Evidence-Driven Goal Loop

导言

我曾把一个看起来很明确的任务交给 AI：阅读 verl 代码，参考已有 GRPO 脚本适配 Kimi3 的减层训练，并在 NPU 上跑通第一个强化学习优化步。两天后，AI 仍在换软件版本、调整层数和重跑 OOM。真正棘手的不是“还没成功”，而是我无法回答领导接下来一定会问的问题：卡在哪里、解决过什么、时间花在哪里、还能不能解决、还要多久、代码是否上仓、中文设计文档在哪里？

这促使我把 Goal 从一句终点描述改造成一个工程控制面：用 goal-definition 先与用户签订任务合同，再让每个 Goal 强制携带 goal-execution，按证据等级执行有界循环。最终目标仍然重要，但每一轮都必须留下新的事实、排除一个原因，或形成一个可交付成果。

先说结论

长期 AI 任务最缺的不是坚持，而是控制面。 “没有完成就继续尝试”只定义了循环条件，
没有定义下一次尝试凭什么比上一次更有价值。当模型既没有中间状态，也没有实验门禁和
停止条件时，最容易选择那些看起来在推进、实际信息量很低的动作：换版本、减配置、重跑。

我的设计把原来的一条 Goal 拆成四层：

层次	回答的问题	持久产物
Goal Definition	这次究竟要完成什么	Goal 合同
Goal Execution	遇到未知和失败时怎样工作	状态机与执行纪律
Process Record	实际做了什么、得到什么证据	过程账本与运行日志
Deliverables	截止当前已经能交付什么	代码、文档、测试与决策包

OpenAI Agents SDK 的 tracing 已经能记录 run、generation、function tool、
handoff 和自定义 span，这解决的是“执行轨迹能否被看到”。[^openai-tracing]
我的 Goal 控制面再向上补一层：为什么要执行这次动作、它对应哪个验收项、失败后何时
停止、到期时必须交付什么。 Trace 是证据来源之一，不是任务合同本身。

{ width=100% }

自绘小黑示意图：左侧循环不断消耗时间但回到同一错误；右侧只有加入新证据，棘轮才允许交付物前进一步。

为什么 Goal 会空转

“把 Kimi3 的 GRPO 在 NPU 上跑通第一步”是一句业务终点，却压缩了至少五类性质不同的
问题：

问题层	典型未知量	无控制面时的错误动作
模型研究	Kimi3 的结构、配置和加载方式与参考模型有何差异	直接复制脚本
框架适配	verl 的注册、rollout、logprob、loss 路径要改哪里	报一处错改一处
环境兼容	Python、PyTorch、CANN、NPU 插件和推理后端能否共存	轮盘式升降级
资源可行性	权重、KV cache、activation、梯度和 optimizer state 能否放下	不定位阶段就减层
工程交付	代码、脚本、日志、测试和中文设计文档放在哪里	等全部成功后再整理

原始 Goal 只有一个二元刻度：成功或失败。于是“整体 OOM”和“已经定位为 backward
前的 activation 峰值”都显示为失败；“没找到版本”和“确认两个官方版本组合均不兼容”
也没有区别。Agent 只能通过更多动作表达努力，却不能用未知量减少了多少表达进展。

真正的进展至少满足一项：

• 一个验收项有了可复核证据；
• 一个未知量变成了有来源的事实；
• 一个假设被增强、削弱或排除；
• 故障被缩小到具体阶段、函数、rank、tensor 或依赖；
• 形成了可复现脚本、日志、测试、提交或中文文档；
• 不可继续的问题被转换成领导可以选择的资源、范围或时间决策。

Google SRE 把排障描述为假设—演绎过程：从系统知识、遥测和日志形成候选原因，再用
观察或受控改变寻找支持和反证；它还特别强调保存测试记录，避免复杂长时问题重复走过
同一条路。[^google-sre] 这与我的核心判断一致：失败可以有价值，但前提是它产生了
能改变下一步的证据。

忙碌不是进展

运行了二十条命令、切换三个版本、占用八小时 NPU，都只是活动量。如果它们没有完成验收、增加证据、缩小故障或形成交付，就不能成为下一轮继续消耗预算的理由。

先把任务写成合同

第一个 Skill 是
goal-definition。
它不执行任务，只负责与用户分轮澄清，把自然语言愿望变成可验收的 Goal 合同。

直观上，它像开工前的施工图：不是要求一开始知道全部答案，而是确保终点、边界、
预算、权限和验收方式已经明确。可以通过只读调查获得的仓库、提交和环境事实由 AI
自己检查；会改变成功定义、风险或成本的问题才交给用户决策。

一份可执行合同至少包含：

合同部分	必须回答什么
目标与非目标	完成什么，明确不做什么
环境基线	仓库、提交、机器、软件栈、数据和已有成功基线
事实与未知	哪些已经证实，哪些只是假设，最低成本验证是什么
验收标准	可观察完成条件、证据位置和验收人
交付物	代码、脚本、中文设计文档、运行手册和报告到哪里
里程碑	每个阶段的退出条件，不只写日期
预算	时间、算力、费用、重试、版本切换和高成本实验上限
权限	哪些动作已授权，哪些需要审批，哪些禁止
停止与升级	何时 BLOCKED、ESCALATE 或 ROLLBACK
汇报	节奏、对象和必须回答的管理问题

每个验收项都必须同时写观察条件和证据。例如“跑通第一步”可以拆成：

1. Kimi3 配置和模型入口被 verl 正确识别，以单测、加载日志和提交 SHA 证明；
2. 减层配置可显式指定，层数检查正确，以配置、测试和运行日志证明；
3. rollout 与 reward 完成，以分阶段、分 rank 日志证明；
4. backward 和首个 optimizer step 完成，以 step 日志和参数更新证据证明；
5. 代码、脚本、中文设计文档和运行手册到达约定仓库位置。

合同有 DRAFT 和 READY 两个关键状态。关键验收、预算、权限或升级路径缺失时，只能
保持 DRAFT；非阻塞问题可以采用推荐默认值，但必须写进“待确认假设”。只有用户确认
关键条款，或明确授权采用列出的默认值，Goal 才能进入 READY。

Goal 不能在执行中偷偷缩水

如果物理显存不足，只能提出“增加资源”“降低序列长度”“减少模型层数”三类决策及影响，不能自行把 32K 目标改成 4K 后宣布原 Goal 已完成。范围变化必须保留原条款、记录证据并由用户确认。

再把执行变成受控搜索

第二个 Skill 是
goal-execution。
它是每个 READY Goal 强制携带的执行协议，负责把“继续工作”改成一次次可结束、
可归档的控制周期。

状态机不是为了增加流程感，而是让失败具有位置：

stateDiagram-v2
    [*] --> INIT
    INIT --> BASELINE
    BASELINE --> RECON
    RECON --> HYPOTHESIS
    HYPOTHESIS --> PROBE
    PROBE --> EXPERIMENT: 证据达到门禁
    EXPERIMENT --> VERIFY
    VERIFY --> INTEGRATE: 验收通过
    VERIFY --> RECON: 新证据推翻假设
    INTEGRATE --> DONE
    BASELINE --> BLOCKED
    PROBE --> ESCALATE
    EXPERIMENT --> ROLLBACK

• RECON 读取代码、文档、配置和调用链，把未知量变成事实；
• HYPOTHESIS 写出可证伪原因、支持证据、替代解释和最低成本判别方法；
• PROBE 运行最小复现或增加维测，只获取区分假设所需的信息；
• EXPERIMENT 在证据门禁通过后进行受控实验；
• VERIFY 用独立检查验证结果，不以命令退出码代替业务验收；
• INTEGRATE 整理代码、测试、中文文档和远端仓库交付。

每次定时调度只执行一个有界循环：

1. 读取当前阶段、剩余验收项、预算和最高优先级未知量；
2. 声明本轮唯一的 micro-goal；
3. 选择 READ、PROBE、EXPERIMENT 或 INTEGRATE；
4. 预先登记假设、判别条件、唯一主要变量、成本、风险和回滚；
5. 执行一个主要动作，保存脱敏命令、配置、日志、指标和代码差异；
6. 区分观察事实与推断，更新假设和替代解释；
7. 更新验收、交付、时间、费用和错误签名；
8. 主动结束本轮，说明信息增量、下一 micro-goal 和所需决策。

这套循环允许快速迭代，但不允许方向漂移。新证据推翻假设时，应回到 RECON 或
HYPOTHESIS；不能为了显得连续推进，沿错误路径继续堆叠更大的实验。

实验之前先过证据门

“有 70% 信心再做实验”方向正确，但百分比很容易沦为模型的自我授权。我的做法是先给
证据分级，再把百分比当作辅助解释：

等级	证据基础	允许动作
E0（0–30%）	猜测或弱类比	阅读代码、文档和低成本观测
E1（40–60%）	稳定错误栈、代码、配置或官方资料	最小复现和低成本 Probe
E2（70–80%）	最小复现、受控探针或单变量实验	高成本完整实验
E3（90%+）	重复验证，主要替代解释已排除	集成、固化结论和交付

高成本实验默认需要 E2。 如果只有 E1，就先做最小加载、单卡 forward、局部
backward 或增加维测；用户可以明确豁免，但豁免、预算和风险也要进入记录。

同类失败通过错误签名去重：

错误类型 + 首个稳定堆栈位置 + 执行阶段 + 关键错误码

第一次出现时完整归档；无新增证据时只允许再现一次，以确认稳定性。下一次运行必须
增加观测、缩小复现或进行能区分假设的单变量变化。两个循环仍没有信息增量时，停止
这条路径，返回代码调查或进入 ESCALATE。

版本问题也不能靠轮盘解决。切换前先建立 Python、框架、加速器插件、驱动、通信库、
模型代码和推理后端的兼容矩阵；候选版本必须来自 lock 文件、Dockerfile、CI、官方
兼容表、已知成功环境或已定位的 API/ABI 变化。没有新增依据时，最多测试两个候选。

OOM 则必须先回答“在哪个阶段 OOM”：

• 权重加载、rollout、KV cache、logprob、reward；
• backward、optimizer step、通信临时 buffer 或 checkpoint。

每次记录每 rank 峰值、最后成功阶段、模型层数和 dtype、batch/序列长度、并行拓扑、
activation checkpoint、optimizer state 与 KV cache。任何减层、减 batch 或缩短序列
之前，都要说明它预计减少哪一类内存、为什么与当前阶段相关、预计数量级和验证判据。

对于隐蔽分布式故障，goal-execution 固化了我原先的 TSJDEBUG 思路：每轮只在报错
附近增加 2–4 个观测点；由环境变量控制，默认关闭；日志名包含时间戳、run、rank 和
pid；只记录 shape、dtype、device、内存、分支和最后成功点。新日志返回后先更新假设，
再决定下一处观测，避免一边改业务逻辑一边改变可观测性。

把过程写成证据账本

聊天上下文会压缩，终端会关闭，/tmp 会被清理，因此 Goal 的事实源必须在仓库中。
默认目录是：

goal_process/<goal-id>/
├── GOAL.md
├── CURRENT_STATUS.md
├── ACCEPTANCE.md
├── DELIVERABLES.md
├── HYPOTHESES.md
├── DECISIONS.md
├── evidence/
├── runs/<timestamp>-C<cycle-id>/
│   ├── ITERATION.md
│   ├── commands.md
│   ├── stdout.log
│   ├── stderr.log
│   ├── metrics.json
│   └── changes.patch
├── reports/
└── HANDOVER.md

CURRENT_STATUS.md 是覆盖更新的一分钟摘要，运行目录则是追加式历史。每轮
ITERATION.md 都要记录 micro-goal、已有证据、唯一主要变量、预期观察、判别规则、
实际结果、错误签名、信息增量和下一步。这样新 Agent 接手时可以从状态和证据恢复，
而不是重新猜上一位 Agent 做过什么。

OpenAI Agents SDK 可以按 run 汇总 request、输入 token、缓存输入、输出 token 和
reasoning token；官方文档也提醒，第三方 adapter 的 usage 上报可能不完整。[^openai-usage]
因此我的仓库规则要求：预计或实际超过 20 分钟的执行启用 RMB-Cost.md，把缓存未命中
输入、缓存命中输入和输出分开计价；价格、汇率或 token 明细未核实时必须标为估算。

渐进交付意味着最终路径仍未跑通，也不能“两天后什么都没有”。合理的中间成果包括：

• 工作分支、WIP 提交和明确的远端状态；
• 参考模型与目标模型的调用链差异；
• 版本兼容矩阵和最小加载脚本；
• 已完成的配置、注册、适配和单测；
• 最小失败复现、精确 OOM 阶段和分 rank 日志；
• 中文软件设计文档、运行手册和已知限制；
• 剩余候选原因、方案 A/B、资源需求和交接包。

给领导一个管理接口

领导不应该阅读几百 KB 日志来判断任务是否失控。CURRENT_STATUS.md 必须能直接生成
一份一分钟汇报：

状态：黄

目标：
Kimi3 减层 GRPO 在 NPU 完成首个 optimizer step。

已完成：
模型注册、减层加载、rollout 和 reward；
代码已推送到 <branch>/<sha>。

当前主阻塞：
logprob 重算后进入 backward 时 OOM，
问题已从“整体任务 OOM”收敛到具体阶段。

关键证据：
运行 C006；rank0 峰值；最后成功函数；日志路径。

时间投入：
环境 / 调研 / 实现 / 实验 / 文档交付 / 资源等待。

下一步：
C007 单变量验证 H3，一次实验可区分 activation 与通信临时 buffer。

需要决策：
若证实物理显存不足，选择增加 NPU 或调整验收范围。

“还需要多久”不能给脱离条件的单点数字。更可信的表达是：

若 H3 成立：剩余 X–Y 小时，证据等级 E2。
若 H3 不成立并需要修改推理后端：剩余 A–B 天，证据等级 E1。
最晚在 <时间或预算阈值> 决定扩资源、改范围或停止。

这不是回避承诺，而是把工期的不确定性绑定到一个可验证的技术分叉。领导因此能看到：
当前主路径是否可解、哪个假设决定 ETA、什么时候必须做资源或范围决策。

两个 Skill 如何配合

两个 Skill 的分工刻意不重叠：

• goal-definition 与用户交互，生成并确认 READY Goal；
• goal-execution 读取合同，初始化过程目录，并持续执行有界循环；
• Goal 的范围、验收或权限变化重新回到定义环节，不由执行者静默修改；
• 执行到期但未 DONE 时，强制生成交接与决策包。

最短使用入口如下：

先使用 $goal-definition 与我澄清下面的任务。
输出 Goal 合同，明确验收标准、交付物、预算、权限、停止条件、
升级对象、汇报节奏和条件化 ETA。关键条款经我确认后再标记 READY。

任务：
[在这里填写具体任务]

Goal READY 后，使用 $goal-execution 执行。
每轮只推进一个 micro-goal；高成本实验遵守证据门禁；
所有日志、决策、验收、交付和汇报归档到 goal_process/<goal-id>/。

两个 Skill 的仓库源码通过符号链接安装到 ~/.codex/skills/。仓库是唯一可版本化源头，
全局目录只暴露入口，避免复制后形成两份漂移的执行规范。Goal 合同模板、过程文件模板
以及版本/OOM/TSJDEBUG 专项协议都随 Skill 一起维护。

适用边界

这套设计适合远程开发、复杂调试、训练/推理实验、多阶段代码交付和任何需要跨会话继续
的长期任务。短小、低风险、几分钟可完成的修改不必创建完整账本，否则流程成本会高于
任务本身。

它能够改善的是：

• 更早暴露未知量、权限缺口和物理资源下限；
• 减少无新证据的重复实验；
• 让失败产生可复用的负结果；
• 在最终成功前持续形成代码、文档和决策材料；
• 让领导能够看到阻塞、预算、可解性和条件化 ETA。

它不能保证上游尚未实现的能力凭空出现，也不能让不足的 HBM 容纳任意配置。若证据表明
问题在当前资源和期限内不可行，正确结果是进入 BLOCKED/ESCALATE，给出证据、替代
路径和所需决策，而不是继续运行来维持“还在努力”的表象。

证据边界

E0–E3、同签名重试一次、无依据版本候选最多两个，以及超过 20 分钟启用费用报告，都是我的本地工程规则，不是 OpenAI 或 Google 的标准。它们目前解决的是可管理性和可复核性；是否提高跨任务成功率，还需要在后续 Goal 中统计首次定位时间、重复失败率、验收完成率和交付及时率。

总结

我最终把 Goal 理解为一份任务合同，而不是一句循环咒语；把 Skill 理解为执行操作系统，
而不是一段领域提示；把过程目录理解为证据账本，而不是日志垃圾场；把 Deliverables
理解为渐进形成的成果，而不是最后一刻的二元答案。

一个好的 Goal Loop 不应保证永远继续，而应保证每次继续都有理由。 如果下一轮不能
完成验收、增加证据、缩小故障或形成交付，就应该改变观测方式、降低实验粒度，或者把
问题升级给能够改变资源、范围和期限的人。

最终成功当然最好；但即使没有完全跑通，系统也必须回答：为什么、卡在哪里、做过什么、
时间花在哪里、还能否解决、还要多久，以及现在已经可以交付什么。这才是 AI 长期任务
真正需要的工程闭环。

参考资料

[^openai-tracing]: OpenAI Agents SDK, Tracing. 文档列出了默认 run、agent、generation、function、guardrail 与 handoff spans，并支持自定义 span 和敏感数据控制。

[^openai-usage]: OpenAI Agents SDK, Usage. 文档说明每次 run 可汇总 request、input、cached input、output 和 reasoning token，同时提醒第三方 adapter 的 usage 上报可能不完整。

[^google-sre]: Chris Jones, Google SRE Book, Effective Troubleshooting. 本文借鉴其观测、假设、受控测试、最小复现和记录原则；具体 Goal 阈值是本地设计。

• Goal Definition Skill
• Goal Execution Skill