任务没做完 Agent 为什么停了？拆解 Pi /goal 的持续执行机制
Agent 提前停下来的本质，是把「一轮回答结束」错认成「整个任务完成」。Pi 的 /goal 扩展把这层混淆拆开。
- 核心问题：一轮回答结束 ≠ 任务完成，普通 Agent 缺少独立完成判断机制。
- 目标弱化：长上下文里，初始目标被中间产物稀释，模型围绕当前成果回复。
- Goal 四步循环：保存完整目标 → 每轮重读提示词 → 必须调用
goal_complete→ 未完成自动续跑。 - 两种判断方式：Codex 工作模型自查 + 完成工具；Claude Code 独立评估模型判断。
- 适用任务四特征：结果明确、可验证、逐步收敛、不需要频繁人工决策。
- 任务描述四要素：结果、范围、验收方式、禁止操作。
- 能力边界：Goal 是持续执行保障层，正确性最终仍取决于模型和验证方法。
一轮回答结束 ≠ 整个任务完成
Agent 用久了都会遇到这种场景：让 Agent 完成 6 项工作，它做完第 4 项就给出最终回复，要求你确认后再继续；你只要再敲一句「继续」，它马上就能发现遗漏、补完剩下的部分。
这里有一个 容易混淆的区别：
- 一轮回答结束：模型决定不再调用工具，生成最终回复。
- 整个任务完成：用户交代的所有要求都通过验收。
普通 Agent 的「回合结束」完全取决于 当前模型自己判断——只要它觉得「产物够完整」，就会围绕当前结果组织一段像样的回复，把剩余工作交还给用户。
长上下文里的两个隐形杀手
为什么模型会 在任务没完成时就给出最终回复？两个原因叠加。
杀手一：目标在长上下文里被弱化。 任务越长，中间产生的文件内容、命令输出、阶段性结果越多。最初的完整目标在这些信息里逐渐失去注意力，模型开始围绕 当前窗口里最显眼的产物 组织答案。
杀手二：缺少独立的完成判断。 普通 Agent 没有独立的「完成检查」环节，完全靠模型根据上下文自行判断。任务一旦变长，模型看到主要产物已经生成（或遇到一次执行失败），就倾向于汇报当前状态、让你接管下一步。
举个例子：让 Agent 整理 20 份资料生成「摘要、大纲、事实核验表」三件套。它做完摘要和大纲后，看到两个文件已经存在，于是回复「资料整理和内容结构已完成，建议后续补充事实核验」——从一轮回答看这段回复 完整合理，但事实核验表依然缺失。
Pi /goal 的四步持续执行机制
/goal 扩展的设计思路很直接：把「完成判断」从模型的一次性决策变成跨回合的循环。Pi 的设计哲学可以参考 Pi 的设计哲学：核心极简、行为外置的 4 包架构——「极简默认 + Extension 改 Agent 自身」这套思路在 /goal 里体现得最完整。
1. 完整目标独立保存
/goal 启动后，扩展把用户最初的完整目标 单独存储 并标记为活动状态。即便后续对话变长、上下文被压缩、或者稍后重新打开同一个会话，这个未完成的目标依然能恢复。
2. 每轮重新注入提示词
每开一个新回合，扩展都会向上下文注入一段核心提示词，大意是：
保留用户最初的完整目标；根据当前文件、命令、产物逐项检查；不要停在分析、计划、部分成果；只有所有要求都证明完成，才能提交最终完成。
新回合等于把任务范围和验收规则 又强调一遍，降低原始目标在长上下文里被遗忘的概率。
3. goal_complete 显式完成
模型想结束整个任务，必须 显式调用 goal_complete 完成工具，并提交一段完成摘要（说明做完了什么、用哪些证据验证）。扩展会拦截「摘要为空」「还有测试失败」这类明显矛盾，通过后才把目标从活动状态变成完成状态。
普通最终回复只能结束当前回合，不能结束整个 Goal。只有调用 goal_complete 才算数。
4. 自动续跑
如果模型像之前的例子一样，只生成了普通最终回复而没调用完成工具，当前回合虽然结束，但 Goal 依然保持活动。扩展会自动开启下一个 Agent 回合——新回合 再次拿到完整目标和同一套核心规则，重新从未完成的部分开始工作。
这个循环会一直持续，直到：
- Agent 成功调用
goal_complete - 用户主动暂停或清除目标
- 达到 token 预算
- 遇到必须外部介入的阻塞
Codex vs Claude Code：两种完成判断实现
不同 Harness 对「由谁判断完成」的实现不一样：
| Harness | 判断方式 | 特点 |
|---|---|---|
| Pi / Codex | 工作模型自查 + 调用完成工具 | 单模型，逻辑闭环 |
| Claude Code | 独立评估模型判断 | 主模型专注干活，更快更小的模型把关 |
Codex 走的是「工作模型自带判断」路线——主模型跑完一轮工具调用，自己检查 Goal 完成情况，再调用 goal_complete 工具更新状态。
Claude Code 走的是「主模型专注干活、评估模型把关」路线——主模型结束回合后，系统调一个更快更小的评估模型读 Goal 条件和对话，给出「完成 / 未完成 + 理由」。判断为未完成时，理由会交给下一轮继续处理。
两条路不冲突，程序只能控制「是否允许完成」，无法证明每项业务要求真的正确完成——这部分依然取决于模型能力。
什么样的任务真正适合 /goal
Goal 不是万能药。适合 Goal 的任务通常有四个特征：
- 结果明确——最终要生成什么文件、实现什么功能、达到什么状态，能清晰描述。
- 完成标准可验证——Agent 具备相应的验证条件：能跑测试、查文件、读数据、查产物，而不是「凭感觉判断效果」。
- 任务可以逐步收敛——每完成一轮、检查、修正，都能更接近最终目标，而不是在开放方向上反复探索。
- 执行过程不需要频繁人工决策——目标和边界确定后 Agent 能自主推进，遇到真正无法处理的问题再让用户介入。
任务描述的四要素模板
一个适合 Goal 的任务提示词，可以拆成四部分：
| 要素 | 含义 | 例子 |
|---|---|---|
| 结果 | 要交付什么 | 生成 20 份资料的摘要、冲突表、视频大纲 |
| 范围 | 处理哪些内容 | 仅限 /data 目录下 *.md 文件 |
| 验收方式 | 怎么证明完成 | 三件套文件齐全 + 大纲文件 ≥ 5KB + 冲突表无空行 |
| 禁止操作 | 边界在哪 | 不修改原始资料、不调用网络工具 |
四要素都写清楚，Agent 既知道要交付什么、也知道拿什么证明完成，Goal 的循环才有意义。
Claude Code 端对/goal 的描述更精简——「终点、验证手段、边界、汇报机制」，本质是同一套方法论。详见 Claude Code 6 个进阶命令。
Goal 的能力边界
最后明确 Goal 能做什么、不能做什么：
| 能做 | 不能做 |
|---|---|
| 保留完整目标跨回合持续执行 | 证明业务要求真的被正确完成 |
| 提高停止门槛，拦截明显错误 | 替代模型判断 |
| 在上下文压缩后恢复目标 | 让模型凭空具备它没有的能力 |
| 跨回合持续验证和修正 | 解决任务本身描述不清的问题 |
Goal 更像是在任务可能中途结束时增加一层持续执行保障——它可以重新带回完整目标、自动开启下一个回合。但最终结果是否准确，依然取决于模型能力和验证方法。
对于规模较小、描述清楚的任务，随着模型能力提升，即使不用 Goal，普通模式也可能一次完成得很好。Goal 的价值在超长任务里体现得更明显——这里的「超长」指的是 任务很可能跨越多个 Agent 回合，期间还要反复执行、验证、修正，甚至经历上下文压缩。
References
- 任务还没做完，Agent为什么就停了？从Pi的/goal看懂持续执行机制 —— YangAgent, 哔哩哔哩, 2026-08-11