停止浪费Token：自我改进为何需要领域专业知识先行 - Annabell Schäfer, Langfuse

在 AI 工程实践中，自动改进循环（auto-improvement loops）常被寄予厚望，但 Langfuse 的 Annabell Schäfer 指出，盲目追求自动化可能导致大量 Token 浪费。她基于论文分类任务的真实数据集实验，揭示了成功的关键：领域专业知识必须先行。

实验针对一个足够窄且可精确测量的任务——论文分类，这是少数具有清晰目标函数的场景之一。Schäfer 强调，任务特异性（task specificity）和目标函数质量（target function quality）是自动改进生效的前提。没有领域专家提供的精准定义，系统容易在无关方向上迭代，消耗算力却无实质提升。

她进一步提出，最有效的路径并非完全自动化，而是领域专家与自动化系统之间的智能交接。专家负责定义问题、设定评估标准并处理边缘案例，自动化则负责大规模执行和优化。这种协作模式能最大化效率，避免 AI 在模糊目标下“空转”。

对于中文 AI 读者，这一观点极具现实意义。当前许多团队急于部署“自我改进”Agent，却忽略了底层任务定义的质量。Schäfer 的分享提醒我们：在投入 Token 之前，先确保领域知识已嵌入系统设计。Langfuse 作为开源 AI 可观测性平台，其工程实践为这一理念提供了可参考的案例。