AI 分区函数

问题所在：糟糕的分区 = 糟糕的产品

大多数自动化平台仍在采用三种脆弱策略之一：

1. 静态专家规则 （RLHF，prompt‑roulette）——强大但成本高、适应缓慢。这是像 OpenAI 和 DeepMind 等公司所走的道路，通过合成和策划的结构化任务数据来支持对日益庞大模型的训练。
2. 传统 RPA——自上而下的工作流在 UI 或流程发生偏移时就会崩溃。诸如 UiPath 或 Automation Anywhere 之类的平台，使用户（通常是顾问）能够手动识别将工作中的哪些部分移交给机器人处理。
3. 工具使用数据 ——这种被动的屏幕抓取会产生大量“排放数据”、很少理解且带来令人不适的用户体验。理论上，这会生成正确类型的数据：丰富、有根有据且有上下文。但在实践中，它可能缺乏对意图的理解，并且难以将这些数据扩展为有效的学习。

三者都被同一个问题绊住： 企业行为并不整洁 。你不仅需要正确的数据；你还需要对它的正确语境和理解。工作流程常常没有文档、带有个人习惯且流动性大，会因团队、季度甚至个人而不同。此外，组织结构和激励机制可能涉及相互冲突的局部利益，需要谈判和复杂的利益相关者管理，而这在智能体设计中常被忽视。在不同的公司里，相同的职位可能涉及完全不同的软件栈。最丰富的意图——我们每天做出的优先级、权衡和战略决策——存在于人们的脑海中，而不是电子表格或日志里。自动化发送一封邮件很容易，但要在正确的时间用正确的方式去做就没那么容易。 

‍

分工努力

更深层次的问题是劳动本身的分配。在物理学中，配分函数描述能量如何分布在各个态上。在企业自动化中，我们可能会问： 应该如何在人工与机器之间分配工作量 ？如果分配过于粗放，要么把一切都自动化，要么什么都不自动化，结果要么是颠覆性问题，要么是绩效不佳。分配过细，则有被千百次交接折磨致死的风险。

我们需要更新范式以实现高效的人机协作。这将涉及在瓶颈是专业知识而非速度的任务上设计新的延迟决策方式。例如，LLMs 写代码的速度远快于人类评估代码的速度。

这是一个关于人类、智能代理及其分工如何实现高效协同的简单心智模型：

• Human：设定目标、澄清歧义、批准边缘情况并验证输出。‍
• Agent：可靠执行高置信度步骤并聚合状态。‍
• Partition：随着置信度分数和目标的变化而移动，将任务分配给人类或 Agent。

‍

任务与背景

要实现高效的 partition，需要上下文工程 ，以帮助 Agent 做出明智决策。如今的企业员工需要一个自适应、持续且不显眼的 partition。该 partition 应随工作演进而灵活调整，并从员工处学习，在有帮助时引导他们，在无益时退居后方。像 Clay、Tines 和 n8n 这样的工具，让用户能够设计轻触式自动化或 Agent，暗示了这种未来走向。

今天的现实感觉像是一个狂野西部式的混合体，查询和上下文在单一聊天中杂乱碰撞。 我们缺乏那种适应性和细腻的划分，使得与 AI 的互动不仅有用，而且直观 。大型模型需要能够从聪明的通才转变为灵巧的专家，能够在需要时无缝地创建和忘记上下文。随着我们从手工构建的代理支架转向依赖规模的系统——这是由 Noam Brown 强调的一个观点——划分正成为一个关键挑战。随着模型规模的扩大，我们对划分的做法也需要演进。

我们将依赖的代理将同时做两件事：

• 任务划分 ：在每一刻决定哪些子任务可以由代理自信承担，哪些需要人工判断。
• 上下文划分 ：启动专用的“微上下文”，以防销售电话的策略渗入到晚餐计划的提示中。

当这些划分具有自适应性时，代理将给人以如同顶级人类助理般的整体感。当平台能够将用户定义的支架（目标与防护措施）与环境中被动收集的数据结合起来，形成不断改进模型与人的连续反馈回路时，真正改变游戏规则的机会便会出现。

‍

划分问题

把划分视为一等重要问题的创始人需要理解他们的产品如何减少集成时间、快速学习企业特有的细微差别，并在建立边界的同时赢得用户信任。除了推理计算预算外，用户还将应对认知负担——为将任务委托给代理建立正确的心理模型将至关重要。现在，用户经常处于两难境地，被迫决定代理是否足够有能力单独行动、是否需要通过示范来教学，或者只是被阻塞需要直接干预。

能够把这种微妙行为处理得当的团队，将解锁更智能的分配函数，使我们不仅摆脱枯燥的任务，也彻底摆脱枯燥的工作。我们不会觉得自己在看管自动化系统，而会感到被赋能，与机器合而为一。