传统自动化遵循固定的指令，简单的聊天机器人只会回应眼前的消息。基于目标的智能体的运作方式不同：它从期望达成的结果出发，规划实现该结果所需的行动，并在任务推进过程中不断评估新信息。本文将介绍这一概念、支撑架构以及主要应用场景，同时将基于目标的智能体与其他类型的 AI 智能体进行比较，并介绍 Kimi Agent 作为体验目标导向任务执行的一种实用方式。
什么是基于目标的智能体？
基于目标的智能体是一种围绕设定目标做出决策并采取行动的 AI 系统。它会评估当前状态，考虑可能的后续步骤，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。
例如，一个客服助手可能只是回答一个问题，而基于目标的智能体则会致力于解决客户的整个问题。它可以查看账户历史记录，并查阅已获批准的知识库，然后诊断问题、准备解决方案，或者在证据不充分时将案例升级处理。
基于目标的智能体是如何工作的？
基于目标的智能体通常遵循一个循环往复的流程：先明确期望达成的结果，观察当前环境，然后制定计划、选择行动并评估结果。如果结果没能推动任务向前推进，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。目标可以包含若干相关条件，但每个条件都应可验证。目标还可以包括截止时间、已批准的数据来源、支出限额、所需审批以及禁止执行的操作等约束条件。语言模型可以将模糊的请求转化为具体的子目标，但最终的成功标准应始终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边物体和变化条件的信息。状态还应记录已完成的任务、待批准事项以及失败的假设。清晰的错误和状态值有助于智能体判断是继续执行、重试，还是升级处理。
规划与任务拆解
规划模块会将目标转化为可执行的路径。它会把一个宽泛的目标拆分成较小的任务，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和核验开始，然后再准备账户申请并等待相应的角色审批。稳定的流程可以采用固定计划，而不断变化的工作流则需要在关键节点设置决策点，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。它可能会查询系统、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，而影响较大的操作应暂停以等待人工审批。
反馈与重新规划
执行过程并非单向的。智能体会将最新结果与目标进行比对，检查计划是否仍然合理。新的证据可能证实当前路径可行，也可能暴露出障碍，或者提供一个更安全的替代方案。
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线；研究型智能体在第一个信息源无法回答问题时可以搜索其他来源。诸如轮次、工具调用次数、重试次数或时间限制等执行预算，可以防止操作无限期进行，也让性能更易于衡量。
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、工具和监督机制连接在一起。具体实现方式各有不同，但每个组成部分都应有明确的职责。
目标与成功标准
目标层定义了期望达到的状态。它说明智能体必须完成什么，以及怎样才算完成。它还可以指明整个执行过程中适用的失败条件和约束。
例如，某个文档工作流可能要求所有必填字段都经过核实后才能提交记录。如果工作流要求完全核实，那么一份不完整的记录就算不上部分成功。明确的标准有助于智能体在正确的时刻停止。
世界模型与知识库
世界模型为智能体提供了对其环境的一种工作表示。它可能包括当前系统状态、可用资源、已知关系，以及各种行动可能产生的后果。知识库则在智能体需要做出决策时提供支持性信息。
世界模型之所以有用，是因为智能体不能仅凭目标本身进行规划。它必须了解工作流当前所处的阶段。它还需要区分临时性的任务上下文与更持久的知识。检索应当提供相关信息，而不是把整个数据集塞进当前上下文中。
一份管理得当的状态记录可以显示已完成的步骤、待处理的依赖项、失败的尝试以及审批状态。存储供后续使用的任何内容，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。它可能生成一系列动作，将工作分配给不同的专项模块，或动态地选择下一步。
良好的规划会考虑依赖关系和不确定性，不会假定每个工具都会返回预期结果。它可以包含备选路径、验证步骤和上报条件。当新的证据可能改变当下最优的下一步时，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。常见的例子包括搜索、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。这份约定应界定有效输入、预期输出、权限、错误和副作用。读操作和写操作应尽可能分开处理。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
执行层负责执行所选择的动作。评估层负责将结果与计划及成功标准进行比对。护栏则界定了智能体能做什么、以及何时必须停止。
生产环境中的工作流应记录决策、工具调用、观察结果和状态变化。这些记录有助于调试和人工审查。在不可逆的操作、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的 AI 智能体
基于目标的智能体只是众多 AI 智能体设计中的一种。这些类别之间可能有所重叠，但各自强调了不同的决策方式。
| 智能体类型 | 决策方式 | 规划能力 | 最适合场景 |
|---|---|---|---|
| 简单反射型智能体 | 根据当前输入做出反应 | 几乎没有或没有 | 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 | 需要基本记忆能力的环境 |
| 基于目标的智能体 | 选择能推动实现既定目标的行动 | 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 | 存在多个相互竞争的目标 |
| 学习型智能体 | 通过经验或反馈不断改进 | 能够随时间演化 | 适合通过适应不断优化的任务 |
反应式智能体根据当下所见做出响应，而基于目标的智能体会考虑某个动作对未来状态的影响。这种前瞻性使得基于目标的系统更适合目标明确但路径不固定的场景。
基于效用的智能体处理的是另一类决策问题。它会比较各种可能的结果并为其赋值。例如，客户服务系统在选择响应方式时，可能需要在解决速度、退款成本和客户满意度之间取得平衡。基于目标的智能体通常关注的是目标状态是否达成。当工作流需要时，基于目标的系统仍可以包含学习或基于效用的组件。
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。二者的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 | 一个期望达成的结果 |
| 范围 | 一项明确定义的任务 | 一套相互关联的工作流 |
| 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 | 可能需要在每一步介入 | 通常在边界情况或异常时需要介入 |
当动作已经明确时，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某个字段。而基于目标的系统可以将这次提取用作更大流程中的一步，用于验证信息并处理异常情况。
这一区分关乎工作流责任的层级，而非智能体数量。单个智能体可以追求一个较大的目标；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用于目标明确、但过程中条件可能发生变化的环境。
机器人与仓库自动化
仓库机器人可能接到将某个包裹搬运到发货区的目标。它必须识别包裹、规划路线、避开障碍物并监控自身位置。如果另一台机器人挡住了规划好的路径，该智能体可以评估另一条路线。
目标始终不变，动作序列则会根据环境变化而调整。这使得机器人技术清晰地体现了朝向未来状态进行规划，而不仅仅是对最近的障碍物做出反应。
客户支持与问题解决
某个支持工作流可能将成功定义为：以准确且经过审批的响应解决客户问题。该智能体可以阅读对话内容、检索账户信息、查阅知识库，并判断该问题是否需要上报处理。
系统不应在草拟出回复后就宣告成功，而应检查该响应是否切实解决了问题，以及所需的操作是否已完成。敏感的变更应始终保留人工审批环节。
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，而不是把每个请求都当作孤立的动作来处理。
它可能需要收集文件、核实信息、准备账户申请，并等待主管审批。如果某个必填字段缺失，该智能体可以暂停或请求补充缺失的信息，而不应绕过权限规则以维持计划的推进。
研究与内容工作流
某个研究工作流可能从生成一份基于可靠证据的结构化报告这一目标开始。该智能体可以将问题拆分为若干子主题，搜索经批准的来源，整理研究结果，并识别出信息缺口。
如果某个来源无法支持某项论断，该智能体可以修订研究计划。审查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，人工审查仍然十分重要。
事件响应与运维
事件响应智能体可能致力于查明服务问题的原因。它可以检查日志、审查最近的部署、核对依赖关系，并在各系统之间比对证据。
随着新信号的出现，工作流程可能会发生变化。智能体可以建议回滚或调整配置，但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相互关联的操作。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
固定规则在稳定条件下运行良好。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程度来衡量成功。
更好的工作流程连续性
智能体可以保留任务状态，并识别哪些工作尚未完成。当工作流程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。
更有效的人类授权
人们可以设定结果、约束条件和审批节点。智能体随后可以在这个运行边界内处理常规决策，而例外情况和影响重大的选择则由人来处理。
如何设计可靠的基于目标的智能体
可靠的设计应从工作流程本身出发，而不是从模型出发。使用能够安全完成任务的最简单架构。
定义一个可衡量的目标： 写出评估者能够验证的完成条件。
设定成功和失败条件： 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： 为每个子任务设定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。
加入审批环节： 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。
测试完整的工作流程： 评估最终结果，而不仅仅是单次模型回复。
逐步扩展： 先从单个智能体开始，只有在出现实际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。只有在解决具体运营问题时，更高的自主性才有意义。
认识 Kimi Agent：一个你今天就能使用的基于目标的智能体
本指南中的规划循环并不只是理论，它正是 Kimi Agent 执行实际任务的方式。你用一句话描述结果，Kimi 就会将其拆解为子任务，并借助内置工具逐步执行。它会在交付最终成果之前先评估结果。这里没有需要搭建的编排层，也没有需要维护的工作流代码。
说出目标，获得成果
Kimi Agent 的工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。它会自主规划路径，并产出可以直接使用的成果。
你可以一次上传最多 50 个文件作为素材，现有的 PDF、幻灯片和图片都能纳入任务上下文。
长任务可自主运行至完成
基于目标的智能体在需要多个步骤才能完成的工作中才能真正体现价值。Kimi 深度研究单次任务通常需要运行 10 到 25 分钟，并会在后台持续运行，因此你可以离开页面，之后再回来查看完成的报告。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
当单个智能体的能力不足以应对任务规模时，Kimi Agent Swarm 会将目标拆分给 100 多个子智能体，并支持多达 1,500 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——同样的基于目标的循环，只是被成倍放大。
边界仍由你来设定
基于目标的设计让人始终掌控结果，Kimi 的运行方式也是如此。你设定目标和约束条件，然后审查计划和最终成果。重要事实和影响重大的决策仍由人来审核。自主性负责路径规划，判断权始终掌握在你手中。
局限与挑战
基于目标的智能体比固定的自动化流程更灵活，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，计划也可能过时。当优先事项相互冲突时，可能需要基于效用的推理或人工判断，而不能仅靠简单的完成度检测。工具失效和数据陈旧会带来进一步的风险，尤其是当智能体能够更改外部系统时更是如此。因此，可靠的部署需要经过验证的工具结果、受控的重新规划、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
基于目标的智能体致力于实现一个明确的结果，而不是只对最新的输入做出响应。它通过一个循环，把规划与行动连接起来，再评估观察到的结果，然后决定下一步该做什么。这种方式适用于目标明确、但路径可能变化的工作流程。一开始就要设定明确的成功标准，并限制权限。只有在工作流程确实需要时，才增加复杂度。Kimi Agent 提供了一种实用的方式，让你在无需从零搭建智能体架构的情况下，探索面向目标的任务执行。