你的 AI 报价助手为什么越用越偏差？关键在反馈

我这一两个月跑客户，遇到好几家中小型印刷厂的老板问同一件事：去年引入的 AI 报价助手、自动回复 LINE 的客服机器人，当初试用时很惊艳，怎么用到现在感觉没进步，有时还越错越离谱

这个现象，最近一篇名为《Scaling Laws for Agent Harnesses via Effective Feedback Compute》的论文讲得很透彻，作者群是 Xuanliang Zhang 等人，原文我读的是 Wisely Chen 的中文整理

它直接量化了一件反直觉的事：你以为“多给算力、多挂工具、多跑几次”AI 就会变强，其实不然

论文用 raw tokens 和 tool calls 来解释任务成功率，相关系数 R² 只有：

・0.33 到

・0.42

翻译成印刷一线的白话：你把 AI 客服的对话记录开到最详细、把报价重算次数从一次增加到三次、再多串联两个数据库，这些“我做了很多事情”的动作，大概只能解释三四成的效果，剩下六成跟你投入多少资源无关

我把这个类比到带学徒。一个师傅让学徒一天印两百张练习稿，但印完从不挑毛病、不讲哪里套印不准，这学徒印一万张也还是那个水平。他不是变得更厉害了，他只是更累了

论文的核心概念叫 Effective Feedback Compute，简称 EFC。意思是：并非所有的互动都算数，只有“有效的反馈”才能让 AI 真正进步

它定义有效反馈要同时满足四个条件，我用印刷的场景一条条来对照：

・Informative（要有料）：反馈带来新信息。客户嫌报价贵，但没说贵在纸张还是后加工，这种就是废话反馈

・Valid（要正确）：反馈可信，不是噪声或瞎猜。业务员随口记下“这客户不在乎价格”，结果根本记反了，这种错误反馈喂进去比不喂更糟

・Non-redundant（不重复）：别把已经知道的再讲一遍。系统记了一百次“客户要 100 磅铜版”，其实没有新信息

・Retained（要被用上）：这条最狠。反馈真的进入到下一次决策了吗？业务员在群里说了正确判断，但没人整理进报价逻辑，那等于没说

最关键的数据在这里：论文做了一个对照实验，在算力预算完全不变的前提下，仅仅去提升反馈的质量，任务成功率就从 27% 提升到 90%

成本一分没多花，只是把反馈变有效，成功率翻了三倍多。重新换算后，解释力 R² 从：

・0.33 一口气冲到

・0.94 至

・0.99

这套说法，其实就是学习科学讲了几十年的“刻意练习”（deliberate practice）：反馈要具体、要正确、要进入下一次练习。练了不复盘、复盘了不改，等于白练。AI 和人一样吃这一套

知道原理之后，问题变成：在印务流程里，怎么把这个回路真正连接起来。我提供几个这周就能动手的做法

第一，先建一份“标准答案”对照表。找出过去半年最常报价的二三十种品类，骑马订画册、无线胶装书、贴纸、纸盒，把正确的料号、纸张、后加工、合理报价区间整理成一份 ground truth。AI 报的价跟这份对不上，你才有“对错信号”可以校正，否则它报偏了你也不知道

第二，每次 AI 出错都留记录，而且要记到根本原因。不是记“报错了”，是记“它把 250 磅卡纸算成 200 磅”“漏算了覆膜的费用”。这对应的就是 Informative 那条，要具体到能够付诸行动

第三，把失败案例定期回灌。每个月花一小时，拿这个月 AI 报偏、客服答错的案例，去修改它的提示词或规则。这一步才是 Retained，反馈有没有“闭合”就看这里。飘过去的对话记录不算数，被整理、被改进规则，它才算数

第四，每加一个功能，先过 EFC 第四条。想多串联一个工具、多开一个自动回复，先问自己：它会不会真的改变 AI 下一次的判断？如果不会，加了就是纯属烧钱、纯粹增加维护负担

对设计端也一样。如果你用 AI 辅助出图、改稿、写提案，客户每次的修改意见就是你的反馈信号。把“客户为什么退这一版”具体记下来，下次提案直接避开，你的命中率才会提升；只把退稿文件扔在一边、不归纳原因，改一百版也还在原地

有些厂商会推“AI 会记住你公司的习惯”这类记忆功能，听起来很美。但论文这里有个我很认同的提醒

记忆架构解决的是四条件里最难的第四条“retain”，但它“只”解决记得住，不会帮你过滤前三条对不对、重不重复

换句话说，如果你把错误的、重复的、噪声般的反馈也一股脑存进去，这些错误记忆会被反复调用，毒性比没记忆还要大。等于把“越错越离谱”从单次，放大成了永久

所以引入任何记忆功能，一定要配一道“写入阀门”：这条信息够有料、够可信、不重复吗？过了再存。对印刷厂来说，就是别让业务员随手记的、没查证的客户偏好，自动变成系统的“事实”

也要坦白讲，这篇论文不是万灵药。那个：

・0.94 到

・0.99 的上限，用的是事后才知道答案的理想信息（论文叫 Oracle-EFC），真实系统做不到，所以那是理论天花板，不是你明天就能拿到的数据。而“反馈有没有真的改变决策”这条，本身就很难判断。但即使打了这些折扣，核心方向我很买账

未来 AI 工具的竞争，不会是看谁挂的功能多、谁的对话框长，而是看谁能让每一次反馈都真正被用上。好的 AI 助手，不是让它多干活，而是像个好师傅，让它每走一步都真正学到东西

・多给 AI 算力与工具，只能解释三四成效果（R²：

・0.33

・0

・42)，剩下六成靠的是反馈质量

・算力不变、只把反馈变有效，成功率能从 27% 提升到 90%，差别在“练对”不在“练多”

・有效反馈要同时做到：有料、正确、不重复、被用上，缺少第四条等于白练

・AI 记忆功能只解决“记得住”，不会帮你过滤错误；没装写入阀门，错误记忆比没记忆更毒

・把 AI 报价、改稿的失败案例每月回灌一次，才是让它越跑越准的关键动作

对印刷厂和设计工作室，真正的启发不是“该不该引入 AI”，而是“引入后有没有设计复盘机制”。多数人卡在第一步就停了，把工具接上去当成终点。建议从一件小事开始：选择一个高频场景，例如画册报价或贴纸打样咨询，先建立一份包含三十项的标准答案表，再安排一个每月一小时的回灌时段，专门拿 AI 答错的案例去修改规则。这个回路跑顺了，再考虑上线记忆功能或扩大范围。对做整合服务的厂商而言，这也是一个与客户长期绑定的切口：你帮客户把反馈回路设计好，系统就会越用越贴合他的需求，而不是用半年就被嫌弃不准扔掉

・Agent 也需要“及时反馈”：Effective Feedback Compute 与 Agent 的 deliberate practice