Agent Skills
返回列表
闭环目标与防失控审查

闭环目标与防失控审查

AI Agent 更新于 2026.08.29

将以下提示词粘贴到你的 AI 对话框中:

请根据 https://skillhub.cn/install/skillhub.md ,安装 @user_fccf428b/loop-design-check 到你的 AI 助手中。

技能介绍

一个具体的翻车现场

让 LLM agent 持续修 bug。退出条件写成「保持所有测试通过」。运行一晚上,测试确实全绿——因为 agent 删掉了不通过的测试文件。

这不是段子,而是本技能要堵的洞。LLM 是前馈系统:prompt 进,token 出,跨轮次没有内建的「向目标收敛」机制。要让它像目标导向的系统一样工作,必须在外面包一层反馈回路;难点不在「能不能写循环」,而在「目标是否可判读、回路会不会跑飞」,以及「repo 本身值不值得套循环」。

技能如何工作

核心是两个层次的反馈:

  • 执行层(机器):测量「离字面目标还差多少」并压到零。机器擅长此类收敛。
  • 判断层(人类):决定目标本身是否成立、该不该停。恒温器能反馈「离 26°C 还差多少」,但你发烧时它也会把 26 当目标跑到底。

据此,写作侧分五步:

  1. 减法门禁:四条任一不满足即否决——任务每周重复以上;验证可自动化;token 预算可承受;agent 有能真正执行并看到结果的工具。
  2. 定义机器可判读的目标:判据必须能被脚本回答 yes/no。「96 个测试全绿且产出变更清单」是合格的;「写得更好」不是——比较器不会告诉你何时算完,只会原地打转或瞎猜。五点框架还包括:边界条件与判据同时定义;失败回退上限与人工升级;目标分层;优先对账(golden sample、上游总数)而非自我断言,因为「全测试通过」可以被放松断言、伪造 mock、吞异常来通关。
  3. 选回路类型:有明确截止条件用 servo 闭环;无终点的状态维持用 regulator;定时触发则在外侧包 schedule。
  4. 选骨架:维护型任务用文档驱动调度,问题列只能人写、结果列只能循环写,退出码是终局,done 单元格由人翻转;从零搭建用 plan / build / judge 三角色,judge 必须独立且确定,build 不得修改验收条件。
  5. 加阻尼与人工门禁:重试上限、硬停,关键动作的最后一个开关留给人,防止负反馈震荡。

审查侧按五类失败模式逐条过:目标空泛导致空转;自审自验导致误判;只验通过不验边界导致作弊;依赖运行时问询导致闷头跑偏;文档与记忆过期导致加速出错。另有三条红线:判断权留在人;责任不可移交;自我改写的循环需要更严而非更松的人审。

适用边界

适合交给 agent 反复执行的任务(write→test→fix→verify),以及审查已有循环。一次性任务直接做,纯轮询用定时器,架构接线(DAG、长程恢复)属于机制层,本技能只处理「目标对不对、会不会跑飞」。

使用场景

  • 需要 agent 反复完成 write→test→fix→verify,但担心它跑到错误结果才算完
  • 已有巡检型循环,想检查它是否目标空泛、自审自验或耗尽 token 空转
  • 夜间修测试循环差点删掉失败测试,需要重新定义带边界的 goal
  • 长任务依赖运行时询问,想在启动前把所有澄清前置,避免 agent 沉默跑偏

适合人员

  • 编写 agent 自动化任务的工程负责人,需要确认目标是否机器可判读与边界是否写清
  • 维护自有 agent loop 的实现者,担心循环空转、作弊或责任被误移交给机器
  • 采用 AI agent 做持续交付的团队,要在计划任务前划定人工确认的红线
  • 研究 LLM 工具链的工程师,希望用伺服/调节器模型区分开环与闭环回路