从看懂到做到：把感知—决策—行动用在一个真实问题上

先把一个循环跑完整

我们用“感知—决策—行动”描述人与智能体处理任务的一种工作框架：感知是取得与问题有关的信息，决策是在目标和约束下选择做法，行动是让选择进入现实。行动的结果再成为下一轮感知的输入。

这是一种有意简化的分析方式，不是对人的心智或所有智能体架构的完整解释。有些系统能生成建议，却没有执行权限；有些行动由人完成。讨论一个系统时，要把这些边界说明白。

• 感知：我观察到了什么？来源是什么？哪些只是推测，哪些信息还缺？
• 决策：我想改变什么？有哪些方案，包括暂时不做？选择依据和停止条件是什么？
• 行动：谁在什么范围内做什么？何时检查结果？出现问题由谁停止或撤回？
• 反馈：结果与预期差在哪里？下一次要更新信息、选择依据，还是执行方式？

做完一次，还要让下一次更好

完成任务与改进做事的方法，是两件相互连接的事。前者关心这一次有没有完成；后者关心为什么成功或失败，以及同样的方法在下一次是否仍然有效。

例如，AI回答错了一道业务问题，补上正确答案只解决了眼前的问题。继续追查是资料过期、检索遗漏、判断出错，还是根本没有足够信息，再把检查办法用于同类问题，才可能形成可复用的改进。

因此，每次行动都值得留下三样东西：行动前的判断、行动后的证据、下一轮具体改变什么。只积累结果，不保留原先的判断，很容易在事后把偶然成功解释成能力。

拿企业知识问答做一次小试验

下面是设计示例，不是已经完成的客户案例，也不包含实际收益数据。假设一家企业希望减少员工反复查找内部资料的时间，可以先选一类边界清楚的问题，例如产品规格查询。

先确认允许使用哪些资料、谁负责更新、哪些信息不能外传。记录当前人工处理过程，包括找不到答案、需要转交同事和回答错误的情况。再准备一组不参与调试的题目，避免只是把系统调到会回答训练时见过的问题。

让AI给出答案及出处，由熟悉业务的人按事先约定的标准审核。开始阶段保留人工确认，不让系统直接对客户作承诺；证据不足时允许回答“不知道”。最后比较两种流程的正确性、总耗时和返工量，而不是只看AI生成答案有多快。

先定衡量标准，再看结果

一个循环跑得快，可能只是更快地重复错误。评估要同时看结果质量、总成本和风险；速度只是其中一项。

试验开始前约定观察时间窗、题目数量与来源、评分方式和可接受的错误边界。比较时保持任务范围与难度尽量一致，说明是否排除了调试样本。条件变了就单独记录，不把不同条件下的数字直接当作进步。

• 结果质量：正确回答数 / 全部评估问题数；另外记录无法回答、错误引用与需人工纠正的数量。
• 时间与成本：计算检索、审核、返工的总耗时；模型费用、人工成本分别列明，金额注明币种。
• 风险与控制：记录越权访问、不该作出的承诺、停止或转人工是否有效；关键越界不能被平均分掩盖。
• 可复用性：换一批未参与调试的问题，或换一个岗位后，还能否达到事先约定的要求？

研究、业务和资金，怎样接到同一件事上

研究者可以帮助澄清假设、设计对照和寻找反例；业务负责人提供真实任务、可用资料及验收要求；技术团队实现流程并保留可检查的记录。AI可以协助整理与执行获授权的步骤，但目标、权限和结果责任需要有人承担。

资源配置者要看到下一笔投入会换来什么证据：先证明一个场景值得做，再决定是否扩大到更多岗位、客户或项目。试点通过仍不等于有稳定需求或商业回报，后续还要检查真实使用、交付成本与持续付费。

这也是“看见未来，布局当下”的一个落点：远景帮助我们选择值得关注的方向，命题提醒我们持续追问，眼前的试验则让参与者知道现在能做什么。

今天就从一张行动记录开始

选一个反复发生、结果可观察的问题，把下面几项写在同一张记录里。先做一次边界清楚的尝试，再决定是否扩大。记录可以很短，但不能在看到结果后再改写最初的成功标准。

• 问题与基线：现在怎样处理？影响谁？已有证据与未知项是什么？
• 目标与判断：准备改善什么？为什么选这个方案？什么证据会推翻它？
• 行动与权限：谁负责？可用哪些数据？投入上限、停止条件和检查时间是什么？
• 结果与复盘：实际发生什么？与基线相比怎样？有什么副作用？
• 下一轮：保留什么、修改什么？由谁取得下一份验证证据？