與 探索引擎 合作是一種合作。 你要設定方向，定義什麼叫成功。 認知 負責執行。 這種合作的品質取決於你表達期望的清晰度以及你提供的結構程度。
本文將說明驗證需求如何影響 cognition 的行為表現、如何調整任務所需的詳細程度，以及入門時使用的基本共用工作階段模式。
驗證需求的角色
驗證要求是引導認知行為最重要的槓桿。 它們告訴認知如何判斷任務結果是否足夠好。 沒有它們，認知就沒有客觀標準。 有了良好的要求，認知能評估品質、拒絕不合格的結果，並反覆嘗試直到工作符合你的標準。
當驗證要求過於寬鬆時會發生什麼事
如果你的驗證要求模糊或缺失，認知往往會接受代理人產生的第一個結果。 任務的狀態很快就改為「完成」，但結果可能不符合你的實際期望。
寬鬆要求範例：
「給出一個好答案。」
認知無法評估在你的情境下「好」的意義。 Agent 的回應通過驗證，因為沒有具體標準可用來判定失敗。 你最後只能手動檢視結果來判斷品質，這違背了自主執行的初衷。
當驗證要求過於嚴格時會發生什麼事
如果你的驗證需求過於具體或要求精確度，而代理無法可靠地交付，認知系統會反覆嘗試該任務。 每次嘗試都會產生一個不完全通過的結果，導致多次執行循環。 最終，認知系統會將任務標記為「需要使用者注意」，因為它無法產生滿足所有需求的結果。
過於嚴格的要求範例：
「結果必須包含精確到 0.01 kcal/mol 的結合親和力值，並為每個預測提供實驗驗證參考。」
如果現有的工具或模型無法達到那種精確度，所有嘗試都無法通過驗證。 認知不斷嘗試不同的方法，消耗時間和計算資源卻沒有進展。
找到合適的平衡點
有效的驗證要求既具體到能區分好壞工作，又足夠彈性，讓有能力的代理人能達成。
撰寫驗證要求的指引：
- 說明結果應該包含什麼，而不是代理人應該如何產生。 「結果包含五種候選分子的溶解度預測」比「使用 Graphormer 工具預測溶解度」更好。
- 專注於可驗證的標準。 「分析涵蓋至少三種分子性質」是可驗證的。 「分析很徹底」這句話不正確。
- 將精確度與可達成的範圍相匹配。 如果你使用預測模型，驗證標準不需要實驗級的準確度。
- 對於複雜任務，運用多項需求。 將品質標準拆分成獨立要求，讓認知系統能報告哪些通過、哪些未通過。 這有助於你了解哪些方法有效，哪些需要調整。
- 根據結果反覆調整。 在審查完成任務後，針對類似未來任務的驗證要求進行細化。 隨著共享療程的進行，你對「足夠好」的理解也會逐漸演進。
範例：校準良好的驗證要求
任務：「使用Graphormer預測三種候選分子的溶解度與還原潛力」
驗證要求：
- 「結果包含了三種候選分子的預測。」
- 「每個預測都包含溶解度（logS）和還原勢值。」
- 「結果以結構化格式呈現，並附有分子識別碼。」
這些要求是具體的（三種分子都需具備性質，結構化），但可達成（不要求模型不支援的特定精度門檻）。
結構層級
您在工作中投入的結構多寡，決定了認知需要自行理解的程度。 可以把這看作是從高度自主性（你提供廣泛目標，認知處理一切）到高度結構化（你定義每個步驟，認知執行並驗證）之間的光譜。
沒有明確設定可以選擇信任等級或自主模式。 您透過設定共用工作階段的方式表達選擇。 如果你創造一個單一的廣泛任務，認知就會主導規劃與分解。 如果你創造多個任務和依賴關係，認知會跟隨你的結構。 您也可以從結構化開始，隨著信心增強而放鬆控制，或在認知方向不對時加強控制。
廣泛目標但結構簡約
你提供一個高階任務，並附上一般驗證要求。 Cognitive 會將其分解成子任務，選擇代理，並管理整個共享會話。
何時使用此方法：
- 你正在探索一個新的問題領域，還不知道正確的步驟
- 你想看認知會發現哪些方法
- 問題範圍廣泛，存在多條有效路徑
活動介紹：
- 認知會產生你沒明確定義的子任務
- 分解不一定符合您拆解工作的方式
- 早期任務的結果會指引認知接下來的嘗試
- 定期檢視，若認知朝無助益的方向發展，則重新調整方向
範例：
任務：「研究化合物X與目標蛋白Y的結合機制，並找出可能改善結合親和力的結構修飾。」
驗證：「分析識別出結合機制中至少三個關鍵交互作用」及「至少提出兩個結構修飾並有合理性。」
具有依賴性的結構化任務
你自己建立任務階層：主要階段的父任務、特定步驟的子任務、控制執行順序的相依關係，以及每個任務的詳細驗證要求。
何時使用此方法：
- 你知道所需的步驟，並希望確保它們被遵守
- 共用工作階段具有彼此相依的明確階段
- 你要指派特定的代理人去執行特定任務
- 每個步驟的品質都很重要，你希望在整個過程中都有驗證檢查點
活動介紹：
- 認知遵循你所定義的結構
- 任務會依照你指定的相依順序執行
- 驗證是在每個步驟中發生，而非僅在最後一刻
- Cognition 仍會在你設定的結構內處理代理程式執行、錯誤復原與重試。
- 如果任務驗證失敗，認知會在切換到相依任務前重試該任務
範例：
Parent: "Characterize target molecule and identify improved analogs"
Task 1: "Retrieve molecular structure from PubChem" (no dependencies)
Task 2: "Compute molecular properties using RDKit" (depends on Task 1)
Task 3: "Predict solubility using Graphormer" (depends on Task 1)
Task 4: "Rank candidates by combined criteria" (depends on Tasks 2 and 3)
每個任務都有其獨特的驗證要求。 任務2和任務3在任務1完成後並行執行。 任務四同時等待兩者。
混合式方法
實務上，大多數共用工作階段會使用混合方式。 你可以自己結構主要階段，但讓認知將特定階段分解成子任務。 或者你可以從廣泛開始，複習認知所產生的子任務，並在需要時加入結構。
這種方法通常是最有效的。 你帶來對正確整體結構的領域知識，而認知則負責每個階段的戰術執行。
開始使用：您的第一個共用工作階段
如果你是第一次使用 Discovery Engine，建議先進行一個簡單且有結構的共享會議，先熟悉認知的運作方式，再進一步進入更廣泛的目標。
步驟一：建立一個小型共享會議
從一個有2到4個明確步驟的專注目標開始。 這種方法讓你能看到完整的任務生命週期（新任務、執行中、驗證中、完成），而不必等待數小時的結果。
步驟二：撰寫具體的驗證要求
對於第一個共用工作階段，寧可偏向具體，而不是廣泛。 你想看到認知如何根據你的標準評估結果，這樣你才能理解驗證的運作方式。
步驟三：啟動發現引擎並觀察
觀察認知如何選擇代理、排序任務並處理驗證。 除非明顯有問題，否則不要介入。 這種方法能建立你對認知需要多少指引的直覺。
步驟四：檢視與調整
共享課程結束後，請回顧：
- 認知是否遵循你設定的任務結構？
- 驗證要求有效嗎？還是導致不必要的重試？
- 每項任務都有分配合適的代理人嗎？
用你學到的來校準下一次的共享課程。
隨時間調整信任
隨著你對 Discovery Engine 的經驗累積，你會逐漸了解不同類型的工作需要多少結構。 以下是一些需要注意的模式：
- 已充分了解且具已知步驟的共用工作階段，可受益於更完整的結構。 你知道路徑，那就定義它。 讓認知負責執行與驗證。
- 具有開放式目標的探索性研究受益於較少的結構。 給認知空間去探索並定期檢視。
- 混合式共享工作階段中，若某些階段已相當明確，而另一些階段仍在探索中，則適合採用混合式方法。 把你知道的系統化，不懂的就委派。
- 隨著你了解代理人和工具能提供什麼，驗證要求應該會變得更精確。 從一般開始，根據結果精進。