一次交流里，我卡在一句看似简单的话上：“我知道 Agent 的体感边界，但是不知道 Agent 具体的定义怎么样说。”
我能判断一个固定路径的 workflow 不太像 Agent，也能看出一个会根据工具结果改计划、必要时暂停或移交的系统更像 Agent。可当对方等我给出一句没有漏洞的定义时，我发现脑中的东西不是一句话。它更像许多正例、反例、相邻概念和行动后果叠出来的判别器。
这两种能力原来可以分开：我会辨认，却还不会把辨认依据完整地交给另一个人。前者只需在新案例出现时给出判断，后者必须说明哪些差别重要、为什么重要，以及这个判断将改变什么。那一刻暴露的是私人理解还没有公共接口，并非 Agent 知识量不够。
这次卡顿发生在我已经长期使用 AI 之后，反而更值得警惕。AI 读过前文，保留了大量上下文，常常能接住我没有说完的跳跃；普通交流者没有这些背景。AI 能继续生成，不代表我的表达已经可以协作。一个只在我和 AI 之间运行顺畅的概念，仍然可能是私人语言。
过去我很容易把这种顺畅当作“已经想清楚”：我丢出半句话，AI 补齐几个候选模型，我再指出哪个更像。整个过程可以继续向前，却跳过了最费力的一步——把我否掉其他候选的理由暴露出来。没有这一步，另一位参与者只能看到结论，无法复现我的判断。
我真正缺的不是另一句更权威的定义，而是把私人判别器编译成公共语言的能力：别人能够质疑它，团队能够据此做决定，系统能够按它执行，结果也能够证明它错。
我先拥有私人判别器，公共定义还没有
Anthropic 在讨论 Agent 的工程实践时，把 workflow 和 agent 作了一个有用的区分：前者沿着预先写好的代码路径编排模型与工具，后者让模型动态决定过程和工具使用。这条区分 能帮助人做架构选择，却没有结束所有定义争论，也不需要承担这个任务。
它至少逼我把“像不像”拆开：我在意的是路径由谁决定，中间结果会不会改变下一步，以及系统何时把控制权交回来。体感到了这里，才成为别人可以追问的主张。否则，“我就是觉得它像 Agent”和一个未经检验的偏见没有区别。
定义争论最容易忽略的，是定义本身也有任务。有人要决定产品能否承诺“交付目标即可完成任务”，有人要选择控制流，有人要审查生产权限，还有人要设计测试。四种讨论可以共享 Agent 这个词，却没有理由共享完全相同的信息密度。先问定义将控制什么，比先争哪一句最完整更接近问题。
如果当前只讨论一般工程架构，我可以先冻结一个版本：
Agent 是一个由模型根据目标和中间反馈决定后续路径、调用工具，并在完成、受阻或触发边界时停止或移交的系统。
这是一份工作定义。它服务于眼前的讨论，写明了我暂时关心的语义核心，却省略了状态能保持多久、可以影响什么环境、拥有多少权限。换成产品承诺、安全审查或评测设计，它就必须继续变化。工作定义的价值不在于宣称终极正确，而在于让同一轮协作不再随论证需要漂移。
“暂时”不意味着可以任意改口。一旦进入协作，这个版本就要带着作用域被冻结：这轮会议谈什么，不谈什么；哪一种案例算反例；出现什么证据时重新打开定义。它是一份可以修订的约定，不是一张免于承诺的通行证。
那次交流里还有另一句卡顿：“我会经验和知识区分，对方会觉得经验和知识的关系。”
现在看，我们给两个词的答案或许并不相反，回答的问题却不同。我关心它们在认识过程中承担什么功能，对方关心的可能是包含、来源或相互关系。继续各自补定义不会自动消除错位；更有效的问题是：这次区分要改变什么判断？只要行动焦点没有说清，词典越厚，公共语境也未必出现。
如果目的是整理知识系统，“经验何时形成能够指导下一次行动的判断”可能最重要；如果目的是讨论认识来源，“知识是否必须来自亲历”才是中心。原词没有变化，坐标轴和后果已经不同。这个小插曲让我意识到，公共定义首先要对齐句子准备参与的那一次行动，句子本身排在后面。
定义要经过行动，才知道它是不是理解
我现在只保留一条检查概念的路径：
私人判别器
↓ 用正反例暴露区分轴
有作用域的工作定义
↓ 写入权限、停止、成功与失败
可执行的协作契约
↓ 行动结果
修正判别器与定义
第一步先让体感暴露在反例前，暂时不美化它。我要拿出确定的正例、反例和灰区，指出哪一个差别改变了判断。关系、上下游和颗粒度都在这里发挥作用，但它们只是展开材料，还不能代替决定。
相邻概念的作用也在这里：chatbot、workflow、automation 不是一张术语关系图上的装饰，它们帮助我找到真正改变决定的差别。一个固定路径的系统即使调用很多工具，也可能仍适合用 workflow 的风险模型；一个能改路径的系统即使只运行几步，也可能已经需要额外的停止与移交设计。关系只有落实到后果，才不只是更复杂的命名。
接下来要做压缩。团队不可能把我脑中的全部关系一起加载，只能为当前任务冻结一份口径。参与者越多、自动化越深、行动越难撤回、失败代价越高，这份口径就越要靠近权限、阈值、验收和停止条件。定义不是越精确越好；它需要精确到足以承担眼前后果。
探索一个新产品时，“更像 Agent”或许已经够用，因为判断错了还能继续收集案例。一旦这个词开始决定谁能修改数据、是否可以无人值守、出错后由谁负责，同样的模糊就不再便宜。定义精度来自行动风险留下的账单，并非写作者的审美偏好。
假设一个客服系统遇到退款失败后继续重试。我最初可能只觉得它“过于自主”。这个感觉没有告诉工程师该改什么，也没有告诉安全负责人哪里越界。
把判别器展开后，真正相关的差别落在权限和人类介入。当前工作定义可以压成：“低于指定额度的退款失败后，系统最多自动重试一次。”再往下写，协作契约还要说明：第二次失败必须停止，保留过程证据，并把控制权交给人工。
此时，不同角色终于能围绕同一个对象工作。产品可以判断这条规则是否兑现用户承诺，工程可以实现重试计数与移交，安全可以审查额度和权限，评测可以构造第一次、第二次失败的任务。原来那句“过于自主”没有消失，它被拆成了各方都能检查的边界。
到了这一步，“过于自主”不再是形容词。系统是否多重试了一次，是否保存证据，是否按时移交，都可以被观察，也都可能失败。Anthropic 的 Agent eval 指南强调区分任务、重复试验、grader、执行轨迹和最终环境状态，并提醒不能只相信 Agent 对完成情况的自述。评测要检查外部结果，也要保留过程证据 ；这正是工作定义从句子进入现实的地方。
这里的 eval 不是给概念盖章。它只是把当前最重要的语义压成可以失败的测试。它会损失我脑中更多关于 Agent 的关系，但换来一种公共能力：参与者可以看到失败发生在哪里，并据此争论规则，而不是猜测彼此的体感。
如果新的失败表明“一次重试”仍会造成无法接受的后果，定义就要退回去修改。如果它在大量灰区里无法指导决定，我的原始区分轴也可能选错了。所谓可逆，要求行动拥有改写概念的权力，不能靠词义永远模糊来维持。
多维理解最终仍要接受二元裁决
把 Agent 拆成路径自主性、环境作用力、状态、权限和人类介入等维度，确实比争夺一个脱离场景的标签保留了更多信息。同一个系统可以在某根轴上很强，在另一根轴上很弱。这能解释灰区，也能避免只凭“调用了工具”就匆忙归类。
可是，多维画像只是判断的材料。工程现场仍要回答：这次退款能不能自动重试，这个系统能不能读取生产数据，这次结果能不能算通过。拒绝画线不会让风险消失，只会把决定和责任藏起来。
这也是我对“关系感”和“颗粒度”的限制。如果我每次都说“要看不同维度”，却不肯指出这次由哪根轴决定、在哪里停止，多维框架就成了逃避承诺的漂亮方式。一次二元裁决不会永久抹掉复杂性；它只是把当前选择公开，等待反馈来修订。
如果要检查一份 Agent 理解能否支持协作，我会把它放进一次具体语境：先看正反例和区分轴，再拿掉一个条件，观察结论是否改变；接着追问这个反事实会改变哪项产品或工程决策，并要求判断能从用户语言下沉到权限、停止与 eval，也能从失败结果返回定义。这里检验的是参与者在这次语境中拿出的模型——它能否说明决策后果、完成跨颗粒度翻译并保留改判条件；这不代表一个人的智力、人格或整体价值。
长期与 AI 共事，会积累公共表达债务
我的许多 AI 对话从模糊体感开始。AI 给出名称、分类和候选解释，我用“这像不像我的真实判断”筛掉一部分，再把留下的结构推得更完整。它既像外部工作记忆，也像概念编译器。
这种配合很适合探索。候选解释生成得足够快，我可以把注意力放在差异上：哪一句过度概括，哪一个例外被吞掉，哪一种结构虽然漂亮却不像我的实际判断。AI 帮我扩展搜索空间，我负责暂时裁决。问题是，这种裁决经常仍以“像”或“不像”结束，没有自动变成别人可见的标准。
我公开写过一个候选主命题：“围绕一个问题做工程：让上下文在工具切换之间不丢失。”在“Context 不是 Prompt” 里，我讨论怎样让正确的信息在正确时刻进入模型。现在我意识到，人与人的协作也有同样的问题：对方没有加载我与 AI 已经共享的历史，不能从半句话自动恢复我的边界、例外和价值取舍。
共享上下文会降低一次对话的解释成本，却也可能掩盖语义只在局部成立。AI 知道我过去如何使用“知识”“上下文”和“Agent”，会替我补全省略；第一次参与讨论的人只能依据眼前这句话。若一个判断离开私人上下文就失效，它还不足以成为公共接口。
这会产生一笔容易被忽略的公共表达债务。AI 越能接住我，我越可能高估自己已经说清楚；私人语义系统越精密，外部的人越难加载。沟通错位不能都归因于对方“不够深”，其中一部分责任属于我：我还没有交付一份别人可以反驳和使用的工作定义。
AI 的流畅还会制造完成感。一个概念刚被命名、画出箭头、排成几层，我就可能误以为自己已经想明白。可是自洽不等于真实，框架也不会替我承担一次错误重试。AI 生成候选模型的速度，完全可能超过人的裁决、公共协商和现实验证。
我当前的判断是，AI 时代可能会让定义以另一种方式重新变重。生成一句定义已经很便宜，但在我关注的自动化系统里，含糊的词会被放大成行动。过去一句“适当时重试”可能只造成会议里的误会；交给系统后，它会变成重试次数、金额范围、数据权限和人工确认点。至少在这类工程中，我看到定义正在从文章里的句子迁入接口与规则；这仍是一项需要更多实践检验的趋势判断。
所以我不把这种转换能力划为人类永久领地。AI 已经能够生成定义、rubric 和反例，未来也可能更可靠地选择颗粒度、设计 eval、吸收失败反馈。这里真正约束我的只是当下的结果：无论候选解释来自人还是 AI，只要它不能改变决定、不能暴露失败、不能被别人加载，它就还没有进入公共世界。
这套判断也应该允许被推翻。若这些转换长期没有提高协作质量，或者固定口径比反复编译更能预测陌生任务中的结果，我就应该降低对它的评价。把概念变复杂不算能力；能否减少错位、暴露风险并更快改判，才是它需要交付的证据。
概念是共享后果
回到开头，我仍然说不出 Agent 的终极定义。下一次交流里，我也不需要先解决本体论，才有资格继续讨论。
但我需要说清这次为什么使用这个词，哪几个正反例构成边界，当前定义控制什么决定，什么结果会迫使我改口。若它要进入自动执行，我还要把这条边界写成权限、停止、移交和失败证据。
这样做不会让分歧消失。它只是把分歧从“你到底懂不懂”移到可处理的位置：我们选错了区分轴，作用域没有写清，失败标准不够，还是新的现实已经让旧版本失效。争论不再需要猜测对方脑中的全部模型，而可以从一份公开对象继续。
一个概念真正进入公共世界，不是因为所有人背出了同一句话，而是因为大家知道谁能做什么、何时必须停、什么算失败、什么结果会迫使我们改口。概念到了这里，不再只是共享语言。
概念是共享后果。
参考资料
- Building effective agents — Anthropic
- Demystifying evals for AI agents — Anthropic
读者回响