AI 开始接手工作，谁来验收？
助手能打开网页、修改文件之后，一句“完成了”需要有可以检查的结果。
假设你让助手比较三家供应商，准备一份下周开会用的材料。它搜索网页、整理报价、写好文档，然后告诉你：完成了。
打开文档，事情才刚刚变得具体。三家的报价是否对应同一个套餐？其中一家是否已经更新了价格？链接能不能打开？文档放进团队空间后，谁可以看见？原来已有的笔记还在不在？
个人智能体把这些问题带到了日常使用中。据 AP 报道，Meta 于 9 月 8 日推出 Muse，初期面向美国成年用户，尝试协助处理日程、购物等事务。[1] 用户交给它的工作开始包含实际操作，结果也会留在聊天框之外。
文档在哪里，比回复写得漂亮更重要
Anthropic 的智能体评估指南将执行记录与最终结果分开：前者记录系统做过什么，后者检查环境实际发生了什么变化。评估对象也包括模型周围的工具和运行系统。[2]
这给供应商比较任务提供了一个清楚的验收办法。助手说创建了文档，就打开那份文档；它说某个套餐支持一项功能，就沿着引用找到对应版本的说明。价格后面有使用条件，比较表里也应当保留。
不同工作需要不同程度的检查。内部讨论提纲可以留出修改空间，发给客户的合同则需要逐项核对。两类工作都套上同一套审批，会让简单任务变慢，也可能漏掉复杂任务的关键细节。
把人留在需要判断的地方
用户说“做一个可以讨论的版本”，通常期待助手自己整理维度、补齐资料、安排版式。如果每搜索一个网页都来问一次，省下的鼠标操作就变成了新的确认工作。
但采购承诺和草稿之间还有距离。整理候选供应商，可以交给助手；是否向其中一家下单，需要另有授权。修改副本与删除唯一原件，也应当分别处理。
产品可以让搜索和草稿编辑连续进行，在提交正式结果、扩大分享范围或作出对外承诺时，显示具体对象和内容。用户已经明确授权的动作就继续执行；目标、对象或后果发生实质变化，再请人判断。确认框的价值，来自它能让人看清接下来会发生什么。
中断后，还能从哪里接着做
长任务经常有很多中间成果。资料查到一半，网页打不开了；正文写好了，保存时失败了。若系统只能从头再来，等待和计算都会重复。若它没查清先前是否保存成功就再次写入，还可能留下两份文档。
Anthropic 在长时运行智能体的工程文章中，介绍了分段推进、记录进度和为下一轮保留工作状态的做法。[3] 这份经验的实用之处，是把恢复能力落在具体记录上。
一条“完成 80%”的进度提示，对接手工作帮助不大。记录“前两家报价已核实，第三家套餐有冲突，比较稿保存在这里，下一步查官方说明”，就能让后续执行有据可依。已经确认的资料不必重查，尚未解决的冲突也不会被误当成结论。
便宜的调用，未必是便宜的工作
模型单次调用的价格容易比较，完整任务的账要复杂一些。检索、重试、人工检查和修订，都会进入成本。
用一组假设数字算算：两套系统各处理一百件任务，最终达到相同质量。甲花了五十元机器费用，需要人工检查和修复二百四十分钟；乙花二百元，人工只用六十分钟。若暂按每分钟一元计算人的时间，甲总计二百九十元，乙为二百六十元。
人工时间的计价变了，选择也可能改变。如果修订本身有学习价值，或者这批任务并不急，人愿意投入的时间就不同。比较时还要保持交付标准一致，否则少检查几遍也能让账面很好看。
机器运行三十分钟，也不能直接记成节省三十分钟。等待期间，人可能在做其他工作；审阅和纠错则会持续占用注意力。把机器费用、人的投入和未通过验收的任务分开记录，才知道钱与时间花在了哪里。
谁接下了自动化留下的工作
智能体可能减少执行工作，却增加审阅工作。原来分散在各人手里的问题，也可能集中到少数维护者身上：检查失败原因、修正工具接口、处理重复写入。
对一位使用者来说，工作确实轻松了；对整个团队来说，还需要把这些维护时间算进去。注册量和使用时长能说明人们愿意尝试，稳定交付、返工和维护记录则更接近组织真正得到的收益。
开放式工作又有所不同。头脑风暴和创意讨论可以出现多种答案，研究也需要探索未知。此时可检查的是材料、推理依据和过程记录，不必预先规定唯一结果。
智能体能否得到更多工作，最终会在一次次使用中体现出来：普通任务能不能重复完成，失败以后能不能接上，交付物是否需要人重新做一遍。供应商比较结束后，桌上应该留下一份可供讨论的文档，以及清楚标出的那几个待确认问题。