在人们谈论人工智能与自动化时,常常把焦点放在如何写出更聪明的提示上。然而单靠提示并不能解决决策执行中的结构性问题。真正能带来长期价值的,是把"导航"做成基础设施,而不是把每次决策都寄希望于一次次精妙的提示。把导航当作基础设施意味着把不确定性、约束和试错的流程编码为可复用、可审计、可替换的协议。这样的系统能够在不同领域反复使用,把原本依赖个人直觉的决策,转化为可再现的工程。 回顾驾驶历史可以帮助理解这个理念。
打印出来的纸质地图曾是假定人们能完美执行每一步的"指令书"。偏离路线时,驾驶者往往需要停车重新规划。GPS出现后,改变的并不是地图本身,而是把导航与执行分离开来。你负责开车,导航系统负责实时重计算路径。导航从一个手工操作的任务变成了基础设施。相同的抽象可以应用到任何需要在不确定性下做出连续决策的系统中。
导航层的核心是把模糊的问题结构化。输入是目标和约束,输出是可执行的路线与后续路标。约束可以包括预算上限、风险天花板、工具权限、影响范围限制以及可回滚性要求。把这些"宪法式"的不变量作为架构层次上的强规则,而不是散落在提示或操作手册里的建议,能确保无论什么智能体在执行,都无法违背系统级规则。 在实务上,一个导航协议通常是一个简单的循环:目标加约束生成若干候选路线,选择一个当前的路标,执行并审查结果,基于观测对路线或路标进行细化。关键的问题始终是:接下来我们应该做什么?良好的导航层回答是:选出那个最能在最短时间内提供有用信号的步骤。
我们把这个启发式称为期望信号时间。换句话说,从所有可选动作中,优先选择能最快告诉我们是否走在正确道路上的动作。 期望信号时间看似常识,但把它形式化很重要。形式化让决策可复现、可审计、可改进。它让团队不再依赖个别成员的直觉,而是遵循可度量的准则。这样一来,改进导航层的策略会比单纯改进某个模型带来更普遍的收益。
举一个技术领域的例子。目标是把客服工单分类系统的准确率提升到90%。约束是一周时间、200美元预算以及只能使用指定的三种模型。导航层提出了三条路线:速度优先的基于关键字的规则、平衡路线是对小模型微调、稳健路线是建立向量检索加上复杂管道。基于期望信号时间和约束,导航层选择微调小模型的平衡路线,并生成明确路标:用2000条标注票据进行微调,200条作为留出集,阈值是90%,如未达到则回退到规则方法。执行后得到88%的准确率。
导航层把88%视为有希望的信号,建议下一步扩大数据到3000条并改进类别平衡。整个过程是可记录、可审计并能作为后续决策的依据。 把视角拉到完全不同的领域,城市政策也是相同的结构。一项目标可能是六个月内在两个社区试点,使住房量增长20%且不驱逐现有居民。约束包括50,000美元预算、政局风险以及可逆性要求。导航层给出多个路线:快捷但脆弱的放宽附属单元(ADU)审批、平衡的开发者激励试点、以及高风险的全面改规。
系统会选择在风险和时间上最优的激励试点,设定明确的路标与停止条件,例如十处物业三个月试点,并在发现驱逐率超过5%时立刻停止。通过同样的协议框架,不同行业可以共享一套决策基础设施。 导航层的力量在于可组合性与可替换性。现在很多AI代理在每次对话中都重写导航逻辑,结果各自为政、互不复用。把导航抽象成独立层之后,多个代理可以调用同一套导航决策系统。决策以结构化数据形式存储而不是散落的聊天记录,这让审计、回溯和模型替换变得简单。
换掉底层大模型并不会影响上层决策协议,协议本身随着时间积累经验而进化。 更深一层的设计是把导航层做成自我改进的系统。这样的层不仅决定下一步做什么,还会记录每次决策的结果,并用这些数据来优化决策函数。系统通过观察哪些路线在什么情况下带来了最高的信号回报,学习权重和策略的改变。这种递归改进恰恰是让导航成为基础设施而非单纯工具的关键。工具执行你的命令,基础设施则学习如何让命令更有效。
构建导航层并不需要一次性完成所有功能。合理的起点是定义协议的数据结构。目标怎么表达,约束如何编码,路线提案与路标的格式是什么样。建议使用简单的结构化格式比如JSON,这样可以哈希、回放并且跨系统共享。接着实现一个决策函数,它接收这些结构并返回带分数的路标列表。最初可以使用固定权重的启发式,日后再通过记录的决策结果来训练更优的权重。
把导航层接到一个执行者上是下一步。选一个小的、具体的执行器来试验,比如GitHub问题分类、数据标注流程或者数据库同步任务。定义明确的目标和约束,运行循环并记录每一步决策与结果。第二次使用导航层时,新增执行者只需对接执行接口即可。真正验证抽象正确性的时刻就在这里:当你第二次把导航层用到另一个场景时,若过程变得轻量且复用性高,说明你找到了合适的基础设施层级。 导航基础设施的广泛价值在于它适用于任何在不确定性与约束下进行逐步决策的场景。
研究实验室在安排试验优先级时、公司在跨部门分配资本时、交易台在探索策略时、产品团队在选择功能时,都会面临相同的结构性问题:模糊的目标、有限的资源、需要快速反馈。把这些问题交给一个设计良好的导航层,可以把决策从"艺术"转成"协议"。协议的可复制性和可度量性会带来复合收益。 实现导航层还会带来组织治理与合规方面的好处。把预算上限、风险上限、权限与回滚策略作为系统级约束,可以防止单点智能体越权操作,降低潜在的灾难性错误概率。审计日志让每个决策变成可追溯的事件序列,从而满足监管与合规要求。
团队可以把争论从"谁的直觉更对"转移到"哪个路线在历史数据上信号更好"。 当然,构建导航层并非没有挑战。如何定义普适但不过度僵化的约束?怎样设计能跨领域通用的数据结构?如何平衡短期信号与长期价值?这些问题没有万能答案,但比起把所有希望都寄托在提示工程上,它们更具工程性,也更容易通过迭代改进。 一个可行的实践路线是:先从最小可行协议开始,定义清晰的目标、约束与路标格式;其次实现记录与回放机制以保证可审计;然后把决策函数做成可插拔的组件,先用启发式,后用历史数据训练优化;最后把导航层与多个执行器连接,积累跨场景的决策经验。随着时间推移,导航层的策略会从经验中学习出更优的时间权衡、风险评估与工具组合方式。 把导航作为基础设施还有一个重要的心理学价值。
在组织内部,决策停滞常常被误认为是个人意志或能力问题,实则是系统性缺乏下一个可执行小步子的能力。导航层通过持续提出"小而有信息量"的路标,降低执行门槛,减少拖延与选择瘫痪。它把大目标分解为可验证的实验,把失败视为学习数据而非个人错误。 最后要强调的是,智能并不完全等于更大的模型。智能可以存在于协议中、存在于系统如何组织实验和学习的方式中。把导航当作基础设施,就是在把"如何做决策"这个元问题工程化。
它让决策能力随着时间复合增长,使每一次行动不仅服务于当前目标,也在改进未来的决策。 当下一代组织与系统被设计时,那些把导航做成可共享基础设施的团队将明显受益。协议比模型更持久,结构比提示更可靠。把精力从琢磨更好的单次提示转向建立可复用的导航协议,能够把短期优化转化为长期能力。最终的回报不是单个任务的成功,而是组织在面对未知时不断加速学习与执行的能力。 。
