可以表示为：
目标可能保持不变，而路径可能发生变化。仓储机器人在检测到障碍物后可以选择另一条路径；研究型智能体在第一个来源无法回答问题时可以搜索另一个来源。诸如轮次、工具调用次数、重试次数或时间等执行预算限制，可以防止无限期运行，并使性能更易于衡量。
基于目标的智能体架构的核心组成部分
基于目标的智能体架构将目标与状态、规划、工具和监督连接起来。具体实现方式各不相同，但每个组成部分都应有明确的职责。
目标与成功标准
目标层定义期望达到的状态。它说明智能体必须完成什么，以及什么条件算作完成。它还可以指明失败情形和在整个执行过程中适用的约束。
例如，一个文档工作流可能要求在提交记录之前验证所有必填字段。如果工作流要求完整验证，那么不完整的记录就不能算作部分成功。明确的标准有助于智能体在合适的时机停止。
世界模型与知识库
世界模型为智能体提供对其环境的可操作表征，可以包括当前系统状态、可用资源、已知关系以及各种行动可能带来的后果。知识库则在智能体需要做决策时提供支持信息。
世界模型之所以有用，是因为智能体不能只凭目标进行规划，它还必须了解工作流当前所处的阶段。它也需要区分临时任务上下文与长期知识。检索应提供相关信息，而不是把整个数据集塞进当前上下文。
一份维护良好的状态记录可以展示已完成的步骤、待处理的依赖、失败的尝试以及审批状态。任何用于后续使用的存储数据都应受访问规则和数据来源约束。
规划模块
规划模块负责生成并更新通向目标的路径。它可以生成一系列行动、在多个专用组件之间分配工作，或动态选择下一步。
好的规划要考虑依赖关系和不确定性，不能假设每个工具都会返回预期结果。它可以包含备用路径、验证步骤和升级条件。当新证据可能改变最佳下一步行动时，计划应保持可调整的状态。
工具与行动层
工具让智能体能够与模型之外的系统交互，常见例子包括搜索、数据库查询、文件处理、浏览器操作、业务 API 以及记录更新。
每个工具都需要明确的约定，说明有效输入、预期输出、权限、错误情况和副作用。读操作和写操作应尽可能分开。敏感操作应采用更严格的验证和审批规则。
执行、评估与护栏
执行层负责执行选定的行动。评估层根据计划和成功标准检查结果。护栏则界定智能体可以做什么，以及何时必须停止。
生产环境的工作流应记录决策、工具调用、观察结果和状态变化。这份记录有助于调试和人工审查。在执行不可逆操作、对外沟通、财务变更或生产环境更新之前，审批环节尤为重要。
基于目标的智能体与其他类型 AI 智能体的比较
基于目标的智能体只是众多 AI 智能体设计中的一种。这些类别之间可能存在重叠，但它们各自强调不同的决策方式。
| 智能体类型 | 决策方式 | 规划能力 | 最适用场景 |
|---|---|---|---|
| 简单反射型智能体 | 对当前输入做出响应 | 几乎没有 | 固定规则和即时反应 |
| 基于模型的反射型智能体 | 使用内部状态模型 | 有限 | 需要基本记忆的环境 |
| 基于目标的智能体 | 选择朝既定目标推进的行动 | 有 | 目标明确但路径会变化的场景 |
| 基于效用的智能体 | 选择价值最高的结果 | 高级权衡分析 | 多个相互竞争的目标 |
| 学习型智能体 | 从经验或反馈中不断改进 | 可以随时间演进 | 适合自适应改进的任务 |
反应式智能体只根据当下所见做出响应。基于目标的智能体则会考虑某个行动对未来状态的影响。这种面向未来的行为，使得基于目标的系统更适合目标稳定但路径不确定的场景。
基于效用的智能体解决的是另一类决策问题：它比较各种可能的结果并为其赋予价值。例如，一个客服系统在选择响应方式时，可能需要权衡解决速度、退款成本和客户满意度。基于目标的智能体通常只关注是否达到目标条件。当工作流有需要时，基于目标的系统仍然可以包含学习组件或基于效用的组件。
基于目标的智能体与基于任务的智能体
基于任务的智能体和基于目标的智能体都能自动完成有价值的工作，区别在于系统接收指令和衡量成功的层级不同。
| 维度 | 基于任务的智能体 | 基于目标的智能体 |
|---|---|---|
| 起点 | 一条具体指令 | 一个预期结果 |
| 范围 | 一项明确的任务 | 一套相互衔接的工作流程 |
| 下一步行动 | 通常由用户或工作流指定 | 由智能体自行选择 |
| 成功衡量标准 | 任务完成情况 | 目标达成情况 |
| 适应能力 | 通常有限 | 条件变化时可以重新规划 |
| 人工介入 | 可能每一步都需要 | 通常只在边界情况或异常时需要 |
当行动本身已经明确时，基于任务的智能体很有用；当结果明确但路径可能变化时，基于目标的智能体更有用。基于任务的系统可以从文档中提取一个字段；基于目标的系统则可以把这次提取作为更大流程中的一步，用于验证信息并处理异常情况。
两者的区别在于工作流职责的层级，而不是智能体数量。单个智能体可以追求一个宽泛的目标；多个智能体也可以各自执行独立任务，而不共享一个更大的计划。
基于目标的智能体的应用场景
基于目标的智能体适合目标明确、但任务结束前条件可能发生变化的环境。
机器人与仓库自动化
一台仓库机器人可能被赋予把包裹搬运到发货区的目标。它必须识别包裹、规划路线、避开障碍物，并持续监测自身位置。如果另一台机器人挡住了原计划的路径，该智能体可以评估替代路线。
目标保持不变，行动序列则随环境变化而调整。这使机器人成为一个典型例子，说明智能体是在为未来状态做规划，而不仅仅是应对眼前的障碍物。
客户支持与问题处理
一个支持工作流可能把成功定义为：以准确且经过审批的回复解决客户问题。智能体可以阅读对话内容、检索账户信息、查询知识库，并判断该问题是否需要升级处理。
系统不应在草拟好回复后就认定任务已经完成，而应检查该回复是否切实解决了问题，以及所需的操作是否已经完成。敏感变更应保留人工审批环节。
员工入职
员工入职涉及一系列相互关联的任务，这些任务取决于岗位、地点、入职日期和审批状态。基于目标的智能体可以跟踪整体结果，而不是把每个请求当作孤立的动作处理。
它可以收集文件、验证信息、准备账户申请，并等待经理审批。如果缺少必填字段，智能体可以暂停或请求补充缺失信息，而不应为了推进计划而绕过权限规则。
研究与内容创作工作流
一个研究工作流可能以“基于可靠证据撰写一份结构清晰的报告”为目标。智能体可以把问题拆分为若干子主题，检索经批准的信息源，整理研究发现，并找出信息缺口。
如果某个信息源不支持某个论断，智能体可以调整研究计划。审核环节可以检查最终报告是否回答了最初的问题。当报告将影响重大决策时，人工审核仍然十分重要。
事件响应与运维
一个事件响应智能体的目标可能是找出服务问题的原因。它可以检查日志、审查最近的部署、核对依赖关系，并跨系统比对证据。
工作流程可能随着新信号的出现而调整。智能体可以建议回滚或修改配置，但会影响生产环境的操作应当需要授权。基于目标的循环有助于组织调查过程，而不会让「建议」变成不受控制的「执行」。
基于目标的智能体的优势
更好地处理多步骤任务
基于目标的智能体可以围绕最终结果组织一系列关联操作。只要工作流程的边界清晰，你不需要提供每一个低风险步骤。
比基于规则的自动化更灵活
在稳定的条件下，固定规则运行良好。而当输入发生变化或预期操作失败时，基于目标的系统可以选择另一条已获批准的路径。
更清晰的成功标准
明确的目标能让评估更有意义。系统可以检查是否达成了预期结果，而不是通过回复的长度或流畅度来衡量成功与否。
更好的工作流连续性
智能体可以保留任务状态，识别哪些工作尚未完成。当工作流因等待审批或等待其他系统提供信息而暂停时，这一点尤为重要。
更有效的人类委派
人可以设定结果、约束条件和审批节点，智能体则在这个操作边界内处理日常决策，而人负责处理异常情况和重大决策。
如何设计一个可靠的基于目标的智能体
可靠的设计应从工作流程出发，而不是从模型出发。使用能够安全完成任务的最简架构。
**定义一个可衡量的目标：**写出评估者可以验证的完成条件。
**设定成功与失败条件：**说明智能体应在何时继续、停止或升级处理。
**将目标拆分为子任务：**为每个子任务赋予明确的输出和依赖关系。
**限制工具访问权限：**只提供当前角色所需的工具。
**区分读写权限：**将信息检索与改变状态的操作区别对待。
**设置审批关卡：**在执行敏感或不可逆操作前要求确认。
**记录执行过程：**记录计划、工具调用、结果和状态变化。
**设置执行限制：**使用时间、轮次、重试次数和成本等边界条件。
**测试完整工作流：**评估最终结果，而不只是单次模型响应。
**逐步扩展：**先从单个智能体开始，只在出现明确需求后才增加协作机制。
实用的原则很简单：使用能够可靠完成工作流程的最低复杂度架构。只有在能解决具体运营问题时，更高的自主性才有价值。
认识 Kimi Agent：一个你今天就能用上的基于目标的智能体
本文所介绍的规划循环并非纯理论，它正是 Kimi Agent 执行真实任务的方式。你只需用一句话描述目标，Kimi 就会将其拆解为子任务，并借助内置工具逐步执行。在交付最终结果之前，它还会对结果进行评估。你不需要搭建编排层，也不需要维护工作流代码。
说出目标，获得成果
Kimi Agent 的运作方式正是基于目标的智能体应有的样子：给它一个目标，而不是一套流程。它会自行规划路径，产出可以直接使用的成果。
你可以一次上传多达 50 个文件作为素材，现有的 PDF、幻灯片和图片都会被纳入任务上下文。
长任务可自主运行至完成
基于目标的智能体的价值，体现在需要多步骤才能完成的工作上。Kimi 深度研究每个任务通常需要运行 10 到 25 分钟，并在后台持续执行，你可以先离开页面，回来时就能看到完成的报告。智能体会自行跟踪进度，而不需要你在每一步都进行提示。
将一个目标扩展为数百个并行任务
当单个智能体无法应对任务规模时，Kimi Agent Swarm 会将目标拆分给 100 多个子智能体处理，最多支持 1500 个并行工具调用。它专为大规模搜索、长篇写作和批量处理设计——本质上仍是同一个基于目标的循环，只是规模被放大了。
边界仍由你来设定
基于目标的设计让人掌控最终结果，Kimi 的运作方式也是如此。你设定目标和约束条件，之后审核计划和交付成果。重要事实和重大决策始终由人来审核，自主性负责路径的执行，而判断始终掌握在你手中。
局限性与挑战
基于目标的智能体比固定自动化提供了更高的灵活性，但也带来了新的失败模式。目标不明确可能让智能体走向错误的结果，而决策空间过大会使规划成本变高。随着环境变化，计划也可能失效。当优先级发生冲突时，可能需要基于效用的推理或人工判断，而不是简单的完成度检测。工具故障和过时数据会带来进一步的风险，尤其是在智能体可以改变外部系统的情况下。因此，可靠的部署需要经过验证的工具结果、可控的重新规划、有限的权限、可见的日志，以及对高影响操作的人工审批。
结语
基于目标的智能体朝着一个明确的结果努力，而不是只对最新的输入做出反应。它使用一个循环，将规划与行动连接起来，在评估观察到的结果后再决定下一步做什么。这种方式适用于目的地明确但路径可能变化的工作流。先从明确的成功标准和有限的权限开始，只有在工作流确实需要时才增加复杂度。Kimi Agent 提供了一种实用的方式来探索面向目标的任务执行，无需从零开始搭建智能体架构。