欢迎来到第八课！在上一节课中，我们详细讲解了如何定义 Agent（智能体），完成了“定人”的步骤。有了优秀的数字员工，接下来就需要给他们派发明确的工作了。这节课，我们将深入探讨多智能体协作的第二步：定义 Task（任务）。

一、 认知原点——一切 AI 应用皆为“Task”

我们需要建立一个基础认知：一切的 AI 应用，本质上都是在执行任务。

无论是传统的 Chatbot、智能客服，还是复杂的数据分析 Agent，其底层逻辑都包含以下三个核心环节：

1. 输入（Input）：用户的原始诉求或系统的定时触发事件。

2. 执行过程：Agent 思考、调用工具、交互协作的中间环节。

3. 输出（Output/ 交付物）：经过执行后，必须产出一个明确的结果。这个结果可能是一段对话回复、一份结构化的 Markdown 报告、一个 PPT 文件，或者是在业务系统中提交的一系列操作。

未来我们在做 AI 应用评测时，最核心的依据也就是对比这“输入”和“产出”是否匹配预期的标准。

二、 拆解心法——火车轨道 vs 里程碑

在定义任务时，开发者最容易陷入传统编程的惯性思维，这就引出了我们这节课的核心心法：任务定义终点，而非路径。

• 火车轨道（传统工作流）：像铺设铁轨一样，事无巨细地规定 Agent 第一步必须做什么、第二步必须怎么做。在面对充满不确定性的复杂场景时，一旦中途出现意外状况，“火车”就会彻底脱轨崩溃。

• 里程碑（最佳实践）：我们应该像设定里程碑一样去定义 Task。明确告诉 Agent 当前阶段需要交付什么成果，至于中间它怎么搜索、怎么调整策略，完全交由大模型自主决策。结构化的交付标准就是最好的里程碑。