@jerryjliu0：在尝试 /goal 后，感觉手动构建任何类型的工作流的需求越来越少……
摘要
Jerry Liu 观察到，人工智能开发正从手动构建工作流转向指定目标，从提示工程转向目标与评估工程。
在尝试 /goal 后
感觉手动构建任何类型的工作流（无论是通过代码、拖拽还是提示）的需求越来越少。相反，指定目标，让模型智能体自行找出底层步骤。
如果任务是可重复的，那么你可以收集一个包含真实结果的数据集，并通过爬山法来提高成本/降低准确率。在某种程度上，这正是每个非前沿实验室正在优化的方向。
世界正从提示工程转向目标与评估工程。
查看缓存全文
缓存时间: 2026/06/29 06:30
通过尝试 /goal 功能，感觉构建任何类型的工作流（无论是通过代码、拖拽还是提示词）的需求正在逐渐减少。取而代之的是，只需要指定目标，让模型智能自动规划出底层步骤。
如果任务是重复性的，可以收集带有真实标签的数据集，通过爬山算法来优化成本/降低精度。某种程度上，这正是所有非前沿实验室正在优化的工作方向。
世界正在从提示词工程转向目标工程与评估工程。
相似文章
@jerryjliu0：3年前，我在第一届 @aiDotEngineer 会议上做了一场关于“高级 RAG”技术的演讲，目的是克服朴素 RAG 的局限性……
Jerry Liu 回顾了三年来 RAG 技术的变化，指出从朴素 RAG 向基于智能体的抽象、从代码定义向目标定义智能体的转变。
@jerryjliu0：这是一篇不错的文章（不确定我一个月后是如何偶然发现的）。我大致同意其中的观点：我倾向于……
Jerry Liu分享了他的招聘理念，倾向于看重候选人的学习曲线、毅力和灵活应变能力，而非纯粹的经验。他认为AI减少了处理例行任务的时间，并加速了学习过程，同时警告不要利用AI产出没有真正理解的劣质内容。
@Av1dlive: Garry Tan (Y-Combinator CEO): “当有人问我如何‘提示’我的 AI 时，答案是：我不提示。技能即提示…"
Garry Tan 主张从手动 AI 提示转向基于技能的自动化，展示了 GBrain 和 GStack 等开源工具，用于永久捕获和复用工作流。
@ThisisHan1_: 最近做了一条开发 pipeline，想分享一下背后的想法。 我是被 loop / goal engineering、还有 auto-goal（让 agent 自己写 goal、自己 spawn 子任务）那一串东西启发的。但真正让我想通的，…
这个开发管道通过先制作粗糙原型引发用户反馈，将每次“不对”的反应转化为可检查的规则，然后由AI代理独立开发并验收，以尽早发现问题并避免自欺欺人。
人人都构建AI工作流，但几乎没人坚持用下去。原因在这里。
一位创始人分享了他在AI工具采用方面的经验，指出大多数人收集了大量工具却没有取得实际成果。他主张专注于一个关键业务问题，并不断迭代直到工作流真正有效，并以自己的成功为例：将客户报告时间从4-5小时缩短到45分钟以内。