当 Agent 进入高价值工作流，我们重新理解了“协作”

序：这是我们关于「营销 Agent 落地实践」系列的首篇文章。过去一年多，我们持续将 Agent 引入真实的企业级营销场景，在复杂业务与高价值决策中不断迭代系统架构、增长方法与人机组织机制。我们希望以系列文章的形式，系统性分享这些实践，也欢迎更多朋友们与我们一起深入探讨。

重新理解”协作“

在真正的企业级交付现场，我们观察到一个尴尬的悖论：AI Agent已经能够在分钟级完成过去需要数小时乃至数天的数据处理、文档生成、代码编写任务，可协作的总成本却一点没降，甚至还变高了。当人们试图用模糊的语言期待 AI 产出精准回答时，AI 经常给出“看似合理、却偏离业务意图”的结果，导致返工与对齐成为新的效率瓶颈。这种交互模式在人与人的协作中或许可以依赖经验和默契来弥补，但在人与 AI 的协作中，缺乏明确指令的代价被急剧放大。当 AI 进驻高价值工作流时，协作的重心在于“想清楚做什么”以及“有能力评判好坏”，从单纯的“生成效率”转向深度的“意图对齐”。

从一个真实营销项目开始：不断优化“协作”

在与某头部美妆客户的合作中，我们为其集团旗下多个品牌提供社媒内容洞察服务，具体工作包括：UGC 笔记的质量评分与趋势分析，商业笔记的信息抽取（卖点、人群、场景、达人特征等）以及基于数据的主观分析与策略建议。最终产出是一份 HTML 格式的洞察报告，为品牌营销提供策略和资源分配决策的支持。这是一个典型的高价值工作流，对“洞察深度”“决策可靠性”有极高要求。

起初，我们只是简单地将业务方提出的相对模糊的需求扔给 Agent，直接生成全量报告——报告结构完整，但洞察维度经常不是品牌方真正关心的，措辞、口吻、叙事角度需要反复调整，结果陷入了反复全量重审的泥潭。

随后，我们引入了“任务说明书”，比如原先品牌会说“分析用户反馈”，转变为“按情感倾向/场景动机分类，统计正/中/负占比并抽取代表性原文”，我们通过构建显性洞察任务的 Guideline，让 Agent 提前掌握先验知识，显著提升了初稿的对齐度。

最关键的突破是，我们改变了执行顺序：不再直接全量生成，而是先采样少量数据产出“Mini 报告”进行原型验证。这种以极低试错成本换取高信息增益的策略，确保了在投入大量资源前先收敛意图。

在这样的实践中，协作的本质是在目标不完全清晰的条件下，通过交互逐步收敛意图，并在此基础上搜索最优方案。

人与Agent的协作应理解为“搜索”

人与人协作与人与AI协作是两种不同的组织形态。在人与人协作时，澄清需求和意图靠大量会议，生成初稿也要消耗较多的人力和时间，这些“高成本”在人与AI协作时，都变得成本很低，意图可以随时与AI互动提问，生成方案也是秒级分钟级生成。而在评估过多的AI生成的候选内容时，人与AI的协作时的大量时间被“浪费”了！

人会经常感到AI还是很不智能，以至于几次互动后放弃了继续尝试，实则在更多情况下，是没有一套方法论能把“想清楚要什么”和“评判标准”给AI讲清楚。这些问题如果不澄清，任何"执行"都是在猜。

当AI Agent的执行效率不再是瓶颈，问题的重心倒向了“问题定义”和“解决方案”两个空间中的搜索。

第一层：搜索“问题定义”，即通过交互弄清楚到底要什么。需求通常不会被完整表达出来，需要通过各种方式（提问、确认、举例等），逐步把模糊的意图变得清晰、具体、可验证。

第二层：搜索“解决方案”，即在既定的问题定义下找到最优解。

这两层搜索不是先后关系，而是交替进行。循环往复，直到双方都满意。协作不再是机械地分配任务，而是围绕“意图对齐”与“结果评估”不断收敛的过程。

“搜索”中的关键动作

把协作理解为搜索后，可以识别出几类基本动作：

澄清（Clarify）：向需求方提问，获取更多关于真实意图的信息，降低不确定性。

约束显式化（Constrain）：将隐性的品牌调性或判断标准转化为 AI 可执行的明确规则，从而缩小错误的搜索空间。

小样本试产出（Prototype）：用少量代表性样本做一个快速原型，用于低成本验证方向是否正确。

全量生成（Generate）：在方案搜索中产出结果，可以并行生成多个候选版本。

评估反馈（Evaluate）：将主观偏好转化为可量化的信号，为对齐提供反馈。

固化更新（Update）：将每次协作中学到的隐性知识沉淀为任务模板和约束库，确保协作能力可以跨项目积累与复用。

这些动作构成了协作的"原子操作"，不同的组合和顺序形成不同的协作策略。

写在最后

在我们看来，Agent 真正改变组织的方式，并不是自动化一切，而是重塑人、AI 与组织之间的认知关系与学习结构。这是一个长期的问题，我们也会在每天持续实践中，总结经验持续将认知与您分享。