给AI定目标、盯进度:Agentic Design Patterns目标设定与监控(Goal Setting & Monitoring)模式完整解读
给AI定目标、盯进度:Agentic Design Patterns目标设定与监控(Goal Setting & Monitoring)模式完整解读
在构建可靠 AI Agent 时,光会"动手"还不够,还得会"定目标"、能"盯进度"。开源项目 Agentic Design Patterns 里的 Goal Setting & Monitoring(目标设定与监控) 模式,正是教 Agent 如何给自己立可衡量的目标、并持续追踪是否达成的核心设计模式。本文带你用最短时间看懂它是什么、怎么用、为什么重要。
为什么 Agent 需要"目标感"?
想象你规划一次旅行:你不会凭空出现在目的地,而是先想清楚要去哪(目标状态)、现在在哪(初始状态)、有哪些选择(交通、路线、预算),再拆成订机票、打包、赶飞机……这套"先定目标再一步步拆解"的思路,就是 Agent 的 目标导向(底层依赖 Planning 规划模式)。
关键区别在于:没有监控,Agent 无法判断自己是否真的在朝成功靠近。很多 Agent"干着干着就跑偏",根因就在这里——它们缺少"我达标了吗?"的反馈回路。
▲ 一个深度研究 Agent 展示它当前的分析思路与"下一步(Next Steps)",这正是目标设定 + 进度可视化的真实场景
给AI定目标:让目标可衡量(SMART)
好的目标设定,核心是 具体、可衡量、可达成、相关、有时限(SMART)。书里给了个很直观的示例——把"写代码"拆成一份质量清单作为验收标准:
- 代码简单易懂
- 功能正确
- 覆盖边界情况
- 只接受正整数输入
这份清单就是 Agent 的"达标线"。在 Google ADK 等框架中,目标通常通过 Agent 的 instructions(指令) 传达,监控则靠状态管理与工具交互完成(详见 Chapter 11 原文)。
盯进度:Agent 如何监控执行?
监控的本质是一个反馈回路:持续观察 Agent 的动作、环境状态和工具输出,对照目标判断"达标了吗?"。没达标就修正方向、重新规划或上报问题。
▲ 监控与评估 Agent 的 5 层最佳实践:从"定义清晰可衡量的目标与指标",到"组合定量/定性数据""定期采集""激励机制",最终"提供反馈与辅导"
▲ 目标监控闭环:User 的 Prompt 驱动 Agent 产生 Output;同时 Observer Metrics(观察者指标) 持续旁路观察,异常时触发 Alarm(告警)——让 Agent 可被持续纠偏
真实案例:迭代式自我监控(代码生成 Agent)
书里用了个典型例子:一个"AI 程序员"拿到任务后,不是一次提交,而是进入 生成 → 自评 → 改进 的循环。每轮它都对照质量清单给自己打分,回答 True(达标)或 False(未达标)。一旦达标或到达迭代上限,就输出最终成品。
▲ 多轮迭代中,Agent 的"效用/质量"随目标监控逐步爬升——这正是"盯进度"带来的收益
更稳健的做法,是把"写代码"和"评审"拆成两个独立 Agent。作者就搭了个多 Agent 小队:Peer Programmer(写)、Code Reviewer(评)、Test Writer(测)等,让"裁判"与"选手"分离,评估更客观(原理见 Multi-Agent Collaboration)。
▲ "ADK code reviewer" Agent 的指令配置:它的目标就是消除代码"幻觉"、指出逻辑/运行时错误并给出改进建议——一个专职"监控者"
⚠️ 提醒:让同一个 LLM 既写代码又当裁判,往往更难发现自己走偏,还可能"幻觉"出已达标。生产环境里监控只是辅助,仍要真正运行并测试代码。
典型应用场景
- 客服自动化:目标"解决客户账单咨询",监控对话与数据库,未解决则升级人工。
- 项目管理助手:目标"里程碑按期完成",持续盯任务状态与资源,风险出现即预警。
- 量化交易机器人:目标"风险承受内最大化收益",监控行情、持仓与风险指标。
- 自动驾驶:目标"安全送乘客从 A 到 B",持续监控环境、车速与路线进度。
关键要点(Key Takeaways)
- 目标设定与监控,赋予 Agent 方向感 + 自我追踪能力。
- 目标要 SMART:具体、可衡量、可达成、相关、有时限。
- 监控 = 观察 Agent 动作、环境状态与工具输出,对照指标判断达标与否。
- 反馈回路让 Agent 能 自适应、改计划、或上报问题。
- 进阶做法:用独立评审 Agent 分离"执行"与"评估",让判断更客观。




