在 AgentGPT 中設計結構化目標提示詞與執行約束以防止智能體任務漂移

自主 AI 智能體（Autonomous Agents）的核心價值在於能將高階目標自主拆解為子任務並持續推進。然而，在實際部署與運作中，智能體極易出現任務漂移（Task Drift）——脫離原始核心任務，陷入枝微末節的技術盲點、無休止的任務衍生迴圈或無關的工具調用。在 AgentGPT 的遞迴機制下（規劃、分析、執行、依據結果生成新任務），若缺乏嚴格的提示詞邊界與執行期硬約束，任務漂移往往是系統演進的必然結果。

要徹底解決任務漂移，開發者與工作流程設計師必須建立「雙層控制模型」：在提示詞層面透過結構化目標提示詞（Structured Goal Prompts）明確範疇邊界與終止條件，在執行期與架構層面施加確定性執行約束（Execution Constraints），包含迴圈上限截斷、低隨機性參數、模型選型與工具權限隔離。

AgentGPT 任務漂移的底層機制剖析

AgentGPT 的核心架構結合了 FastAPI 後端與 Next.js 前端，其任務循環流程清楚揭示了任務漂移的根源：

1. 初始任務拆解（/start）：使用者在介面設定 Goal 後，後端調用 start_goal_prompt，利用 Plan-and-Solve 提示詞策略生成最初的 1 至 5 個搜尋查詢或子任務。
2. 任務分析與執行（/analyze 與 /execute）：系統透過 analyze_task_prompt 選取工具（如搜尋、程式碼執行或內部檢索），隨後調用 execute_task_prompt 執行該任務。AgentGPT 的系統提示詞包含一條核心指示：“When confronted with choices, make a decision yourself with reasoning.”（面對選擇時，自行推理並做出決定）。在缺乏前置邊界時，模型極易挑選發散且具臆測性的路徑。
3. 遞迴任務衍生（/create）：這是漂移最集中的爆發點。每完成一個步驟，後端將原始目標 {goal}、剩餘任務 {tasks}、上一任務 {lastTask} 及其實際執行結果 {result} 一併送入 create_tasks_prompt，要求模型*“基於上述結果建立一個新任務，使目標更接近達成”*。
4. 馬可夫式上下文漂移（Markovian Drift）：若中間產生的 {result} 包含意外的技術術語、偶發錯誤或次要線索，語言模型極易被這個即時結果牽引，繞著局部細節生成新的衍生任務。連續迭代 4 到 6 輪後，智能體的關注焦點早已完全偏離初始 {goal}，轉而去研究爬蟲腳本撰寫、環境套件安裝或邊緣背景資訊。
5. 缺乏明確的終止機制：雖然提示詞中包含 “若無更多任務需處理則返回空值” 的規則，但自回歸生成模型天生具備持續輸出的傾向。只要使用者未在目標中定義明確的「完成標準（Definition of Done）」，模型就會持續衍生新任務，直到觸及系統設定的迴圈上限。

1. 結構化目標提示詞設計

由於 AgentGPT 使用者介面僅提供一個單一的 Goal 輸入框，工作流程設計師必須將所有運作邊界與執行規範直接封裝進該提示詞中。諸如「研究競品定價並產出市場分析」這類模糊陳述，幾乎必然導致漂移。

高穩定性的防漂移目標提示詞應採用五要素結構化框架：

[角色定位 / ROLE]
你是一名專注於確定性事實整合的商業市場研究分析師。

[核心目標 / OBJECTIVE]
完整獲取 Product A、Product B 與 Product C 目前公開的訂閱定價階梯、授權席位門檻與企業級折扣模式。

[範圍邊界與反目標 / SCOPE & ANTI-GOALS]
- 涵蓋範圍（IN-SCOPE）：官方網站已公開之價目表、版本功能對照表、按月／按年計費週期。
- 嚴格禁止事項（OUT-OF-SCOPE / 絕不執行）：
  * 嚴禁建立任何編寫爬蟲、API 腳本或 Python 工具的任務。
  * 嚴禁深入調查企業創辦人背景、融資歷史或品牌行銷文章。
  * 嚴禁擴大分析 Product A、B、C 以外的任何第三方競品。
  * 若目標頁面無法正常載入，直接記錄「價格無法取得」並立即進行下一個產品，嚴禁排除網路障礙。

[分階段線性執行指令 / PHASED EXECUTION]
嚴格按照以下三個線性階段推進任務，不得橫向擴散：
- 階段 1：檢索並記錄 Product A 的標準定價數據。
- 階段 2：檢索並記錄 Product B 與 Product C 的標準定價數據。
- 階段 3：整合所得結果，產出最終比較表格。
除此三個階段外，嚴禁建立任何探索性額外任務。

[完成標準與終止觸發器 / DEFINITION OF DONE]
當三款產品的定價比對矩陣整理完畢時，本目標即告完成。一旦產生最終 Markdown 報告，嚴禁衍生任何新任務，立即返回空值結束執行。

[交付物格式規範 / DELIVERABLE FORMAT]
使用 Markdown 表格呈現，欄位為：[產品名稱 | 版本階梯 | 月繳價格 | 年繳折算價格 | 核心權益限制]，文末附帶 150 字以內的管理階層重點結論摘要。

防漂移提示詞核心要點

• 定義反目標（Anti-Goals）：明確禁止特定行為（例如撰寫程式碼或除錯），其約束力通常大於單純說明「應當做什麼」。防堵技術細節發散，能確保智能體專注於資訊彙整。
• 線性階段約束：將探索性的網狀思考收束為單一線性軌道，消除任務衍生樹的無窮分支。
• 確定性交付依據：以具體交付產物作為停止信號，有效克制 create_tasks_prompt 固有的擴寫衝動。

2. 確定性執行約束設定

提示詞屬於「軟約束」，當多輪對話上下文逐漸累積時，機率模型仍有可能淡忘指令。因此必須仰賴 AgentGPT 系統層級與執行環境的「硬約束」建立防護網。

1. 限制執行迴圈次數（max_loops）

在 AgentGPT 的開源設定檔 .env.example 中，預設上限通常為 NEXT_PUBLIC_MAX_LOOPS="100"。對自主智能體開放 100 次循環極其危險，不僅快速耗盡 Token 額度，更會在失控時加劇漂移程度。

• 正式環境建議：在高級設定或 API 請求中，將最大迴圈次數限制在 4 至 8 次。
• 一個粒度適當的任務應在 5 到 7 步內收斂。若執行 8 次仍無法產出結論，代表任務範圍過廣，必須拆分成多個獨立智能體分別處理。

2. 調降溫度參數（Temperature）

AgentGPT 在填入自訂 OpenAI API Key 後，允許調整模型溫度（Temperature）。

• 預設值：通常介於 0.7 至 0.9 之間以維持多樣性。
• 正式環境建議：將 Temperature 調降至 0.0 ～ 0.2。
• 極低的隨機性有助於保持子任務生成的高度一致性與收斂性，嚴格遵循目標提示詞中的限制；高隨機性則會顯著增加衍生無關任務的機率。

3. 底層模型選擇：優先採用強推理模型

在 AgentGPT 中可指定底層模型（例如 GPT-3.5 與 GPT-4）：

• GPT-3.5 系列：在長鏈條推理中對負向約束的記憶較差，迭代 2 至 3 輪後往往會忽略反目標，容易被搜尋結果中的干擾詞彙引偏。
• GPT-4 系列：具備優異的指令遵循與上下文掌控能力，能精確維持反目標邊界，並在達成完成條件時果斷停止。

4. 隔離工具調用權限

AgentGPT 的工具模組定義於 reworkd_platform/web/api/agent/tools/tools.py（包含 Search、Code、SID 等）。

• 若給予了程式碼執行工具（Code Tool），資訊檢索型智能體一旦遭遇網頁資料剖析失敗，容易自作主張衍生出「編寫 Python 程式碼爬取頁面」的子任務，進而陷入套件相依性錯誤的泥沼。
• 透過在環境變數中停用無關工具，或在 /analyze API 請求中限制 tool_names 清單，確保智能體的行動空間僅限於搜尋與文本整理。

3. 工作流程架構升級：單體智能體轉向微型智能體管線

企圖在單一 AgentGPT 會話中處理完整的端到端業務，是引發任務漂移的重要架構主因。隨著上下文窗口被大量搜尋片段與中間過程填滿，初始目標的影響力會大幅削弱。

設計師應改採**微型智能體管線（Micro-Agent Pipeline）**模式：

[原始業務需求]
     │
     ▼
┌──────────────────────────────────────────────┐
│ 智能體 1：資料蒐集（僅掛載 Search 工具）       │
│ - 執行約束：Max Loops = 4, Temperature = 0.1 │
│ - 核心目標：僅擷取 A、B、C 產品官方原始定價    │
└──────────────────────────────────────────────┘
     │ 原始純文字資料
     ▼
┌──────────────────────────────────────────────┐
│ 智能體 2：資料清洗與結構化（無外部工具）       │
│ - 執行約束：Max Loops = 2, 純文字處理          │
│ - 核心目標：過濾雜訊，產出標準化 JSON 格式      │
└──────────────────────────────────────────────┘
     │ 結構化 JSON 數據
     ▼
┌──────────────────────────────────────────────┐
│ 智能體 3：報告產出智能體（調用 /summarize 單步）│
│ - 執行約束：單次執行，無遞迴循環               │
│ - 核心目標：將 JSON 渲染為最終比較表格與報告   │
└──────────────────────────────────────────────┘

每個微型智能體的職責單一、動作空間受限，徹底切斷跨階段發散的空間。

4. 針對私有化部署 AgentGPT 的原始碼級硬防護

對於在自有伺服器透過 Docker 運行 AgentGPT 的團隊，可直接修改 platform/reworkd_platform/web/api/agent/ 內的後端邏輯進行防護加固：

1. 強化 create_tasks_prompt（位於 prompts.py）： 在系統範本中加入硬性約束，要求大語言模型在核心目標達成時強制停止：

   create_tasks_prompt = PromptTemplate(
       template="""You are an AI task creation agent. Objective: `{goal}`.
   Incomplete tasks: `{tasks}`. Last task: `{lastTask}`. Result: `{result}`.
   
   Strict Rules:
   1. If the deliverable described in `{goal}` is already obtained, return NOTHING.
   2. Do NOT create tasks involving new software tools, scripting, or off-topic domains.
   3. Every new task must have a direct causal link to the completion of `{goal}`.
   If satisfied, respond with an empty string.""",
       input_variables=["goal", "language", "tasks", "lastTask", "result"],
   )
   

2. 在 API 路由層加入語意相似度檢驗（views.py）： 在 /create 接口收到新任務建議後，計算該任務與根目標 {goal} 之間的向量餘弦相似度（Cosine Similarity）。若低於預設門檻（如 0.65），則直接丟棄該任務，在 API 邊界徹底杜絕漂移。

控制策略對照矩陣

藉由將目標提示詞轉化為嚴格的規格合約，並配合無法逾越的執行期參數邊界，開發者即可將 AgentGPT 從難以預測的實驗工具，轉型為穩定可靠的企業自動化元件。

參考資料

• reworkd/AgentGPT: Assemble, configure, and deploy autonomous AI Agents in your browser
• AgentGPT README
• AgentGPT .env.example
• AgentGPT Backend Prompts (prompts.py)
• AgentGPT Backend API Views (views.py)
• AgentGPT Backend Tools (tools.py)