我的 AI agent 連續跑了 27 個小時，/goal 功能怎麼用？

就在上週,我讓AI跑了整整27個小時 對,過程中沒有人為介入 我的Agent跑了整整27個小時 如果你跟AI的互動現在還停留在 你問一句,他答一句的模式 那這支影片你一定要從頭看到尾 因為這支影片我會告訴你 到底該如何奴役你的AI 定好目標後,就讓他不眠不休地為你幹活 解放真正的生產力 很多人以為,自動化就是 把任務丟給AI,讓他自己跑 但如果你每隔十分鐘就要回去 確認他做到哪,要不要改方向 有沒有偏題 做完一輪還要你去審核後,再丟給他跑下一輪 這樣真的是自動化嗎? 你的注意力還是被綁在那邊 把任務從你手上移到AI手上 只走完了自動化的前半段 後半段是把那件事從你的心上徹底移開 讓你的時間、腦力可以放在其他更重要的事情上 真正的自動化是解放你的注意力 Cognitive Science早就證實了 只要你心裡還掛著一件沒處理完的事 不管你現在有沒有親自在做 他就是會佔用你的腦力 那些掛在腦子裡的事 比方說等AI跑完之後 我要記得改那個按鈕的UI 或是這個方向好像不對,等一下我得記得調整 這每一件事情都在偷偷吃掉你的注意力 而注意力 纔是這個時代真正稀缺的東西 今天這支影片只有剛貨 你會知道 怎麼樣讓AI真正為你所用 執行一場任務時不會偏離目標 最後的產出也貼合你的品味 影片分成三個部分 第一,我們會拆解最近主流的AI工具 跟實驗室針對AI做Long Running Task 分別推出了什麼新功能 又做了哪些研究 第二,從這幾個工具的設計原理來看 讓AI能長時間運行的祕密到底是什麼 要怎麼做才能讓你的Agent 不眠不休的為你工作 第三,你該如何立刻把這套東西 應用到你的工作上面 看完這支影片之後 我希望你不再只是AI的協作者 而是AI時代下的管理者 那我們直接開始 如果你有在關注AI Agent的圈子 你會發現一件很有趣的事情 Cloud Code、OpenAI Codex 還有Hermes Agent 這三間公司幾乎在同一時間 推出了一個一模一樣的新功能 甚至名字也都一樣,叫做Go 這個功能是幹嘛的? 簡單講就是你只要在對話框裡打斜線Go 然後寫下你想要它達成的目標 它就會自己跑下去,直到完成為止 我看社群媒體似乎不夠重視這個趨勢 這些公司推出的這個功能 其實都是想要解決一個 所有AI工作者都遇到過的問題 那就是AI會偷懶 你一定有過這種經驗 叫AI做一件事,它做到一半 停下來問你,我可以繼續嗎? 你要A還是B? 或者更糟,明明沒做完,但卻跟你說 它做完了,寫了一個漂亮的總結 然後把球丟回給你 你想要的就是,Agent可以直接做完 沒做完真的不要回來煩我 但它就是會停 到底為什麼會這樣呢? Anthropic在2025年底發了一篇研究 他們發現LLM做到一半會停下來的根本原因 叫做Context Anxiety 翻譯成中文就是上下文焦慮 用白話文解釋的話 就是LLM在執行任務的時候 會一邊看自己的Context Window 用了多少 當他感覺到Context快滿了,就會開始慌 然後就莫名其妙 開始wrap up,想要快點交菜了事 然後就停了 這是刻在LLM基因裡的一種惰性 我稱之為下班心態 而GO這個功能就是為了對抗這種惰性而生的 接著我們聊聊GO的運行原理 GO在工作的時候 通常會有兩個角色協作 一個是做髒活的實作者 另一個是負責確認產出品質 以及任務進度的評審 實作者負責執行你的指令 產出東西 評審在每一輪結束後都會檢查一次 用戶給的目標完成了嗎? 只要答案是沒有,評審就會點出問題 並叫實作者繼續往下做 就像你把一根胡蘿蔔掉在豬鼻子前 豬只要還沒吃到那根胡蘿蔔 他就不會停下來 而你只有在這隻豬真的到達終點的時候 才會給他吃胡蘿蔔 GO這樣的功能讓你不再需要每三分鐘跑回來檢查 催他戳他 他讓Agent有能力自我鞭策 自己跑到你給他訂好的終點 講到這邊,業界內的觀眾應該會聯想到 去年中有一個滿火的插件 也在做一樣的事情,叫做Ralph Loop 這個插件的命名我覺得很有意思 Ralph就是辛普森家庭裡那個有點傻但永遠不會放棄的小孩 整個插件的精神就是 無論如何都會持續做到底的循環 當時這個插件 也在AI編程圈掀起一陣風潮 而今天這三家公司 把這個理念變成了官方Feature 接著我們說一下具體怎麼使用 GO這個功能 其實這背後沒什麼大哉問 就在Cloud Code、Codex或者Hermes Agent的對話框 打上斜線GO 然後說明你希望他能完成的任務就好 當然還有一些更進階的設置 像是限制他可以使用Token的上限等等 更詳細的使用說明 各位可以查閱官方文檔,我會把連結放在資訊欄 功能的使用方式很簡單 暴力,但真正的問題是 要怎麼寫這個提示詞 才能讓GO跑出正確的東西 而不是另外一個AI Slot 如果你很隨興的丟一個Prompt 像是把這個專案改得好一點 AI會做一兩個小改動 然後說我已經讓他變得更好了 五分鐘內就把這個任務完成 為什麼?因為好一點 是一個沒有邊界的目標 AI不知道什麼叫做好一點 他就只能猜,只能自己定義 而他定義的Definition of Done 你通常不會滿意 再看一個寫得好的例子 把網站結帳頁面的反應速度 降到0.2秒以內,用速度測試工具驗證 過程中 其他的功能要保持完好無缺 只能改結帳這個區塊的程式碼 跟相關測試,別的地方不要動 每改一次,就記錄下你改了什麼 測出來的速度是多少 下一個最值得試的方向是什麼 如果速度測試工具跑不起來 或者所有想得到的方法都試過了 那就停下來,告訴我你試過什麼,卡在哪 需要我給你什麼資訊才能繼續 你看是差別了嗎 第二個版本裡面有五個關鍵的元素 第一是Outcome 也就是這個任務如果完成了應該是什麼狀態 在這個例子中是反應速度0.2秒以內 第二是Verification 怎麼證明他真的完成了 也就是用速度測試的工具驗證 第三是Constraints 哪些事情你不能做 也就是除了結帳頁面以外的其他所有功能 第四是Iteration Policy 也就是每次嘗試之間要做什麼 我的例子是要求AI記錄改了什麼 結果是什麼,還有可能的下一步 第五是Error Handling AI在什麼狀況下要暫停並回報 而不是無腦的一直做下去 一份好的Goal Prompt的設計關鍵 不是Prompt都會寫 而是你把所謂的完成定義的有多明確 完成的定義寫的好 他就會一直跑,跑到完成為止 而且完成後是你要的樣子 定義寫的爛,AI就草草結束 三分鐘就收工,產出不是你想要的 不如不要浪費這些Token 講到這邊你可能會說 那寫程式的人很爽 因為測試通過,反應速度低於0.12秒 或者是Link乾淨,這些都是明確可驗證的標準 但大部分的白領知識工作不是這樣啊 你的圖好不好看 你的網頁有沒有品味 你的文章寫得好不好,你的產品好不好用 你做的影片是不是有質感 這些東西沒有單人測試 也很難定義何謂過關,何謂失敗 那這種佔了我們白領工作絕大多數比例 偏向質化的工作 該如何套用一樣的邏輯 讓AI可以長時間替你打工 在回答這個問題之前 我想先說一下Anthropic的另一篇研究 他們讓Cloud去設計一個漂亮的網頁 然後也運用了剛剛提到的一個執行者 搭配一個評審的架構去設計這個網站 但網頁設計的漂不漂亮 是一個極度主觀的事情 你叫AI自己評自己做的網頁漂不漂亮 明明做得超爛超醜 滿滿的雞油味 它還是會把自己的設計定義成現代感、高質感 所以Anthropic把漂亮的網站 這個模糊的概念 拆成了四個明確的維度 第一個維度是設計品質 整個網頁有沒有向用戶 傳達出一個整體的設計語言 顏色、字體、排版有沒有共同營造出 一種獨特的氛圍跟識別感 第二個維度是原創性 有沒有刻意的設計選擇 還是用了一堆預設的模板 Anthropic團隊羅列了一些AI很愛用的設計元件 比方說一張卡片上面有漸層的顏色 這種太通用的模板 就會被判定沒有原創性 第三個維度是技術執行 字體階層、間距、配色 對比這些技術細節有沒有整齊 保持一致 如果每個頁面的標題字體大小都不一致 那這一關就沒過 第四個維度是可用性 這個維度不管美感 純看實用性 比方說使用者看得懂這個介面在幹嘛嗎 找得到主要按鈕嗎 能不能很直覺的就完成他們進來這個網站的最初目的 更有趣的是 他們在這四個維度之上 還會故意加重Cloud 平常做不好的那些維度的權重 例如他們發現Cloud在技術執行 跟可用性這兩個維度通常做得不錯 但在設計品質跟原創性這兩個維度上 常常產出平庸到不行的網站 所以他們就把評審評分的權重 故意往這兩個弱項偏 每個模型都有自己的一些傾向 而你設計的評分標準 可以當作一個Benchmark 校正模型的預設行為 讓模型朝著你想要的方向前進 訂完前面講到的幾個維度後 他們把這份Rubric餵給評審 並讓評審自己去看實際做出來的網頁 然後用Playwright打開瀏覽器 自己截圖,然後打分 不是讓他看程式碼 是讓評審看使用者真的會看到的畫面 Anthropic用以上的評估架構 去做了一個美術館的網站 跑到第九個Iteration的時候 Cloud做出了一個還不錯的東西 深色主題的Landing Page 版面乾淨,視覺精緻 但基本上就是你預期的美術館網站該長的樣子 但到了第十輪 他把整個網站重新想像成一個空間體驗 用CSS透視渲染出一個3D房間 地板是黑白方格 藝術品像在真實畫廊一樣掛在牆上 不規則排列,觀眾不是用Scroll跟Click在頁面之間跳 而是穿過虛擬的門 走進不同展廳 這就像是Cloud突然被反骨附身了一樣 他們的研究人員也說 這是他從來沒看過 不可能從單一次Prompt產出的創意月籤 而且這個月籤不是現行的 並不是每一輪都比上一輪好 有可能第十輪的產出 反而遠遠比第十五輪的產出更漂亮更有創意 但只要評審跟執行者 繼續對話下去 複雜度會增加,野心會增加 然後在某幾輪會出現那種我自己都想不到的飛躍 所以你看出來了嗎 不論是Go這個功能的設計 或者是Anthropy的研究 又或者是前陣子Andrej Karpathy推出的Auto Research 其實全部都指向同一件事 那就是Evaluation 不是Prompt Engineering 不是Context Engineering 而是你身為使用者能不能定義清楚什麼叫做得好 並請他根據你的指示去做評分 Evaluation代表的是一個評分標準 也是審核者、評估者 在每一輪的迭代中都要守住的原則 就是有這些原則跟評估標準 審核者才能逼執行者不斷迭代 並朝著你真正想要的結果前進 最後我想聊聊 那我們一般人究竟要怎麼把自己工作領域裡的品味 拆解成AI可以Follow的準則呢 這一題我自己也摸索了很久 最後收斂成了一套六個步驟的SOP 在這邊分享給各位 第一步是先讓AI做一輪你的工作 先不要急著寫Rubric 或者任何評估標準 如果你要請AI寫作 先丟五到十個你想寫的主題進去 讓他隨便跑 這是在測驗你使用的這個AI現在的基準能力 也就是所謂的Baseline 第二步是親自看一遍AI的Baseline產出 每一個都看 然後去感受哪些你看了會皺眉 更重要的是皺眉的具體原因是什麼 是因為開頭沒有吸引人注意的Hook 沒有提供具體例子闡述你要說明的概念 把這些皺眉的理由寫下來 這些會是你Rubric的雛型 到最後你會有一份清單 裡面寫著AI採過的地雷 像是第一句話 又是在這個快速變化的時代 整篇都在用一般人不會用的成語 或者文章裡面沒有任何具體的人名或數字 第三步是 把這些東西給分類 拆成幾個不同的維度 就像剛剛提到Anthropic的做法一樣 這樣之後的AI評審就可以根據你分類出來的維度去打分 舉個例子 你列出了五十條皺眉的理由 可能最後收斂成三大類 第一類是邏輯鬆散 這個分類的定義是文章邏輯有斷層 前文跟後文接不起來 第二類是沒有人味 定義是寫出來的內容沒有作者個人視角 沒有具體例子 在文章中一直使用像是破折號這類人類不會使用的標點符號 第三類可能是文章開頭沒Hook 第一句話就讓人想關掉 根本讀不下去 這三個維度就是你寫Rubric的骨架 我們也回顧一下Anthropic是怎麼做的 他們也是先看了一堆Cloud做的網頁 把皺眉的點聚合 最後收斂出了設計品質、原創性、技術執行 還有可用性這四個維度 一模一樣的動作只是不同領域而已 第四步是把每個維度 整理成具體的案例當作Reference 這一步是整套Rubric的核心 你不能寫避免AI味 這種抽象描述 要寫絕對不要用破折號 絕對不要用不是A而是B這種句型 你的案例要足夠具體 評審纔能夠一掃文字就馬上幫你抓戰犯 或許你覺得這樣講還是太抽象 沒關係我們一起來看Anthropic是怎麼寫的 他們在官方的 Front End Design這個Skill裡面 為原創性這個維度提供了幾個具體的案例 像是絕對不要用Inter Roboto、Arial、System Fonts 這四種字體 還有絕對不要用紫漸層蓋在白色卡片上 他們不是寫要保持原創性 而是通過經驗 以及人的品味 把那些AI一犯再犯的錯誤一個一個點明出來 放到我們剛剛的例子上 寫作的Rubric完全可以照搬這套寫法 你所謂的 沒有人味這個維度 可以這樣寫成 絕對不要用破折號連接兩個短句當作節奏感 絕對不要用不是A 而是B這種句型 絕對不要用在這個快速變化的時代 在AI時代 這種起手式 每一條都是評審一掃就抓得到 可以推斷的標準 第五步是要用多樣化的案例去取代單一的案例描述 Anthropic在Blog裡面 自爆過一個血淚教訓 他們一開始在Rubric寫了一句話 請設計成博物館等級的質感 結果跑出來所有產出 都變成博物館風 非常的單一且沒有多樣性 後來他們把這句整個刪掉 改成在文件裡列出11種美學風格 比方說Brutalist Art Deco Pastel Industrial 還有Retro Futuristic 然後讓Cloud在設計時根據當下狀況選擇其中一種 確保產出的多樣性 有實作經驗的朋友應該都知道 AI很容易因為你給的範例而有Overfitting的狀況發生 也就是過度遵從你給的範例 所以你要寫多個方向 才能確保多樣化激發AI創意 第六步 也是最後一步 就是把你的Rubric餵給評審Agent 直接跑跑看產出如何 如果你有紮實的執行完前五步 這個時候你應該已經有一份相當紮實的Rubric 下一步無所當然的 就是把這份Rubric放進你的GoPro裡面 跟你的AI說 這些就是他要遵循的審核標準 請確保在以上Rubric沒有達成之前 持續迭代不要停下 但這邊有個注意事項 建議你剛開始跑的時候還是要人工檢查一下 看看AI執行每一輪後的產出 確保評審判斷的結果 跟你親眼看的結果是否一致 如果不一致 那大概率是你的Rubric寫法還沒抓到你內心真正渴望的那個品味標準 這時候你要做的事情就是回去改Rubric 跑個三四輪之後 你就會發現你心裡對 做得好的定義正在被你一條一條的梳理出來 當有這種感覺的那一刻 你就不再只是AI的寫作者了 而是能夠定義自己品味的AI管理者 這就是我最近自己 梳理出來的一套SOP 希望可以對你有幫助 講到這邊也帶到整支影片最想跟你說的事 寫Evaluation的Rubric 表面上是給AI用的 但實際上它是在逼你把那些一直以來 只存在你腦袋裡的模糊品味具體寫成文字 一旦寫成文字 AI就可以幫你守住它幫你大規模執行它 當初我也花了大量的時間在摸索 如何定義自己的品味 所以我準備了兩個提示詞 第一個提示詞可以幫助你把過去AI的壞產出 收斂成AI評審 可以拿來打分的Rubric 另一個是回到影片最一開始提到的Go功能 這個提示詞幫你把一個模糊任務 改寫成AI可以長時間執行的Go提示詞 包含完成標準 驗證方式、限制條件 可以動什麼、不能動什麼 以及卡住時要怎麼回報 有需要的朋友可以在影片下方資訊欄查看完整文章 還有領取提示詞 看完這支影片後 我給你的小練習是挑一件你最常做 又最需要你個人品味的任務 可能是寫貼文、回客戶email 做行銷圖、寫產品文案 又或者是影片剪輯 靜下心來花30分鐘去跑以上六個步驟 試試看能不能讓AI的產出更穩定 更貼近你的預期 那以上就是今天的內容 如果對你有一點幫助 記得幫我按讚、追蹤加分享 這是我持續創作下去的動力 我們下次見