首页
学习
活动
专区
圈层
工具
发布
社区首页 >专栏 >人机收敛论:以数据为中心的 P2A 协作工程方法

人机收敛论:以数据为中心的 P2A 协作工程方法

原创
作者头像
OneCode
发布于 2026-11-19 21:58:40
发布于 2026-11-19 21:58:40
70
举报
文章被收录于专栏:ooderAgentooderAgent

人机收敛论:以数据为中心的 P2A 协作工程方法

——从凭证自动化的"规则固化循环"谈起

摘要:企业级 Agent 落地到第 3 年,真正的瓶颈已经不是"模型够不够聪明",而是"人的注意力够不够用"。IBM 2026 年的企业 AI 研究给出的比例是 128 个 AI Agent 对应 1 个人类员工,并预计大型企业年底将运行 1,600 个以上 Agent。在这个比例下,Human-in-the-loop(人机回环)如果还停留在"每条结果都要人点一下确认",系统必然崩在人的带宽上。本文提出一个不同的建模方式:把 P2A(Person-to-Agent)协作从"交互设计问题"重新定义为"规则收敛问题"。以会计凭证自动化为贯穿实例,给出一个可执行、可度量、可回退的四阶演进模型(L0 人工 → L1 规则固化 → L2 例外驱动 → L3 监督自治 → L4 完全自动化),并把"AI 总结形成待办""批量交互拓扑""多 Agent 角色分离""收敛指标"四件事放进同一套工程框架。核心主张只有一句:人的每一次介入,必须产出"规则增量"而不是"数据修补";否则人工介入率永远不会下降。


目录

  1. 论题的提出:瓶颈已经从"智能"转移到"注意力"
  2. 理论坐标系:六个可以站住的支撑点
  3. 核心模型:规则收敛循环(RCL)
  4. 实战:凭证自动化的四阶演进
  5. AI 如何"总结形成待办"
  6. 批量交互的五种拓扑与选择矩阵
  7. 多 Agent 分工与协作契约
  8. 度量:把"趋于完全自动化"变成一条曲线
  9. 反模式清单
  10. 论题总结:五条主张

一、论题的提出:瓶颈已经从"智能"转移到"注意力"

1.1 三个已经在发生的事实

事实一:Agent 数量对人类数量已经失衡。 IBM 2026 年的企业 AI 研究给出的现状比例约为 128:1,预计年底大型企业将运行 1,600 个以上 Agent;Gravitee 2026 年 4 月对 750 位技术负责人的调研显示,Agent 资产规模已经远超配套的治理人力。**"多 Agent 协作"这件事的真正难点,不是 Agent 之间怎么通信,而是 Agent 群体产生的工作量,人类消化不了。**

事实二:靠加人解决不了。 MLflow 的 HITL 实践文章把这个账算得很清楚:如果 Agent 调用量涨 10 倍而"触碰率(touch rate)"不变,你就需要 10 倍的审核人力——而审核人力的招聘速度永远追不上。结论是:HITL 的可扩展性只能来自"有策略地降低触碰率",不能来自"雇更多人"。

事实三:逐条确认的交互形态在生产环境里不可用。 一批 3,000 行的银行流水,如果产生 300 条无法自动分类的记录,逐条弹确认框意味着 300 次人机往返。按每次 20 秒计算就是 100 分钟——而会计一个月的凭证工作量可能有几十批。

1.2 三个结构性矛盾

矛盾

表现

后果

吞吐 vs 逐条确认

数据量线性增长,确认次数也线性增长

系统吞吐被人力上限锁死

数据修补 vs 逻辑演进

人把这一条改对了,下一批同类数据照样错

人工介入率 ρ 恒定不降,永远收敛不了

待办爆炸 vs 注意力稀缺

每条异常生成一个待办,待办列表变成垃圾场

人开始无差别跳过,监督失效

第三条尤其隐蔽。Google 2026 年在编码 Agent 上观察到的"Agent 分心(agent distraction)"现象就是一个镜像:当 TODO 列表里堆满过期、低价值条目时,Agent 会去处理错误的东西。人其实一样——待办列表一旦失去信噪比,人就会进入"批量点通过"的模式,监督名义上存在、实质上是零。

1.3 重新定义问题

所以我们把问题从交互层抬到数据层:

P2A 协作的效率瓶颈,本质上是"规则库对数据的覆盖率"问题,而不是"对话交互设计"问题。 人工介入率 ρ = 需要人工决策的条目数 / 总条目数。 只要能持续把"人工决策"沉淀为"可执行规则",ρ 就会单调下降; 只要沉淀不下来,ρ 就永远不会下降——无论交互界面做得多顺滑。

这个重新定义带来一个非常锋利的工程判据:任何一次 HUMAN 交互,如果它的产物是"一条改对的数据",那它就是负债;如果它的产物是"一条可以作用于未来所有同类数据的规则",那它就是资产。


二、理论坐标系:六个可以站住的支撑点

"以数据为中心 + 规则固化 + 人工修正 + 再固化"这条路不是凭空发明的。它至少有六个成熟的理论支点。

2.1 编程示例(Programming by Example, PBE)

Sumit Gulwani 2011 年的 FlashFill 是这个方向的原点:用户给一两个输入-输出示例,系统合成一个字符串变换程序。商业上它在 Excel 2013 里落地,成为终端用户编程的里程碑。其工程思想有三点直接可迁移到凭证自动化:

FlashFill / PROSE 的做法

凭证自动化的对应物

把搜索空间限制在领域特定语言(DSL)里,而不是通用编程语言

把规则限制在"科目映射 + 关键词分类 + 辅助核算绑定 + 税额拆分"这套凭证 DSL 里

用 witness function(见证函数)做自顶向下剪枝,避免盲枚举

用"借贷平衡""科目存在性""辅助核算非空"作为剪枝约束,先排除不可能的规则

用 MDL(最小描述长度)排序候选程序,短者优先

规则排序偏好"更短、更通用、可读"的那条,而不是过拟合的特例规则

PROSE 后来在 PowerShell、Azure SQL、数字格式化等产品里企业级部署——说明"从示例归纳规则"在结构化数据处理场景是被验证过的工程路径,不是学术玩具。

更近的证据是 2026 年 CHI 的 DataSpeck:一个面向"数据转换工作流"的人机回环自动化系统。它研究的问题和本文完全同构——人怎样在少量的修正中,让系统把数据转换规则学会。

2.2 主动学习 / 不确定性采样

主动学习的核心结论是:不是所有样本都值得标注。按不确定度、代表性、信息增益挑样本,可以用远少于全量的标注达到同等精度。

映射到 P2A:不是所有异常都值得生成待办。应该优先把"会影响最多未来数据"的那一类异常推到人面前。这条原则直接支撑第五节的"待办聚类"。

2.3 自动化分级(Levels of Automation)

自动化分级从 Parasuraman 等人的经典框架,一直演进到 2026 年 CSA 发布的《Agentic AI Autonomy Levels and Control Framework》:L4 是"高自治,人类从审批转向监控与例外处理"。另一条并行的研究线("Beyond Automation Levels",2026)进一步把自动化拆成信息分析、决策、执行三个维度各自分级,并指出 manned–unmanned teaming 的关键不是"整体给几级",而是每个维度分别该给几级。

这个拆法对凭证自动化极其有用:

维度

凭证场景

分级建议

信息分析

从流水/单据里抽取金额、科目、往来单位

L4(高度自动化,抽取错误由下游校验兜底)

决策

借贷科目选择、辅助核算归属

L2–L3(需要规则 + 例外人工)

执行

写凭证、导模板、推送总账

L3(平衡校验 + 抽样审计后自动执行)

"自动化程度"不是全局开关,而是按维度拧的旋钮。 这是很多"要么全自动、要么全人工"的产品设计最容易犯的错。

2.4 混合主动式交互(Mixed-Initiative)

Horvitz 1999 年的 12 条 mixed-initiative 原则,在 2026 年依然被当作 Agent 交互设计的基础坐标——近年论文明确说它和 Amershi 2019 的 18 条 Human-AI Interaction Guidelines 一起"塑造了 AI 系统设计",只是当年面向的是推荐、搜索这类有界离散任务,而今天的 Agent 带来了"长时程、持续交互"的新问题(2026 年《Design Principles for Human-Agent Interaction》正是在补这个缺口)。

其中三条对我们最关键:

  • 原则 3(价值增益):只有当自动化的期望收益超过打扰成本时才主动介入。
  • 原则 4(成本/收益/不确定性 → 最优动作):Agent 应该在"行动 / 询问 / 等待"三者间做效用比较,而不是固定流程。
  • 原则 7(最小化错误猜测的代价):猜错的代价要低——这直接对应"可撤销""可回滚""diff 审批"这些机制。

2.5 例外作为治理层(Exception-as-Governance)

2026 年多篇生产实践文章提出同一个结构:异常处理不是一条路径,而是两条。

一条路径处理这笔具体交易(增强人工审核); 另一条路径记录异常模式,回流给负责 Agent 配置的团队——因为反复出现的异常是信号,说明 Agent 的任务边界、训练数据或置信度架构需要调整。

这句话几乎就是本文第三节"规则收敛循环"的工程版表述。同类实践还有 GMP 领域的 batch record review by exception:审核员只看"破坏规则的条目",而不是看每一行;多个 Agent 先把全量数据按主批次记录和 GDP 规则读一遍,只把被标记的页面交给人。这就是"例外驱动"在强监管行业的落地证明。

2.6 从"提示工程"到"规则内化"

近两年的研究在回答一个更本质的问题:人工修正怎么变成系统的长期能力,而不是一次性的提示词。

  • Memento:把人给的 hint 通过迭代训练内化进模型权重,降低对外部提示的依赖。
  • Decision Context(2026):把"无条件规则"和"触发器匹配的规则"分两个通道注入,在 Agent 启动前就完成规则加载。
  • Learning from Supervision with Semantic and Episodic Memory(ACM 2026):用情景记忆存实例级批评,用语义记忆蒸馏为可复用的任务级指导——这正好对应凭证场景里的"逐笔修正记录"与"科目映射规则"两层。

这给我们一个非常重要的分层:修正要存两份——原始案例(可审计、可回放)+ 蒸馏规则(可执行、可复用)。只存一份都不够。


三、核心模型:规则收敛循环(RCL)

3.1 形式化

定义:

  • D:待处理数据集(如一批银行流水 / 一批报销单)
  • R_k:第 k 轮的规则库(科目映射、关键词分类、辅助核算、税额拆分、校验约束)
  • f:执行器,Ŷ_k = f(D, R_k)
  • H:人工判定(oracle),返回每条记录的正确结果或"同意"
  • Δ_k = { i ∈ D | H(Ŷ_k[i]) ≠ Ŷ_k[i] }:差异集
  • E_k:与 Δ_k 配套的证据(原始字段、上下文、历史相似案例)
  • Induce:归纳器,从差异 + 证据里产出规则增量
  • ρ_k = |Δ_k| / |D|:人工介入率

循环:

代码语言:javascript
复制
R_{k+1} = R_k ⊕ Induce(Δ_k, E_k)

收敛目标:ρ_k → 0,且 R_{k+1} 在回归集 D_reg 上不产生回退。

3.2 三个必须写进工程约束的条件

条件一:修正必须是规则级,不是数据级。

这是整个模型能否收敛的生死线。如果 Induce 的输出是"把这 37 行的科目从 6602 改成 6601",那么 R 没有变化,下一批同样的数据仍然会错,ρ_{k+1} = ρ_k。只有输出"对方户名匹配 *联通* 且摘要含'回款' → 科目 1122 应收账款",才有 ρ_{k+1} < ρ_k。

工程上的实现方式是把修正在 UI 上强制包装成"提议-确认":人不直接在表格里改值,而是接受/修改一条候选规则,系统再用这条规则重跑全量并展示影响面(新增 N 笔改动、M 笔回退)。这一步叫 rule-delta confirmation。

条件二:必须守回归集。

规则一旦泛化,就可能把原来对的改错。所以每轮必须保留一个 D_reg——过去已确认正确的样本集合,任何规则增量先在 D_reg 上跑一遍,回退数超阈值就拒绝或降级为"仅本轮生效的局部例外"。

条件三:修正要分级,不是所有修正都能变成规则。

修正类型

例子

处理方式

值修正

这一笔金额录错了

只改数据,不入规则库

规则修正

这一类应该归到另一个科目

进入 R,走 rule-delta confirmation

规则模板修正

这类规则本身的结构要变(比如从"关键词匹配"升级为"主数据匹配")

进入 R 的 schema 层,需人审批 + 版本化

新增能力

出现了全新业务(如跨境支付)

不硬塞规则,标记为"未覆盖场景",进产品 backlog

很多团队失败在于:把四类混在一起,全都当成"一条数据改一下"。结果规则库三年没长,人越用越累。

3.3 为什么 ρ 会下降——一个直觉

设规则覆盖的数据比例为 C_k(coverage),则 ρ_k ≈ 1 - C_k(假设覆盖率之外的部分全需人工)。所以降 ρ 等价于升 C。而 C 的提升只有两个来源:

  1. 规则变多(覆盖新类别)——来自新业务、新供应商;
  2. 规则变准(原规则命中率提升)——来自修正泛化。

第 2 条是前期主力,第 1 条是后期长尾。这就解释了实践中 ρ 的典型曲线:先陡降,后长尾——长尾阶段不能指望"再来一轮修正",要靠规则模板化(把一批相似规则抽象成一个可参数化的模式)和主数据治理(把"对方户名"这种脏字段变成受控的供应商编码)。


四、实战:凭证自动化的四阶演进

4.1 场景与既有骨架

以"凭证引擎"(voucher-fill-scene)为例,业务目标是:把有成报销单/借款单/付款单/申请单 + 银行流水(贷方收入)+ 开票明细,按"审批完成且支付完成 + 支付账户对应公司"的规则,生成记账凭证分录(科目代码/名称 + 客户/供应商/职员/项目/职场辅助核算),做借贷平衡校验后填充凭证导入模板,并落库审计。

现有流程的节点序列已经包含了收敛循环所需的大部分骨架:

代码语言:javascript
复制
意图歧义消解 → 上传源数据/凭证模板 → 解析 → 字段映射 → 科目与辅助核算 → 借贷平衡校验 → 审计 → 人工确认 → 生成报告
                                                    ↑                                                    │
                                                    └────────── 人工要求调整分类,回流重新生成 ──────────┘

关键发现:现有流程已经有一条"人工确认 → 回流重新分类"的边(humanConfirmed == false 时回到分类节点)。这条边是对的,但它只完成了循环的一半——它让人"这次改对了",却没有让系统"下次不用改"。

缺的那一半是:**humanModifications 必须被归纳成规则增量,写回规则库并打版本**。这是从 L2 走向 L3 的唯一通道。

4.2 规则的五层分层("能用代码固化的就不要用模型")

凭证自动化最容易被做成"一个大模型直接输出凭证"。这条路在合规场景不可行,因为不可审计、不可回归、不可解释。正确的做法是把规则分层,每一层尽量用确定性代码固化,只在真正需要语义理解的地方用 LLM:

层

内容

实现方式

稳定性

L-a 字段映射

源表列名 → 标准字段(记账日期/借方/贷方/对方户名)

确定性映射表

极高

L-b 值归一

对方户名 → 供应商/客户主数据编码;账户 → 银行账户档案

主数据匹配 + 模糊匹配兜底

高

L-c 语义分类

摘要 + 户名 → 费用类型(工资/社保/税金/服务费/联通回款/贷款还款/手续费/见习补助…)

关键词规则优先,LLM 兜底

中

L-d 分录合成

借贷科目 + 辅助核算(客户/供应商/职员/项目/职场)+ 税额拆分

规则引擎(DSL)

高

L-e 校验约束

借贷平衡、期间合法、税率匹配、辅助核算非空、重复凭证检测

硬断言

极高

这个分层带来三个直接好处:

  1. ρ 的归因变得可定位——异常落在哪一层,就知道该修哪类规则(而不是笼统地"模型不准")。
  2. 修正的粒度天然对齐——人改的是"某条 L-c 规则",而不是"这张凭证"。
  3. 可回退——每层规则独立版本化,出问题只回滚一层。

4.3 四阶演进表

阶段

机器做什么

人做什么

交互形态

产出物

退出判据

L0 手工

无

全部手工记账

无

凭证

—

L1 规则固化

跑首批规则(L-a/L-b/L-d 基本可确定部分),全量生成

逐笔对照"手工基线 vs 机器结果",指出错在哪

逐条 diff 对比

① 首批规则库 ② 差异报告 ③ 差异分类标签

机器结果与手工基线的差异已完成归类

L2 例外驱动

只对"规则未覆盖/置信度低"的部分生成待办,其余静默通过

处理例外簇,确认或修改候选规则

按簇确认 + 规则确认

规则增量 + 回归集

ρ 连续多批下降,回归率低于阈值

L3 监督自治

全量自动执行 + 事后审计 Agent 复核

抽样审计 + 规则变更审批

例外外置 + diff 审批

审计报告 + 规则版本

ρ 稳定低位,审计发现率低于阈值

L4 完全自动化

全自动,仅异常/漂移时告警

只处理新场景、新供应商、政策变更

告警驱动

规则模板 + 监控

—

注意 L1 的设计意图:它不是"先上一版自动化",而是建立基线。没有"人做的正确结果"作为对照,后面所有"差异"都无从定义。很多团队跳过 L1 直接上 L2,结果连"什么算错"都说不清。

4.4 一个具体的循环实例

假设某月的流水有 2,400 行,L1 首轮机器分类后的差异分布:

差异簇

行数

归因

人的决策

规则增量

对方户名含"中国联合网络通信"但未分类

37

知识缺失(K)

归入"联通回款"→ 科目 1122

新增关键词规则 *联通* → 1122

"承德"相关服务费被归到"其他"

12

规则缺失(K)

归入"承德服务费"→ 6602

新增地区+关键词复合规则

同一笔付款在两张凭证里重复出现

5

数据质量(Q)

确认重复,删一条

不入规则,进入去重校验增强

新出现的"跨境支付手续费"

3

真新业务(N)

人工判断科目

标记未覆盖场景,进 backlog

金额 > 50 万的往来款

2

高金额风险

逐笔人工核

不降级自动化,保留强制人工

合计

59

—

—

3 条规则增量 + 1 条校验增强

关键数字:59 条异常 → 4 个决策 → 49 行由 2 条规则一次性覆盖。 下一批同类数据,这 49 行的介入成本降为 0。这就是 ρ 下降的物理机制。

而如果按"逐条确认"来做:59 次交互,R 不变,下一批还是 59 次。


五、AI 如何"总结形成待办"

这是很多人做错的一步。直觉做法是"有异常就建待办",结果是待办列表变成异常列表的镜像——人的注意力被彻底打散。

正确的待办不是"异常的容器",而是**"决策的最小单元"**。

5.1 四步生成法:聚类 → 归因 → 提议 → 证据包

代码语言:javascript
复制
异常集合 Δ
   │
   ├─ ① 聚类(Cluster)   按"会让同一条规则失效"的共同特征分组
   │
   ├─ ② 归因(Attribute)  K 知识缺失 / C 规则冲突 / Q 数据质量 / N 真新业务
   │
   ├─ ③ 提议(Propose)    给出候选规则 + 影响面(N 笔 / M 元 / 占比 / 行号)
   │
   └─ ④ 证据包(Evidence) 3 条代表样本 + 1 条反例 + 置信度 + 可撤销性
                    ↓
              一个待办(一次决策)

聚类的键怎么选,决定了待办的质量。实践中有效的键是"规则作用域":

聚类键

例子

为什么这样分

同一目标字段 + 同一取值缺失

37 行"项目分类"为空

一条规则可全覆盖

同一实体未匹配主数据

8 个户名不在供应商档案

一次主数据补录解决

同一规则冲突

规则 A 与规则 B 对同一行给出不同科目

需要人裁决优先级

同一金额区间 + 同一方向

5 笔 > 50 万借方

风险策略不同,必须单独审

同一"未知模式"

新出现的摘要写法

需要人判断是不是新业务

5.2 证据包:让人"看最小的、足以改变决策的那部分"

Shadow 2026 年的文章把这套思路总结成一条流水线:

proposed output → evidence packet → risk route → named reviewer or check → decision → receipt "不要让人重读所有内容。让他们检查最小的、可能改变决策的证据。"

这句话应该刻在每个做 HITL 的团队墙上。一个合格的凭证待办证据包至少包含:

  • 代表样本 3 条(原始行 + 机器判断 + 建议判断)
  • 反例 1 条(同类里机器判对的,用来让人确认规则不会误伤)
  • 影响面(这条规则一旦确认,会改动多少行、多少金额、占本批比例)
  • 置信度与依据(命中了哪条规则 / 为什么没命中)
  • 可撤销承诺("确认后可一键回滚到本批处理前快照")

最后一条不是体验优化,是决策成本的结构性降低。Horvitz 的原则 7 说的就是这个:猜错的代价越低,人越愿意做决策;代价越高,人越倾向于不决策(或者把决策往上推)。

5.3 待办粒度的数学

设异常行数 n,聚类簇数 c,则理想待办数 ≈ c(加上强制人工的高风险条目 h)。

|Todos| ≈ c + h,而 c ≪ n。

在 4.4 的例子里:n = 59,c = 4,h = 2,|Todos| = 6。同一个人可以在 10 分钟内处理完,而不是 20 分钟 × 59 次。

待办列表的好坏,用"待办数 / 异常数"这个比值衡量。 比值接近 1,说明系统只是把工作搬了个位置;比值接近 0,说明系统真的在做归纳。


六、批量交互的五种拓扑与选择矩阵

有了好的待办,还要选对交互拓扑。下面是五种在实践中被验证的形态,它们不是"选项菜单",而是按风险路由的结果。

拓扑

形态

一次决策覆盖

适用

风险

① 逐条确认 per-item

一条一条看

1 行

高金额、跨期、关联方、不可逆

成本最高

② 按簇确认 per-cluster

看簇摘要 + 样本,整簇通过

N 行

中等不确定性、同质性强

中

③ 按规则确认 per-rule

确认/修改候选规则,系统重跑全量

N 行 × 未来所有同类

主力通道

中(需回归集)

④ 差异审批 diff-approve

只看"规则变更前后"的增量差异

本次规则变更的全部影响

规则版本升级

低(可视)

⑤ 例外外置 exception-only

正常不打扰,ρ 超阈值才拉起

全批

L3/L4 监督态

低(需审计兜底)

6.1 选择矩阵:按三个维度路由,不按分页路由

很多系统按"每页 20 条"分页让人确认——这是以 UI 为中心的分页,不是以风险为中心的分页。正确的路由维度是:

代码语言:javascript
复制
不可逆性 × 金额量级 × 不确定性(置信度)

不可逆

金额

置信度

路由

高(直接入总账、无法冲销)

大

任意

① 逐条确认

低(生成草稿、可回滚)

中

低

② 按簇确认

低

任意

中

③ 按规则确认

—

—

规则变更本身

④ 差异审批

低

任意

高

⑤ 例外外置(静默通过 + 抽样)

这套路由直接对应 2026 年 CSA 自治分级框架里"按风险设定自治上限"的做法,也对应 Horvitz 的效用权衡。

6.2 两个必须配的机制

机制一:撤销与快照。 批量操作必须配"一键回滚到本批处理前"。没有这个,人不敢批量确认——所有批量交互最终都会退化成逐条确认。

机制二:推送节奏控制(pull vs push)。 "待办找人"比"人找待办"高效,但过度推送会制造新的注意力噪音。经验阈值:单个用户的待办队列长度超过 ~15 条时,应该自动聚合为"summary 待办",而不是继续追加。这正是 Google 观察到的"Agent 被 TODO 债务拖垮"的镜像问题。


七、多 Agent 分工与协作契约

7.1 角色分离:不是"多个 Agent 抢活",而是"不同认知任务分给不同角色"

Anthropic 在《Building Effective AI Agents》里把编排模式收敛成几种:prompt chaining、routing、parallelization、orchestrator-workers、evaluator-optimizer。其中 evaluator-optimizer 的核心洞察值得单独引用:生成和评估是两种不同的认知任务,分开才能各自专精——生成者专注于产出,评估者专注于一致地应用质量标准。

在凭证收敛循环里,我们对应出四个角色 + 一个人:

角色

职责

对应模式

Executor(执行者)

按规则库生成凭证分录

—

Auditor(审计者)

独立视角复核结果(借贷平衡、科目合理性、辅助核算完整性、异常金额)

evaluator-optimizer 的 evaluator

Inducer(归纳者)

读差异集 + 证据,产出候选规则增量 + 影响面估算

—

Orchestrator(编排者)

聚类、排优先级、生成待办、选择交互拓扑、控制节奏

orchestrator-workers

Human(裁决者)

只对"规则增量"做决策

oracle

最关键的一条纪律:Inducer 必须与 Executor 分离。 如果让同一个 Agent 既生成结果又总结"我为什么错",它会系统性地把自己的偏差合理化,产出的规则会强化错误而不是修正错误。这和 OpenCodeReview 2026 提出的"用确定性规则否决不确定输出"是同一类思路——用独立视角做否决,比用同一视角做自我反省可靠。

7.2 A2A 与 P2A 的分界

多 Agent 协作里最容易模糊的是:什么该走机器通道,什么必须走人。

通道

传什么

不传什么

A2A(Agent-to-Agent)

任务、产物、状态、引用(VFS 路径)、结构化错误

决策依据、责任归属、不可逆动作

P2A(Person-to-Agent)

决策、规则增量、否决、授权、例外裁决

全量数据(给证据包即可)

一条硬规则:A2A 不允许无头推进"需要人担责"的节点。 在月结/A2A 的实践里我们明确划了这条线——A2A 只做"启动 + 状态回填",HUMAN 门必须由人过,否则会出现"责任真空":流程走完了,但没有人对结果负责。

7.3 决策契约的最小字段集

要把 P2A 做成工程而不是聊天,每个待办背后必须是一个结构化决策对象。最小集:

代码语言:javascript
复制
{
  "decisionId": "d-202611-0031",
  "clusterKey": "supplier_unmatched:中国联合网络通信*",
  "kind": "RULE_DELTA",              // 值修正 / 规则修正 / 模板修正 / 新能力
  "proposal": {
    "rule": "对方户名 ~ '*联通*' AND 摘要 ~ '*回款*' -> 科目 1122",
    "layer": "L-c"
  },
  "evidence": {
    "samples": ["row#1182", "row#2077", "row#2333"],
    "counterExample": "row#1904",
    "matchedRule": null,
    "reason": "NO_RULE_MATCH"
  },
  "impact": { "rows": 37, "amount": 1284300.00, "ratio": 0.0154 },
  "confidence": 0.72,
  "reversibility": { "undoable": true, "snapshotId": "snap-1120-03" },
  "regression": { "checked": true, "regressed": 0 }
}

有了这个对象,"批量交互"才可能实现——因为批量 = 对同一类决策对象的一次集体裁决,而不是"勾选一堆行然后点确定"。后者没有语义,前者可以回溯、可以版本化、可以复用到下一批。


八、度量:把"趋于完全自动化"变成一条曲线

"趋于完全自动化"如果不可度量,就只是一句愿景。建议用下面这组指标把它变成可观测的曲线。

8.1 主指标

指标

定义

目标方向

ρ 人工介入率

需人工决策的条目 / 总条目

↓ 单调下降

T_touch 单次决策耗时

从打开待办到提交决策的中位时长

↓

C 规则覆盖率

被规则自动处理且通过审计的条目 / 总条目

↑

Escalation 升级率

被提升为逐条确认的比例

↓(但不为 0)

Regression 回归率

规则增量导致已正确样本变错的比例

≈ 0

Audit Find 审计发现率

抽样审计发现真实错误的比例

↓

Rule Debt 规则债

未沉淀的重复修正模式数量

→ 0

Rule Debt 是本文建议新增的指标:同一类修正如果连续 3 批都靠人工,就记 1 条"规则债"。它是"人工介入率降不下来"的先行指标——ρ 可能因为批次变小而看起来在降,但规则债在涨,说明系统其实没在学习。

8.2 收敛曲线的三段

代码语言:javascript
复制
ρ
1.0 ┤■■■
    │   ■■■
0.6 ┤      ■■■
    │         ■■■■
0.3 ┤             ■■■■■■■
    │                    ■■■■■■■■■■■■■■■■■
0.1 ┤                                    ■■■■■■■■■■■■■■■■■■■■■
    └──────────────────────────────────────────────────────────→ 批次
      L1 建立基线    L2 陡降期        L3 长尾期
  • L1 建立基线:ρ ≈ 1(全人工对照),目的是产出"什么算错"的定义。
  • L2 陡降期:规则快速泛化,ρ 快速下降。这一期要盯 Regression,别为了降 ρ 而牺牲正确性。
  • L3 长尾期:剩下的都是杂例。继续加规则会边际收益递减且规则库腐化,应该切换策略——主数据治理 + 规则模板化 + 接受一定比例的永久人工。

接受"ρ 不为 0"是成熟标志。 强行追求 0 会导致规则过拟合和隐藏错误,比留 2% 人工更危险。

8.3 安全阀

自动化程度必须可降级:

  • ρ 连续 N 批回升超过阈值 → 自动降级到 L2(多出例外、少静默通过)
  • 审计发现率突增 → 冻结规则库变更,回滚到上一个稳定版本
  • 输入分布漂移检测(新供应商、新摘要模式比例超阈值)→ 提示"需要重新建立基线"

这三条让"自动化"成为一个带反馈的闭环,而不是一次性上线后失控的开关。


九、反模式清单

按危害排序,每条都对应一个具体的失败机制。

#

反模式

为什么错

正确做法

1

修正停在数据层

下一批同类数据照样错,ρ 不降

强制 rule-delta confirmation

2

待办 = 异常列表

待办数 ≈ 异常数,注意力被打散

聚类后一个簇一个待办

3

按分页做批量确认

无语义的批量,无法回溯与复用

按"规则作用域"分组

4

执行者与归纳者是同一个 Agent

自我合理化,错误被强化

角色分离 + 独立视角否决

5

没有回归集

规则泛化后静默改坏已正确的数据

每轮必跑 D_reg

6

追求 ρ = 0

规则过拟合,隐藏错误比显性人工更危险

允许 2–5% 永久人工

7

A2A 无头推进 HUMAN 门

责任真空,出问题无人担责

A2A 只做启动+状态回填

8

只存规则不存案例

无法审计、无法回放、无法再归纳

情景记忆 + 语义记忆双层


十、论题总结:五条主张

主张一:P2A 的本质是"规则收敛",不是"对话设计"

交互做得再顺滑,如果人的每次介入不改变系统的处理逻辑,人工介入率就不会下降。衡量 P2A 系统好坏的第一指标是 ρ 的下降斜率,不是对话轮次或满意度。

主张二:人的每一次介入,必须产出"规则增量"

这是全篇最硬的一条。值修正、规则修正、模板修正、新增能力——四类修正要走不同的沉淀通道,但**都不能停留在"这条数据改对了"**。只改数据的交互,是给系统记账,不是给系统学习。

主张三:待办的粒度是"一次决策",不是"一条数据"

待办数应当约等于"聚类簇数 + 强制人工项",远小于异常行数。用 待办数 / 异常数 这个比值可以直接诊断系统是在"归纳"还是在"搬运"。

主张四:批量交互按风险路由,不按条数分页

不可逆性 × 金额 × 置信度 决定交互拓扑(逐条 / 按簇 / 按规则 / 差异审批 / 例外外置)。批量操作必须配撤销与快照,否则会退化。

主张五:自动化程度必须可度量、可回退、可降级

用 ρ、Coverage、Regression、Rule Debt 组成收敛曲线;用"ρ 回升 / 审计发现率突增 / 分布漂移"三个信号触发自动降级。**"趋于完全自动化"是一个受控的收敛过程,不是一个可以被声明的状态。**


一句话版本

在 Agent 数量远超人类的时代,人机协作的效率不取决于 Agent 多聪明,也不取决于界面多顺手, 而取决于系统能不能把人做的每一次判断,压缩成一条可以作用于未来的规则。 做到这一点,人工介入率会自己往下走;做不到,再多的 Agent 也只是把工作量换了个地方堆放。


参考与出处

人机协作与注意力瓶颈

规则归纳与数据转换

自动化分级与交互原则

多 Agent 编排与规则内化

行业实践参照

© 2026 ooderAgent · 财务域 Agent 工程实践系列

原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。

如有侵权,请联系 cloudcommunity@tencent.com 删除。

目录
  • 人机收敛论:以数据为中心的 P2A 协作工程方法
    • ——从凭证自动化的"规则固化循环"谈起
    • 目录
    • 一、论题的提出:瓶颈已经从"智能"转移到"注意力"
      • 1.1 三个已经在发生的事实
      • 1.2 三个结构性矛盾
      • 1.3 重新定义问题
    • 二、理论坐标系:六个可以站住的支撑点
      • 2.1 编程示例(Programming by Example, PBE)
      • 2.2 主动学习 / 不确定性采样
      • 2.3 自动化分级(Levels of Automation)
      • 2.4 混合主动式交互(Mixed-Initiative)
      • 2.5 例外作为治理层(Exception-as-Governance)
      • 2.6 从"提示工程"到"规则内化"
    • 三、核心模型:规则收敛循环(RCL)
      • 3.1 形式化
      • 3.2 三个必须写进工程约束的条件
      • 3.3 为什么 ρ 会下降——一个直觉
    • 四、实战:凭证自动化的四阶演进
      • 4.1 场景与既有骨架
      • 4.2 规则的五层分层("能用代码固化的就不要用模型")
      • 4.3 四阶演进表
      • 4.4 一个具体的循环实例
    • 五、AI 如何"总结形成待办"
      • 5.1 四步生成法:聚类 → 归因 → 提议 → 证据包
      • 5.2 证据包:让人"看最小的、足以改变决策的那部分"
      • 5.3 待办粒度的数学
    • 六、批量交互的五种拓扑与选择矩阵
      • 6.1 选择矩阵:按三个维度路由,不按分页路由
      • 6.2 两个必须配的机制
    • 七、多 Agent 分工与协作契约
      • 7.1 角色分离:不是"多个 Agent 抢活",而是"不同认知任务分给不同角色"
      • 7.2 A2A 与 P2A 的分界
      • 7.3 决策契约的最小字段集
    • 八、度量:把"趋于完全自动化"变成一条曲线
      • 8.1 主指标
      • 8.2 收敛曲线的三段
      • 8.3 安全阀
    • 九、反模式清单
    • 十、论题总结:五条主张
      • 主张一:P2A 的本质是"规则收敛",不是"对话设计"
      • 主张二:人的每一次介入,必须产出"规则增量"
      • 主张三:待办的粒度是"一次决策",不是"一条数据"
      • 主张四:批量交互按风险路由,不按条数分页
      • 主张五:自动化程度必须可度量、可回退、可降级
      • 一句话版本
    • 参考与出处
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档