Agent 前几轮能对上需求、跑着跑着方向就偏了，通常不是模型能力在某一轮突然下降，而是任务描述里没有可判断的完成条件——每多跑一轮，模型就多补一次自己的理解。判断顺序建议是：先查任务描述里的验收标准，再考虑改提示词或调流程。验收标准是可以逐条核对、能被复现的东西；提示词调整往往只是把偏移往后推了几轮。

适用于 Agent 首轮输出基本符合预期、后续轮次逐步偏离的情况。操作动作：把输出按轮次编号，定位第一条与需求不符的句子；回到任务描述逐句判断能否用数量、格式、字段核对，把无法核对的要求改写成可勾选条目；用同一批输入重跑并比对两版输出。验证方式就是两版输出逐条对照，看偏移条目是否减少、有没有新增越界内容。风险边界：验收条目只能收敛方向，涉及主观取舍的部分仍需人工确认。

在跑偏的那一轮输出里找出第一个对不上的句子

先不要通读整段输出后说“感觉不对”。把会话记录导出，给每条消息加上轮次编号，再把它拆成句子或条目，逐条对照任务要求，标出第一条与需求不符的内容，并记下它出现在第几轮。第一条不符的句子就是偏移起点，在它之前的输出通常是可用的。

导出和编号可以先做最小处理，例如把会话记录转成一行一句再比对：

awk 'NR==FNR{a[NR]=$0;next}{printf "R%d\t%s\n", FNR, $0}' task.md session.log

记录至少包含四项：轮次、原始句子、对应的任务要求、违反的具体点是数量、格式还是字段。只写到“内容不符”是没用的，因为下一步要判断的正是这句话违反了哪条要求。如果任务描述本身没有对应条目，说明偏移可能从第一轮就埋下了，需要回到第二节处理。

回到任务描述，标出没有可判断完成条件的要求

把任务描述逐句拆开，对每一句问三个问题：这条要求能用数量核对吗？能用格式核对吗？能指定必须出现的字段吗？三个都答不上的句子，就是模型自由发挥的空间。

• 「整理一份调研报告」——数量、格式、字段都没有，无法核对。
• 「整理一份调研报告，输出 Markdown，含 3 个二级小节」——数量与格式可核对。
• 「结论要有依据」——不可核对；「每节末尾列出引用来源字段」——字段可核对。
• 「不要写得太长」——不可核对；「正文不超过 200 字」——数量可核对。

把无法核对的部分单独列成一张表，标清楚哪些是必须保留的意图、哪些只是措辞含糊。如果偏移句落在不可核对的要求上，通常可以判断这是描述问题，而不是模型或流程问题；此时改流程、加更多轮次都只会让偏移范围扩大。

把验收标准改写成可勾选的条目

改写目标不是把任务描述写长，而是让每条要求都能被直接判对错。下面是一份通用配置骨架，占位符按实际任务替换，可以放在任务描述末尾，也可以放在单独的 acceptance 配置里：

task: <任务名>
goal: <一句话目标>
deliverable:
  format: markdown
  sections: 3            # 数量
  fields: [标题, 结论, 待确认项]   # 字段
acceptance:
  - id: A1
    check: 二级标题个数
    expect: "== 3"
    on_fail: retry_once
  - id: A2
    check: 每节正文字数
    expect: "<= 200"
    on_fail: trim_and_flag
  - id: A3
    check: 每节是否包含「待确认项」字段
    expect: "present"
    on_fail: mark_manual

三条硬要求：每条带数量、格式、字段中的至少一项；未达标时的处理方式写清楚，常见取值是重跑一次、截断并标记、停止并转人工；占位符必须是可替换的实体名，不要留“合适的长度”这类词。处理方式建议按严重程度分级，格式类可以自动重跑，涉及事实和结论类的不建议自动改写，标记后交人工判断更稳妥。

用同一批输入重跑并比对两版输出

改完描述后，用原来那批输入重跑，不要换输入，否则无法判断是验收标准起了作用还是输入本身变了。把两版输出放在一起逐条比对，记录三类内容：两版都不符的条目、新版新增的越界内容、仍然需要人工补的部分。

• 旧版第 4 轮出现无依据的结论，新版该轮只输出待确认项 —— 偏移条目减少，方向收敛。
• 新版按 3 个小节输出，但第 2 节超出字数上限 —— 数量约束生效，长度约束未生效，需要检查该条 on_fail 是否配了处理动作。
• 新版新增了任务里没要求的背景段落 —— 越界内容，通常是任务描述里存在没有对应条目的自由表述。

比对时建议保留轮次编号，只看最终结果容易漏掉中间轮次的偏移。若新版仍然在相近轮次开始偏离，且偏离点对应同一条不可核对的要求，说明该条还没有真正改写，需要回到上一节重新处理。

把稳定的验收条目沉淀成模板复用

重跑几批任务后，把反复要用、且与具体任务无关的条目抽出来，形成通用清单，下次只填任务相关信息。

• 输出格式固定为 Markdown 或 JSON，可跨任务沿用。
• 章节或字段数量上限，可跨任务沿用。
• 每节必须出现的字段名（结论、依据、待确认项），可跨任务沿用。
• 超出数量或字段缺失时的处理动作，可跨任务沿用。
• 具体章节标题、业务口径、数据范围，与任务强相关，每次需要单独填写。

模板建议保留一份可勾选版本，交付前逐条打勾，未勾选项写清是重跑还是转人工。这样每次描述任务的成本会降下来，同时偏移定位也有了固定参照物：出现问题时先看是哪条验收条目没通过，再决定是改描述还是改处理动作。