如果接受 Rich Sutton 在《The Bitter Lesson》中提出的判断：长期来看，能够利用计算规模的通用方法，往往会压过依赖人工领域知识的方法1，那么今天为大语言模型智能体设计的意图分类、任务阶段、状态结构、规划器和安全规则，最终会不会都被从执行轨迹中学习出来的策略替代？

答案很可能是：其中的大部分会被吸收，但不会被完全替代。

手工设计的智能体模式，长期不会继续充当智能的主体，却会作为训练环境、数据结构、评估标准、安全边界和可观测接口保留下来。这并不违背 Bitter Lesson。真正会退场的，不是设计本身，而是把人的直觉直接写成智能体行为规则的那部分设计。

从执行轨迹中学习

这里所说的轨迹学习（trace learning），是指智能体不再主要依靠人工编写的意图分类、状态机和流程规则，而是从大量交互记录中学习行为策略。一条轨迹可能包含用户输入、当前状态、计划、工具调用、工具结果、中间错误、用户修正、最终结果，以及成功、失败或其他反馈信号。

trajectory = observation + action + tool use + outcome + feedback

这些数据可以用于模仿学习、偏好学习、离线强化学习和在线强化学习，也可以帮助模型从失败中学习恢复策略。智能体研究也越来越重视过程本身，而不是只看最终答案。例如，TRACE 尝试评价工具型智能体在效率、幻觉和适应性等方面的完整推理轨迹2；TRAJECT-Bench 则进一步检查工具选择、参数以及调用依赖和顺序是否正确3。

这类评价方式指出了一个简单事实：两个智能体即使给出同样的答案，能力也未必相同。一个可能使用了正确工具，以较低成本完成任务；另一个可能经历了错误调用、无效循环和偶然成功。只有观察轨迹，才能理解结果是怎样产生的，也才能为学习行为策略提供更细的反馈。

手工模式会被逐渐吸收

把 Bitter Lesson 放进智能体设计中，结论确实有些“苦”。今天常见的许多模式，包括意图分类、槽位填充、任务阶段、状态机、规划模板、追问规则和工具选择启发式，本质上都是人对“智能体应该如何行动”的手工假设。

这些设计目前很有用。它们能让系统快速落地，也更容易控制和解释。但如果真实交互轨迹足够多，奖励信号足够稳定，模型和训练计算也继续增长，那么模型很可能逐渐学会这些模式，并形成比人工规则更细致的隐式策略。

今天的系统可能会规定：当置信度低于某个阈值时，向用户追问。未来的模型则可能从轨迹中学到更具体的判断：这个用户不喜欢频繁被打断；当前动作风险很低，可以先给出草案；缺少的参数能够通过工具补齐；问题表面上是在比较选项，实际已经进入决策阶段。这样的策略很难被一组固定规则完整描述，却可能从大量反馈中逐渐形成。

因此，如果只看智能行为本身，意图识别、阶段判断、工具选择、参数补全、追问时机、错误恢复和多轮推进策略，都会越来越多地由模型学习，而不是由人逐条编写。

状态结构会变成系统契约

模型未来也许不需要依赖显式状态结构，才能理解用户和任务。例如，今天的系统可能保存这样的任务状态：

{
  "goal": "...",
  "stage": "...",
  "constraints": {},
  "pending_questions": []
}

随着模型能力增强，这种结构未必仍是必要的认知支架。模型可能在隐空间中形成更丰富的状态表示，不需要先把用户归入某个固定阶段，再决定下一步。

但外部系统依然需要明确结构。前端要展示任务进度，工具接口要验证参数，日志系统要保留记录，安全模块要检查操作，工程师要调试失败，企业也可能需要审计和合规留痕。状态结构的价值会从“帮助模型思考”转向“让模型的行动能够被其他系统读取、检查和追责”。

它不会消失，只是从认知结构下沉为接口结构。

安全边界不是一种行为偏好

推荐酒店和执行付款，承担的风险完全不同。如果智能体能够发送邮件、删除文件、提交代码、操作账户或控制设备，就不能只相信它已经从轨迹中学会了“通常什么时候应该确认”。

不可逆操作必须确认，高金额交易必须确认，隐私信息不能擅自外发，越权工具不能调用。这些边界不负责让智能体显得更聪明，而是明确责任由谁承担，以及哪些后果不能只由一个概率模型决定。

学习策略可以决定怎样更自然地完成任务，却不应独自决定什么绝对不能做。模型越能改变现实世界，系统越需要独立于模型偏好的权限、审批和回滚机制。

轨迹本身也需要被设计

Bitter Lesson 不是说人的设计毫无价值，而是提醒我们，不要把太多领域知识硬编码进最终的智能行为。轨迹学习要成立，首先要有任务环境、工具、数据、奖励和评估标准，而这些都需要设计。

什么算成功？什么算危险？工具失败应该怎样归因？哪些错误比其他错误更严重？用户的短期满意是否代表任务真的完成？如果这些问题定义错误，模型只会更有效地从轨迹中学到错误策略。

真实轨迹也不是天然干净的数据。用户可能表达不清；智能体可能误解需求，但用户没有纠正；工具可能返回错误；任务可能表面成功，却在稍后造成损害。轨迹学习不会消灭设计，只会把一部分设计工作前移到环境、数据和评价函数中。

这与 Harness Engineering：模型之外的工程 的问题是一致的：工程师设计的重点不再只是模型的某一次输出，而是模型依据什么信息行动、可以使用哪些工具、怎样获得反馈，以及失败如何被发现和恢复。

显式结构仍是现实系统的修补点

智能体通常连接不断变化的接口、企业系统、权限模型和工作流。如果行为完全藏在模型的隐式策略中，外部环境一旦变化，问题就很难定位，也难以及时修复。

显式的工具结构、状态接口、策略规则和模块边界，能够提供低成本的检查和替换位置。模型可以负责理解复杂语境，系统则保留稳定的连接方式。即使模型最终学会了端到端地产生高质量行动轨迹，工程系统仍需要知道一次行动用了什么权限、改变了什么状态、为什么失败，以及应该从哪里恢复。

这种结构也与事件驱动的智能体运行时有关。在 从工具调用到事件驱动：大语言模型智能体的运行时架构 中，规划器、观察器、执行器和状态事件被拆成不同职责。未来，模型可能吸收其中一部分判断能力，但持续任务、外部事件、权限检查和执行结果仍然需要稳定的运行时承载。

手工设计不会消失，只会下沉

智能体设计可能经历四个阶段。

第一阶段由手工模式主导。系统使用意图分类器、状态机、人工规划器、工具规则和追问规则推进任务。

第二阶段由模型学习局部模式。模型逐渐负责意图识别、状态更新、工具选择和追问时机，但系统仍保留显式状态和安全规则。

第三阶段由模型学习端到端的行为策略。模型读取完整上下文和工具环境，直接产生高质量行动轨迹，许多人工规划模板、阶段分类器和意图体系不再重要。

第四阶段不是所有结构一起消失，而是手工结构下沉到智能体外部：状态结构成为可观测接口，策略规则成为安全边界，评估成为训练目标，轨迹成为学习材料，环境和工具则定义任务能够如何发生。

变化的不是系统是否需要设计，而是设计位于什么位置。

任务阶段是工程语言，不是最终认知结构

以“目标发现、探索、比较、决策、执行、反馈”这样的任务推进模型为例，它是一套有用的人类语言。产品和工程团队可以借助它讨论用户处于什么状态，系统缺少什么信息，以及下一步是否应该追问、推荐或执行。

但这不意味着模型内部最好的表示也一定是 stage = comparison。模型从轨迹中学到的状态可能更细：用户还没有明确决定，但对价格越来越敏感；用户已经倾向于某个选项，只是在寻找一个足以确认的理由；用户表面上询问地点，实际是在排除风险；此时最合适的回应不是增加一张表格，而是给出两句明确判断。

任务阶段适合作为产品语言、轨迹标注、评估维度、调试线索和安全控制的中间表示，却未必是智能体最终的认知结构。好的工程抽象不必成为永恒真理，才能发挥价值。

结论

按照 Bitter Lesson 指出的方向，今天许多手工设计的智能体模式，最终会被轨迹学习吸收。意图分类、阶段识别、追问策略、工具选择、参数补全、错误恢复和多轮推进，都可能逐渐成为模型学到的能力。

但显式设计不会随之消失。它会转向更外部的角色：定义任务环境，设计工具接口，收集高质量轨迹，提供可审计状态，建立评估体系，设定安全边界，并约束高风险行为。

未来可靠的智能体，核心不会是完全手写的意图、状态和规划器，也不会是没有外部结构的端到端黑箱。更可能出现的是一种混合系统：模型通过轨迹学习获得行为能力，系统通过接口、评估和约束保持可控性。

Bitter Lesson 在智能体时代真正提醒我们的，是不要迷信手工认知结构，而不是误以为学习系统不再需要环境、反馈、边界和责任。最终被替代的不是设计，而是把人的直觉硬编码成智能行为的那部分设计。

Footnotes

  1. Rich Sutton, The Bitter Lesson, 2019。文章回顾了棋类、围棋、语音和视觉等领域，认为长期胜出的通常是能够随计算规模扩展的通用搜索与学习方法。 ↩

  2. Wonjoong Kim 等，Beyond the Final Answer: Evaluating the Reasoning Trajectories of Tool-Augmented Agents, 2025。论文提出 TRACE，从效率、幻觉和适应性等维度评价工具增强型智能体的完整推理轨迹。 ↩

  3. Pengfei He 等，TRAJECT-Bench: A Trajectory-Aware Benchmark for Evaluating Agentic Tool Use, 2025。该基准除最终正确性外，还评估工具选择、参数正确性以及依赖和调用顺序。 ↩