我的 AI agent 連續跑了 27 個小時，/goal 功能怎麼用？

真正的自動化不只是把任務從你手上移到AI手上，而是把那件事從你的心上徹底移開。Cognitive Science已證實，只要你心裡還掛著一件沒處理完的事，無論有沒有親自做，都會佔用腦力——這正是注意力稀缺的時代最大的浪費。

去年底，Claude Code、OpenAI Codex與Hermes Agent幾乎同時推出了一個名叫goal的功能。表面上只是在對話框打斜線加目標就能讓AI自動跑，但這背後解決的是一個所有AI使用者都遇過的問題：LLM會中途停下來。你要它做完一件事，它做到一半就停下來問你「我可以繼續嗎？」或直接說「做完了」就把球丟回來，明明還沒完成。Anthropic的2025年研究發現根本原因叫context anxiety——LLM在執行任務時會看著自己用掉的context window，當快滿了就開始慌，莫名其妙就想wrap up交差。這是刻在LLM基因裡的惰性，或說下班心態。

Goal功能的運作原理是執行者與評審者的協作。執行者負責執行指令、產出東西，評審在每輪結束後檢查使用者給的目標完成了沒有。只要答案是沒有，評審就指出問題並叫執行者繼續，就像在豬鼻子前吊根胡蘿蔔——豬還沒吃到就不會停下來。這套邏輯去年曾以Ralph Loop插件掀起風潮，如今已被官方納入功能。

然而真正的挑戰不在使用goal，而在如何寫出能產出正確結果的提示詞而非AI slop。如果隨興丟出「把這個專案改得好一點」，AI會做1-2個小改動就說完成，因為「好一點」沒有邊界。但如果寫「把網站結帳頁面反應速度降到0.2秒以內，用速度測試工具驗證，其他功能保持完好只能改結帳程式碼，每改一次記錄改了什麼和結果以及下一個方向，工具跑不起來或所有方法都試過就停下來告訴我卡在哪」，就有五個關鍵元素：Outcome（目標狀態）、Verification（驗證方式）、Constraints（限制條件）、Iteration Policy（每輪要做什麼）、Error Handling（何時暫停回報）。

對於有單元測試的程式工作這很直接，但佔白領工作大多數的質化工作——圖片好不好看、文章寫得好不好、產品好不好用——沒有測試也難定義過關。Anthropic的研究用一個漂亮網頁設計案例展示解決方案：把模糊概念「漂亮」拆成四個明確維度。第一是設計品質，整個網頁有無統一的設計語言（顏色、字體、排版）。第二是原創性，有無刻意的設計選擇還是都用預設模板。第三是技術執行，字體階層、間距、配色、對比有無一致。第四是可用性，純看實用性——使用者看得懂介面、找得到按鈕、能否直覺完成目的。更聰明的是，他們故意加重Claude平常做不好的維度權重（設計品質和原創性），用評分標準當作benchmark校正模型的預設行為。評審不看程式碼而是用Playwright打開瀏覽器截圖打分。結果在第九輪時Claude做出深色landing page，版面乾淨精緻，但到第十輪它把網站重新想像成空間體驗——用CSS透視渲染3D房間，地板黑白方格，藝術品不規則掛在牆上，觀眾穿過虛擬門進入展廳。研究人員說這種創意躍遷根本不可能從單一prompt產出，而且這種創新不是線性增長的，有時第十輪反而比第十五輪更棒。

要把自己工作領域的品味拆解成AI可執行的準則，建議用六步SOP。第一步先讓AI做一輪工作測試baseline能力，比如投5-10個寫作主題進去。第二步親自看所有產出並記錄每個皺眉的具體原因——是開頭沒吸引力、沒具體例子、還是詞彙問題。第三步把這些理由分類成維度，比如邏輯鬆散、沒有人味、開頭無hook。第四步最關鍵：把每個維度整理成具體案例當reference。Anthropic的做法是寫「絕對不要用Inter、Roboto、Arial、system fonts」和「絕對不要用紫漸層蓋白卡片」，而非抽象的「保持原創性」。應用到寫作就是「絕對不要用破折號連接短句」「絕對不要用『不是A，而是B』句型」「絕對不要用『在這個快速變化的時代』起手式」——每一條評審一掃就抓得到。第五步用多樣化案例取代單一描述。Anthropic曾吃過虧，寫「請設計成博物館等級質感」結果全都變博物館風，改成列舉11種風格（Brutalist、Art Deco、Pastel、Industrial、Retro-futuristic等）讓Claude根據狀況選擇，確保多樣性激發創意。第六步把rubric餵給評審agent執行迭代，但初期要人工檢查3-4輪確保評審判斷與你的品味一致。跑個三四輪後你會發現自己心裡對「做得好」的定義正被逐條梳理出來。當你有這種感覺時，你就不再是AI的協作者，而是能定義品味的AI管理者。

---