Replit Missions 把宏大的设计目标拆成计划,交给智能体集群连续工作数小时甚至数天。产品团队的 Samuel 与 Carmah 用 Replit Slides 做了一次完整演示:给出明确目标、评审表、预算和受控约束,剩下的交给集群。
集群的工作流分几步走:先研究设计原则,再生成概念,接着优化 AI 工具,最后让独立 AI 评判员给输出结果打分。表现不佳的方法会被自动放弃,不占用后续资源。
这套机制跑完的结果是六轮迭代,设计得分提升 20%,总支出不足 500 美元。
几个关键设定值得注意:
- 目标是明确的,不是开放式探索
- 评审表事先给定,评判标准不靠模型自由发挥
- 预算和约束受控,集群在边界内迭代
- 评判由独立 AI 评判员完成,与生成环节分离
从算力视角看,这类任务的特点是把成本压在可控区间内:六轮迭代、不足 500 美元的支出,对应的是集群反复生成、评分、淘汰的循环。设计得分的提升来自迭代次数和淘汰机制,而不是单次生成的质量。
热门跟贴