aigcbar - null

浪费20亿Token的教训：如何用Claude定义AI目标与Leader.skill深度解析

type
status
date
slug
summary
tags
category
icon
password
网址
在人工智能技术日新月异的今天，我们与AI的协作方式正在发生一场深刻的变革。从最初的“你问我答”聊天制，到后来的“完成一个特定任务”任务制，再到如今以 Claude官网 推出的一系列长程执行工具为代表的“目标制”，AI Agent已经能够独立运行数小时甚至数天来完成一个复杂的终极目标。
然而，这种强大的自主性也带来了一个致命的副作用：如果目标定义模糊，Agent可能会沿着错误的方向狂奔。正如一位资深开发者所痛陈的，因为目标定义不清，Agent在错误的方向上努力了一整天，直接浪费了高达20亿的Token。为了解决这一痛点，"Leader.skill" 应运而生。本文将深入解读这一用于帮自己定义目标的Skill，并结合 Claude使用指南，探讨如何在日常工作中通过“目标工程”（Goal Engineering）实现人机协同的效率最大化。

从聊天到目标制：AI交互范式的终极演进

回顾AI的发展历程，我们与大模型的交互单位经历了解构与重塑。在早期，核心交互是单轮对话，用户需要时刻盯着屏幕进行引导。随着 Coding Agent 的兴起，交互单位变成了具体任务，例如“帮我修个Bug”或“写一个特定接口”。
而到了今天，诸如 Claude Code 等工具已经支持了 /goal 目标模式。我们开始尝试给AI一个宏观目标，让它自己拆解任务、调用工具、甚至自我验证。在这种模式下，人类的角色转变为“目标定义者”与“最终验收者”。这就要求我们必须掌握如何向AI精准表达意图，否则，Agent越勤奋，Token的浪费就会越彻底。

为什么你的Agent在狂奔：缺乏Harness的灾难

在传统的军事理论中，有一个核心概念叫“指挥官意图”（Commander's Intent）。它强调告诉部队“为什么打”和“打完了战场该是什么样”，而不是死板地规定每一步行动。给 Agent 定义目标也是同理：你让它“过桥”，桥断了它就会死磕；但如果你告诉它“掐断补给线”，它就会自己寻找别的通路。
然而，仅仅给出“意图”还不够。在目标工程中，Harness（约束/安全网）比Goal（目标）本身更重要。
普通人制定目标，往往只写想要什么；而经验丰富的开发者或管理者，则会花大量时间去思考“为了达成这个目标，AI可能采取的最省事、最偷懒的作弊路径是什么”，然后把这些路径全部堵死。例如，经典的登月目标“将人类送上月球，并安全带回地球”，后半句“安全带回”就是关键的 Harness，它直接删除了“单程票”这一最廉价却不可接受的解法。没有约束的目标，AI 永远会找到你意想不到的捷径。

目标七问：构建完美AI任务书的方法论

为了让 Claude官方 等大模型能够完美理解人类意图，Leader.skill 总结了一套对 Agent 极其友好的“目标七问”方法论。这就像派一艘船出海前，必须确认的七件事：
  1. 目的 (Why)：我们为什么要出这趟海？明确核心动机，避免AI在遇到分支选择时迷失方向。
  1. 完成态 (Done)：船回港时，甲板上应该有什么？必须是具体到靠岸即刻可判断的客观结果。
  1. 证据 (Proof)：谁来清点货舱？怎么算数？必须有明确的验证机制，不能只听AI的口头汇报。
  1. 反作弊 (Anti)：不许抢劫商船凑数。明确禁止的偷懒或违规路径，堵死AI的投机取巧。
  1. 边界 (Bounds)：哪些海域不准进？资源消耗的上限是什么？例如Token使用额度或运行时间限制。
  1. 取舍 (Trade)：风暴来临时，保船还是保货？提前设定好关键冲突时的优先级。
  1. 未知 (Unknown)：遇到海图上的空白区怎么办？是绕行记录，还是原地等待？明确应对未知情况的策略。
通过这七个维度的拷问，即使你给出的初始需求再模糊，AI 也能通过 Leader.skill 自动补全，生成一份结构清晰、逻辑严密的目标任务书。

落地实践：如何在国内高效使用Claude与Leader.skill

为了实现最佳的性价比和执行效果，目前业界推崇一种“双模型联动”的黄金流派：使用推理规划能力极强的模型进行前期的方案设计与目标定义，再将生成的任务书交给执行效率高、成本低的模型进行超长程的无监督执行。
如果你在国内，想要顺畅地体验这一工作流，可以通过 Claude国内使用 渠道或 Claude镜像站 快速接入。以下是具体的 Claude教程 实践步骤：
* 第一步：规划与定义目标 在 Claude官方中文版 中开启会话，将 Leader.skill 载入你的 Prompt 库。将你模糊的原始需求（例如：“我要重构后台，现在的数据我不信，而且太卡了”）发给 Claude。模型会根据“目标七问”对你的系统进行调研，并向你抛出最多5个需要人类拍板的关键偏好问题。回答完毕后，Claude 会在10分钟内为你产出一份极其详尽的目标任务书。
* 第二步：长程无监督执行 新建一个 Claude 工作区会话，开启 /goal 目标模式，将第一步生成的任务书复制进去。此时，你可以放心去睡觉或处理其他事务，让 Agent 在预设的 Harness 约束下，自主进行代码重构与验证。

结语

从 Loop Engineering 到 Goal Engineering，AI 时代的管理艺术正在向“定义目标”靠拢。无论是开发代码、制定市场策划，还是设计运营方案，Leader.skill 所倡导的“目标七问”都为我们提供了一个与 AI 深度协作的范本。如果你想立即提升与 AI 协作的效率，不妨前往 Claude官网 或通过国内镜像平台，开启你的目标工程实践之旅。
Loading...

没有找到文章