AI agent 的 human-in-the-loop，大多数只是形式上的监督。系统以 agent 为中心，把海量复杂信息抛给人类审批，监督者疲劳、技能退化、过度依赖，最后只是在批准自己没真正审查过的东西。

作者 Cloris 给出的判断很直接：没有认知支架的 human-in-the-loop，最终只是把人推出那个 loop。问题不在人不够认真，而在监督这件事本身没有被设计。

她列了五条提升监督效率的实操建议，逐条看：

  1. 预承诺：在查看 AI 建议之前，先自己写下判断，避免被 AI 的建议先入为主带着走。
  2. 批量 diff 审查：把相关操作打包成对比清单一起审查，而不是逐个点同意。
  3. 有界自主：预先规定哪些小事 AI 可以直接执行，哪些必须由人类批复。
  4. 关键节点强制思考探针：在重要决策时弹出问题，迫使监督者先思考再决定。
  5. 休息轮岗与技能维护：强制休息、岗位轮换，并定期亲自完成任务以保持技能。

这五条的共同点，是把"人要不要看"变成"人怎么看"。逐个点同意之所以让人麻木，是因为每一次点击都不需要判断力；而预承诺、批量 diff、思考探针，都是在审批动作里重新塞回判断的成本。

有界自主解决的是另一头的问题：如果所有事都等人批复，人就成了瓶颈，疲劳是必然结果。提前划清哪些小事 AI 可以直接做，等于把人的注意力留给真正需要判断的节点。

最后一条容易被忽略。定期亲自完成任务以保持技能，听起来像老生常谈，但放在 agent 长期代劳的场景里，它决定了监督者还有没有能力看出问题。技能退化之后，审批就只剩形式。

这套建议没有涉及具体工具或产品，讲的是流程设计。对正在把 agent 接进工作流的团队来说，值得先问一句：现在的 loop 里，人到底在做什么。