配置表单可以规定AI的人格，却未必能控制它的行为

许多 AI 创建工具正在沿用一套熟悉的界面：填写系统目的，设定角色与人格，选择沟通语气，补充必须遵守的规则，再用几个滑杆调整自信、透明、正式与坚定的程度。所有选项排列得清晰而完整，仿佛保存配置之后，一个符合预期的 AI 便已经建立起来。

这套界面延续了传统软件设置页的基本承诺：用户输入参数，系统据此形成确定状态。通知一旦关闭，就不应继续出现；权限被取消，相关操作便不能发生。设置项既是用户意图的表达，也是系统行为的保证。

生成式 AI 并不具备这种稳定的对应关系。用户写下的目的和规则，需要先被模型理解，再在不同问题、上下文和对话阶段中转化为具体回应。同一句要求可能在一个场景中得到遵守，换一种提问方式便逐渐失效。配置界面记录的只是创建者希望 AI 如何行动，并不能证明它会持续如此行动。

一项针对27位美国中学教师的研究，将这种落差放进了真实的 AI 创建过程。参与者通过一套无代码工具设计教学聊天机器人，可以填写教学目的与行为规则，设定人格和沟通方式，选择不同模型、上传课程材料，并在发布前测试机器人的回答。

教师借助这些字段表达了相当具体的教学判断。有的机器人只能提供提示，不能直接交付答案；有的需要根据学生的年龄和知识基础调整表达；有的负责纠正错误理解，同时避免代替学生完成思考。研究关注的并不是教师会不会填写表单，而是这些教学意图经过界面配置以后，能否稳定地出现在机器人的实际行为中。

经过人工校准的交互日志评估显示，不同配置维度的落实程度存在明显差异。AI 对用户问题作出相关回应的比例为88.9%，人格一致性为81.5%，规则遵循降至70.4%，对整体教学目的的符合程度只有59.3%。

这种差异揭示了一个容易被流畅对话遮蔽的问题。回应相关、语气自然、角色鲜明，主要体现的是一条回答在局部是否成立；教学目的则要求 AI 在连续交互中始终维持方向。一个机器人可以表现得像一位耐心的教师，也能准确回应学生提出的问题，却依然可能过早给出答案，偏离原本设定的教学策略。

由此，AI 创建工具面对的已不只是“配置项是否足够丰富”。它需要帮助用户跨越两段距离：先把抽象意图转化为模型能够执行的要求，再从不断变化的生成结果中判断这些要求是否真正生效。字段说明、示例和模板可以改善第一段转换，却无法代替后续的行为检验。

如果创建工具仍把“保存配置”当作流程终点，界面便会制造一种并不存在的确定性。用户看到所有字段均已填写，容易把“要求已经记录”理解为“行为已经得到控制”。对概率性系统而言，这两种状态必须被明确区分。

因此，未来的 Agent Builder 不能止步于一张更复杂的设置表。测试与诊断需要成为创建流程的主体，而不是藏在发布之前的附属预览中。系统可以主动生成正常请求、模糊表达、诱导越界和上下文变化等情境，检查人格、规则与目的是否仍然成立；当回答偏离配置时，还应指出未被落实的要求，而不是只把一段看似自然的对话交给用户自行判断。

同一套配置在不同模型中的表现也可能不同。创建工具需要允许用户并列比较结果，并把已经发现的失败案例保存下来。当模型、知识库或规则发生变化时，这些案例可以重新运行，检查原本成立的行为是否被后续修改破坏。配置由此不再是一次填写，而成为持续验证的对象。

这也改变了 UI 设计师在此类产品中的工作。设计对象不再只是字段、分组和滑杆，而是一套连接意图、配置、行为与修正的验证机制。界面不仅要呈现“用户设置了什么”，还要说明这些设置经过了哪些检验、在哪些情境中有效，以及目前仍有哪些无法确认的部分。

这项研究只涉及27位教师及其创建的教育机器人，部分一致性判断采用了经过人工校准的模型评分，结论不能直接覆盖所有 AI 创建工具。教育场景中的目的与规则也比普通角色设定承担更高责任。但研究所暴露的界面矛盾并不限于课堂：只要产品允许用户配置一个会持续生成行为的系统，保存设置就不再等同于获得控制。

AI 的设置不是一次参数提交，而是一个需要反复观察、验证和修正的行为创作过程。