詳細解釋
AI Agent 在運行過程中根據環境反饋調整目標的技術，與靜態目標（預先設定且不變）相對。這是實現真正自主性的關鍵。
傳統 AI 的局限：
- 目標固定：下棋 AI 永遠只想贏棋，不會「意識到」用戶想教學而非擊敗
- 無法適應：環境變化時行為僵化
動態目標機制：
- 目標分解：將高層目標（「幫用戶規劃旅行」）分解為動態子目標（先問預算、再問偏好）
- 環境評估：每步評估當前狀態，調整優先級（發現用戶猶豫時切換到推薦模式）
- 學習更新：從結果反饋學習，調整目標權重
應用場景：
- 個人助理：根據日曆自動調整日优先级（重要會議前不推薦娛樂內容）
- 遊戲 NPC：根據玩家行為動態調整挑戰難度
- 機器人：導航時發現障礙，動態重設路徑
- 科研 Agent：發現實驗結果與預期不符，動態調整研究方向
技術實現：
- 強化學習：獎勵函數隨時間調整
- 層級強化學習：高層策略設定低層目標
- 元學習：「學習如何設定目標」
- 神經符號結合：邏輯規則 + 神經網絡的靈活性
風險：目標漂移（goal drift）—— 動態調整偏離原始意圖，導致意外行為。這是 AI 安全的研究重點。