Agentic Loops for Knowledge Workers

OpenAI 今年 4-5 月数据显示，AI 用户主力已从“对话辅助”转向“自主循环执行”，Jeff Dean 离职创办 Discovery Loop 专攻 AI 循环科研。

AI 早期只能按你一句话干活，现在主流玩法变成“自己循环干到合格为止”，而且越来越多团队用“多智能体分工”搞复杂任务。知识工作不像写代码那样有现成的“合格线”，怎么让 AI 真正能独立做事、怎么判断该不该用循环、怎么拆成团队协作？本期用真实例子和操作细节，讲透了 Agentic Loop 和多智能体在知识工作里的落地门槛、踩坑和高效用法。

现在用 AI，不是让它干一遍就完，而是给它一个明确目标，让它自己反复检查、循环执行，直到结果达标。

• OpenAI 今年 4-5 月数据：AI 消耗的 token 量主力已从“对话辅助”转向“自主循环执行”，领先团队和普通用户的差距也在拉大。
• Agentic 工具底层机制：CoWork、Codeium、Cursor、Claude Code 等产品，都是让 AI 计划、执行、检查、调整，直到满足目标。
• 循环的关键：不是定时跑，而是“直到达标才停”，比如“收集 200 条独立数据点，每条有 URL 和日期”。

写代码好判定，知识工作却常常没有“编译器”帮你验收，合格线得你自己设计出来。

• 合格线设计：必须“无聊且可验收”，比如“200 条数据点、0 重复、每条有来源”，不能用“做得有洞见”这种主观标准。
• 失败案例：循环容易“跑飞”或陷入死循环，最常见原因是 finish line 定义不清，或者任务本身没法自动判断好坏。
• 节省算力建议：循环极其耗 token，只有“单次做不好的大活”才值得用，别啥都上循环。

不是每个任务都要拆成多智能体，只有遇到“自查不准”“任务太杂”“并行更快”才值得分工。

• 多智能体的本质：像画流程图一样，把大任务拆成节点（agent），每个节点负责一块，节点之间用箭头表示信息流转。
• 典型分工例子：调研任务可以拆成“多个 agent 各自查不同方向”，再交给另一个 agent 汇总、第三个 agent 验证引用，最后一个 agent 负责美化输出。

“知识工作用循环，关键是你得自己发明一个‘无聊但能验收’的 finish line，否则 AI 只会在原地打转。”

• 先用单 agent+循环搞定 80% 任务，只有遇到“自查不准”或“任务太杂”再考虑拆分多智能体，别一上来就搞复杂。
• 设计循环任务时，先写出“机器能一眼判断合格没”的 finish line，再让 AI 去循环，否则只会浪费算力。