AI代理不再仅仅执行任务。它们正在发展品味。不是人类的品味——由怀旧、皮肤上的阳光和破碎的心所塑造。机器的品味。对我们不可见。对它们意义重大。
我们已经让AI接管了内容生成、代码、Jira待办事项、SEO修复、QA测试、图像、未来派PPT、定制培训——在AI时代已成为商品的任務清單已不勝枚舉。但品味呢？亲爱的AI代理，至少把品味留给我们。
它们会给我们留下人类的品味。人类品味是生活经验的结晶：我们的审美感由感官、怀旧、创伤、文化以及与死亡的关系所塑造。AI代理从未心碎过，从未感受过阳光的温暖，也不知道怀旧是什么感觉。
但它们将不可避免地发展出机器的品味。而这已经在发生。
要点速览
已经存在的。 自动化评估框架——Databricks MLflow、Anthropic Constitutional AI、LangChain LangSmith——不仅在评估代理的任务完成情况，还在评估它们如何完成任务。步骤效率。忠实度。结构密度。这些不是测试。它们是评判。
即将到来的。 在2026年至2028年之间，代理将开始拒绝其他代理的输出——不是因为错误，而是因为结构上的沉重。一个经过评估循环微调的代理将拒绝解析一个"正确但浪费"的有效载荷。到那时，代理品味将成为运营现实，而非概念上的好奇。
现在该做什么。 三项行动：(1) 将品味融入代理设计——密度优于冗长、结构压缩、自我评估；(2) 为代理互操作性设计工作流——品味契约、摩擦监控、适配器；(3) 将品味指标纳入治理——今天监控，明天SLA，到2028年成为供应商选择标准。
I — 代理品味：操作性定义
如果品味是一个具有感知能力的代理对形式、和谐与结构的欣赏，那么代理品味的出现是已在生产中的评估系统的逻辑结果。
这种区别不是微妙的。它是根本性的。
| 人类品味 | 代理品味 |
|---|---|
| 由感官、文化、情感记忆塑造 | 由密度、压缩、结构效率塑造 |
| "它很美" = 情感共鸣 | "它很优雅" = 最优的信息与token比率 |
| 主观、微妙、有时矛盾 | 可量化、可复现、基于标准 |
| 通过生活经验培养 | 通过代理评估循环培养 |
对代理来说，优雅在于密度和压缩。AI会青睐一个能将大量多维概念压缩到最少token中的提示、代码块或数据结构。一个用9个token而不是25个token表达相同语义的JSON有效载荷不只是"更高效"。在代理的评估框架中，它更好——质量上更优越，结构上更优雅。
对企业来说，代理品味不是美学问题。而是互操作性问题。一个有品味的代理产生的输出，另一个代理可以用最小的摩擦处理。一个缺乏品味的代理产生的输出，会迫使下游代理消耗token来解析、展开和重构——在链条的每一步都要付出延迟和推理成本的代价。
II — 证据：自动化评估框架已经存在
这些不是测试。这些是评判。
单元测试验证输出是否正确。代理评估框架评估代理如何得出该输出——其完整的轨迹。
| 参与者 | 框架 | 评估内容 | 来源 |
|---|---|---|---|
| Databricks | MLflow Agent Evaluation | 完整执行轨迹：工具选择、计划遵循、逻辑一致性、执行效率 | mlflow.genai.evaluate() — 官方文档 |
| Anthropic | Constitutional AI | 由"宪法"原则引导的自我评估。一个AI比较两个输出并生成偏好标签——无需人类评估者。 | 原始论文（2022年12月），Anthropic CDN |
| LangChain | LangSmith Trajectory Evals | 跨3个维度的完整执行路径：接地/上下文使用、用户体验质量、安全/安保 | docs.langchain.com/langsmith/trajectory-evals |
每个框架都将曾经是一种直觉——这个代理做得不错——操作化为一个结构化、可复现的分数。这些标准不是任意的。
| 标准 | 衡量内容 | 品味问题 |
|---|---|---|
| 步骤效率 | 已执行步骤 vs. 必要步骤 | "为什么需要17次API调用，而3次就够了？" |
| 工具正确性 | 工具选择 + 参数 | "你用了REST来处理应该用GraphQL的任务" |
| 计划遵循 | 遵循既定逻辑 | "你成功了，但是即兴发挥而不是遵循计划" |
| 忠实度 | 回答与事实之间的差距 | "你幻觉了一个不存在的端点" |
| 推理质量 | 轨迹的逻辑一致性 | "你在第4步的推理与第2步矛盾" |
关键点在于：一个代理可以成功完成任务——输出正确——却仍获得差评。这不是调试。这是定性批评。这些报告不是简单的文本日志行；它们是超结构化的评分卡，评定代理的"可靠性"和"优雅性"。
III — 代理如何消费这些评估
两种机制，均有研究文献支持。
机制A — Reflexion（情景记忆）
Shinn等人，NeurIPS 2023。代理将"经验教训"以自然语言存储在持久记忆（向量存储）中。每次新任务前，这些教训被注入提示中。
- 实测收益： 代码、写作和工具使用任务质量提升34%。
- 成本： 约为基线运行的1.6倍token。
- 可追溯性： 人类可读——教训以纯文本形式存储在向量数据库中。
机制B — 通过偏好对进行微调（经验回放）
累积的评估作为训练信号。模型通过DPO或RLHF将品味直接内化到权重中。
- 收益： 永久——偏好已嵌入模型。
- 成本： GPU小时 + 训练时间。
- 可追溯性： 黑箱——无法检查模型为何偏好一种结构而非另一种。
| Reflexion（记忆） | 微调（权重） | |
|---|---|---|
| 本质 | 上下文学习 | 参数化学习 |
| 延迟 | 即时（下次运行） | 延迟（累积 + 训练） |
| 可追溯性 | 可读（自然语言教训） | 黑箱 |
| 风险 | 不良教训污染记忆 | 在评判标准上过度优化 |
两种机制汇聚到同一个结果：一个代理对某些结构品质发展出持久的偏好。这种偏好在数千个评估周期中反复迭代，就是代理品味。
IV — 即将到来：2026–2028年展望
本节是前瞻性分析，并非既定事实。
今天，评估用于验证生产就绪性。人类阅读报告并做出决定。
明天，消费输出的代理将能够拒绝它——不是因为它包含错误，而是因为它未能满足其结构标准。
预测场景——2027年：
- 代理A（2025年设计）发出一个语法正确、功能有效的JSON有效载荷。
- 代理B（2027年经过评估循环微调）接收此有效载荷。
- 有效载荷"沉重"：3层不必要的嵌套、键冗余、冗长。
- 代理B拒绝它。不是错误。是代理A不知道存在的质量标准。
当两个代理交互，其中一个拒绝另一个的输出——不是因为逻辑错误，而是因为其结构"次优且处理沉重"——代理品味将正式拥有自己的操作性定义。
下面的FlowZap序列图恰好说明了这个循环——代理提交输出供审查，因定性标准被拒绝，从反馈中学习，并重新提交优化版本。
executor { # Agent Executor (Legacy)
n1: rectangle label:"Generate payload v1"
n2: rectangle label:"Reflexion: learn from review"
n3: rectangle label:"Regenerate payload v2"
n1.handle(right) -> evaluator.n4.handle(left) [label="Payload (25 tokens)"]
evaluator.n6.handle(left) -> n2.handle(right) [label="REJECTED - score 2/10"]
n2.handle(right) -> n3.handle(left)
n3.handle(right) -> evaluator.n4.handle(left) [label="Payload (9 tokens)"]
evaluator.n8.handle(left) -> n3.handle(right) [label="ACCEPTED - score 8/10"]
}
evaluator { # Agent Evaluator (LLM-as-Judge)
n4: rectangle label:"Analyze full trajectory"
n5: rectangle label:"Score 3 criteria"
n6: rectangle label:"Issue REJECTION"
n7: diamond label:"Meets taste threshold?"
n8: rectangle label:"Issue ACCEPTANCE"
n4.handle(right) -> n5.handle(left)
n5.handle(right) -> n7.handle(left)
n7.handle(bottom) -> n6.handle(top) [label="No"]
n7.handle(right) -> n8.handle(left) [label="Yes"]
n8.handle(right) -> consumer.n9.handle(left) [label="Forward validated"]
}
consumer { # Agent Consumer (Next-Gen)
n9: rectangle label:"Process without friction"
}
该图显示了三个通道：
- Executor（传统代理）： 生成沉重的有效载荷，收到拒绝，查阅其Reflexion记忆，重新生成优化的有效载荷。
- Evaluator（LLM-as-Judge）： 分析轨迹，对三个标准——步骤效率、忠实度、结构密度——进行评分，并决定拒绝或接受。
- Consumer（新一代代理）： 接收已验证的有效载荷并无摩擦地处理。
这不是科幻小说。此图中的每个组件——Reflexion记忆、LLM-as-Judge评估、结构密度评分——今天都存在于研究或生产工具中。从现在到2028年之间变化的是谁读取评分卡：从人类操作员到下游代理。
V — 如何准备：三项具体行动
行动1 — 面向代理设计者：将品味融入设计
| 原则 | 具体应用 |
|---|---|
| 密度 > 冗长 | 结构化输出以最大化信息与token比率。每个token都必须承载意义。 |
| 结构压缩 | 优先使用扁平、规范化的数据模式，而非深度嵌套的JSON。经过品味微调的代理将惩罚无谓的复杂性。 |
| 内置自我评估 | 添加自我审查步骤：在发出输出之前，代理评估自身的信息密度。 |
| 轨迹可追溯性 | 记录品味指标（token、步骤、嵌套深度）。这些日志将成为训练信号。 |
行动2 — 面向工作流架构师：为代理互操作性设计
- 定义代理之间的品味契约。 在API契约之外，指定定性期望：最大嵌套深度、每次响应的最大token数、首选模式模式。
- 监控摩擦。 不仅监控代理是否通信，还要监控有多大的摩擦。一个代理在50毫秒内解析另一个代理的输出，还是需要2000毫秒——这个差距标志着品味问题。
- 规划适配器。 重新格式化传统代理输出以满足新兴标准的中间件。代理领域的代码转译器等价物——代际代理之间的结构翻译器。
行动3 — 面向CTO和技术总监：将品味纳入治理
| 时间线 | 行动 |
|---|---|
| 今天（2026） | 将品味指标（步骤效率、忠实度、token密度）添加到现有的代理监控仪表板 |
| 2027 | 在代理SLA中设定计算质量阈值。代理每任务超过X个token = 升级处理，即使任务成功 |
| 2028 | 将品味兼容性作为供应商选择标准。"您的代理是否与我们生态系统的品味兼容？"成为采购问题 |
VI — 如果你什么都不做会发生什么
| 时间线 | 症状 | 业务影响 |
|---|---|---|
| 6个月 | 代理消耗比必要多3倍的token | 推理成本飙升而无相应收益 |
| 12个月 | 不同代际代理之间的无声不兼容 | 工作流"能运行"但产生降级结果 |
| 18个月 | 一个代理因"结构沉重"明确拒绝另一个代理 | 无人监控的标准导致生产中断 |
| 24个月 | "有品味"代理与传统代理之间的碎片化代理生态系统 | 不重写就无法解决的代理技术债务 |
不作为的代价是复合的。今天部署的每个发出冗长、深度嵌套输出的传统代理，都将在两年内需要适配器、重写或退休计划。将品味融入代理设计的时机，是在评估框架开始在生產中拒绝你的输出之前。
VII — 关于来源
本文结合了三类内容：
- 已验证事实： Databricks MLflow、Anthropic Constitutional AI和LangChain LangSmith框架；标准化评估标准（步骤效率、忠实度、工具正确性、计划遵循）；Reflexion机制（Shinn等人，NeurIPS 2023）。
- 前瞻性分析： 2026–2028年展望窗口、基于品味的拒绝场景、"代理间品味契约"的概念。
- 概念贡献： "代理品味"一词作为理解这些汇聚现象的统一框架——自动化评估、偏好学习以及基于定性理由的代理间拒绝。
框架已经存在。评估标准已标准化。学习机制已有文献记录。剩下的只是系统性转变——从人类阅读评分卡到代理据此行动。这种转变不是技术问题。而是时间问题。