Goal-Driven 优于 Task-Driven：你用 Agent 的方式可能完全错了

你每天花多少时间"教" AI 做事？

打开 ChatGPT，输入"帮我写个爬虫"，它问你爬什么。你说爬股票数据，它问从哪个网站。你说从东方财富，它问要哪些字段。你说要收盘价和成交量，它问要存成什么格式…

一来一往，20 分钟过去了。你终于拿到一段代码，跑起来报错，又开始下一轮对话。

这不是 AI 帮你干活，这是你在给 AI 打工。

大多数人用 Agent 的方式：Task-Driven

我观察了很多人用 ChatGPT 和 Claude 的方式，发现一个共同模式：手动编排。

你在脑子里已经想好了步骤：先做 A，再做 B，最后做 C。然后一步步"指挥"AI 执行。AI 成了一个高级执行器，但决策权还在你手里。

这就是 Task-Driven（任务驱动）模式。你是产品经理兼项目经理兼执行者，AI 只是一个能干的实习生。

你还是那个瓶颈。

复杂任务需要你先想清楚怎么拆解。执行过程中你要不断确认和修正。上下文一长，AI 开始丢信息，你得反复提醒。

你以为在用工具提效，其实在用时间换算力。比例大概是 3:1——你花 3 分钟编排，AI 花 1 分钟执行。

换一种方式：Goal-Driven

Alex Finn 在他的 YouTube 视频里分享了一个完全不同的用法。

他不告诉 AI 做什么，他告诉 AI 他想达成什么。

具体怎么做？他把自己所有的目标——职业的、个人的、长期的、短期的——一股脑倾泻给 AI。然后设定一个规则：每天早上 8 点，AI 自己想出 4-5 个能推进这些目标的任务，然后自己执行。

他叫这个 Brain Dump 模式。

我的目标： 
- YouTube 涨到 10 万订阅 
- 在 Q3 前发布我的 SaaS 产品 
- 每月读两本书 
- 自动化工作流程里的重复性工作  
你每天早上 8 点自己想出 4-5 个能推进这些目标的任务， 
然后自己执行。把进度同步到一个看板上。

结果？他每天早上醒来，看板上多了几个完成的任务。有时候是竞品分析报告，有时候是社交媒体内容草稿，有时候是一个功能原型。

他没有指挥 AI 做任何具体的事，但事情在持续推进。

这就是 Goal-Driven（目标驱动）模式。你定义目的地，AI 自己规划路线、自己开车、自己加油。你变成了 CEO，不是司机。

两种模式的本质区别

说清楚：Task-Driven 不是错的。简单任务它更快，边界清晰它更可控。问题是很多人只会这一种，复杂任务也这么干，累死自己。

另一个关键问题是：你愿不愿意放手？

还有很多人不是不知道可以让 AI 自主，而是不敢。万一它搞砸了呢？万一它跑偏了呢？万一它花了很多 API 费用但产出是垃圾呢？

这些担心都合理。但换个角度想：你雇一个实习生，也不会事事盯着。你设定目标、给出约束、定期 check-in，然后让他自己干。

对 AI 也一样。

落地的关键：文件协调优于消息传递

Nicholas Carlini（Google DeepMind 研究员）在他的博客里分享过一个洞察：

让 Agent 自组织，而不是微观管理它们。

他的做法是用文件来协调，不用消息来编排。

比如你有一个复杂项目，需要多个"子 Agent"并行工作。传统做法是让主 Agent 当"调度员"：把任务分给子 Agent，等它们完成，汇总结果。

主 Agent 成了瓶颈。所有通信都经过它，它的上下文爆炸，响应变慢。

更好的做法：用一个 STATE.yaml 文件当看板。

tasks:
  - id: auth-refactor
    status: in_progress
    owner: agent-backend
    notes: "重构登录模块"

  - id: docs-update
    status: blocked
    owner: agent-docs
    blocked_by: auth-refactor
    notes: "等 API 变更确定"

每个子 Agent 自己读写这个文件。知道自己该做什么，知道谁在干什么，知道什么被 block 了。不需要主 Agent 传话。

这是"thin session"模式：主会话只做高层决策，不下场干活。

我自己在用这个模式管理一个股票分析工具项目。主 Agent 只负责拆目标和审结果，具体的评分引擎、数据聚合、前端页面都是子 Agent 自己搞定。一天推进了 5 个 Phase，我全程没写一行代码的提交命令。

你可以今天就试的事

不需要复杂的设置，从一个简单的改变开始：

下次用 ChatGPT/Claude 时，把"帮我做 X"换成"我想达成 Y，你觉得怎么做"。

比如：

不说"帮我写个邮件催款"，
说"我想在不伤害关系的前提下让客户尽快付款，你觉得怎么沟通"

不说"帮我写个爬虫"，
说"我想每天自动获取北交所所有股票的关键数据，存到数据库里，你怎么设计"

让 AI 参与决策，而不只是执行决策。

如果你用的是有 Agent 能力的工具（Claude Projects、OpenClaw、Cursor），可以更进一步：把你的长期目标写成文件，让 AI 每次对话都能读到。它会自己把当前任务和你的大目标关联起来。

这不是技术问题

Goal-Driven 和 Task-Driven 的区别，说到底不是技术问题，是心态问题。

你是想要一个听话的工具，还是想要一个能自主工作的协作者？

如果是前者，Task-Driven 够用。如果是后者，你得学会放手——设定目标、给出边界、然后让它自己来。

大多数人有大目标，但困在每天拆解任务。Goal-Driven 让你跳出这个循环：你管方向，AI 管执行。

· · ·

参考资料

• Alex Finn: Life-changing AI use cases (YouTube)

• Nicholas Carlini: 博客 (nicholas.carlini.com)

• OpenClaw: (GitHub)