文章把 /goal 提示词拆成了 5 个必备要素：Outcome(可验证终态)、Verification(测量工具)、Constraints(不动范围)、Iteration policy(迭代记录)、Error handling(卡住通报)。而把『模糊感觉』拆成评分标准的方法论是：先跑 5-10 个任务测基准→记下所有皱眉的具体原因(如『不是 A 而是 B』句型)→收敛成 3-4 个维度(逻辑松散/没有人味/开头无 hook)→每个维度写具体反面案例(防 overfitting 要列多种风格方向)→喂给评审 Agent→人工校准。Anthropic 当初也走过弯路：写『博物馆级质感』导致所有网页变博物馆风，后来改成 11 种美学风格才解决多样性问题。

『上下文焦虑』(context anxiety) 是 Anthropic 在 2025 年底正式命名的现象：大模型在执行长任务时会一边盯着自己的上下文窗口剩余量，一旦感觉快满了就开始 wrap up、快速交差。这并非不努力，而是 Transformer 架构自注意力机制的计算复杂度随序列长度平方增长(实测输入 10 万 token 时单层注意力矩阵需 800GB 显存)的结果。模型在训练中学会了效率优先，但长上下文中位于中间位置的信息提取准确率比首尾低 20%-30%——这解释了为何 AI 常『忘了』中间步骤。

文章主张『人类定义标准，AI 执行』，但这条边界并非先验而是被一次次『挤』出来的。在客服场景里，AI 退款 Agent 查一半规则就自信承诺给用户——不是故意使坏，而是『知识缺口』型幻觉。真正的分工逻辑是：机器夯实『事实性效率』(速度快、精度高、重复执行)，人类把握『价值性效率』(为什么做、什么是对)。但信任是调节边界的核心节律：系统长期稳定可解释时边界的机器侧溶解，出现不可预测行为时人类迅速拉回。北京儿童医院 AI 儿科医生能初步诊断，但处方权和责任仍由医生承担——这条线不是在会议室画出来的，是一次次误诊案例『挤』出来的。

/goal 已展现 11 小时自主运行、680 万 token 处理、94% 缓存命中率的工程能力，但它的真正拐点不在单智能体时长，而在多智能体协作。OpenAI 和 Anthropic 的 /goal 底层设计哲学不同——Anthropic 用『执行者+评审』双角色自我监督，OpenAI 走『工程契约』路线。IBM 指出多智能体系统的下一步是建立通信协议交换状态信息、分配职责并协调冲突。而 Harness 框架将 Cron 降级为 Level 0 触发器，/goal 才是 Level 2 的『目标驱动智能循环』。焦点会是：当多个 /goal 实例并行运行、互相依赖时，由谁来仲裁资源分配与冲突？MCP 协议和 Mem0 记忆层正在竞标这个答案。

文章建议用 LLM 评审另一 LLM 的执行质量，但 KRAFTON AI 的研究揭示：LLM-as-a-judge 本身自带约 30% 的系统性偏差——评审器对好输出和差输出的识别错误并非随机，而是有规律可循(敏感性/特异性失衡)。更微妙的是，评审器有位置偏好(偏向首尾)、长度偏好(偏长回答)、风格偏好(偏与自己风格相似的输出)，甚至会出现『自我强化』。Anthropic 故意用浏览器截图而非代码评审网页设计，正是为了绕过模型对代码结构的偏见。这意味着你的评分标准还需要一套校准机制，否则评审本身就是噪声源。