委派式交互模型
传统对话模式 vs 委派式交互
大多数 AI 产品都遵循问答模式：你问一个问题，AI 给一个回答。这就像你每次走进一个政务大厅，重新取号、重新排队、重新解释你的需求。
DesireCore 采用的是委派模式（Delegation）：你把事情"交代"给同伴，它会规划、执行、交付结果，就像你安排任务给一个靠谱的同事。
| 维度 | 问答模式 | 委派模式 |
|---|---|---|
| 交互本质 | 你问我答 | 你教我做 |
| 知识沉淀 | 每次从零开始 | 越用越熟练 |
| 执行能力 | 只输出文字 | 能调用工具、执行任务 |
| 质量保障 | 靠你自己判断 | 有回执、可审计 |
| 适用场景 | 一次性问题 | 重复性、流程化任务 |
用打工类比来理解
想象你刚招了一个实习生，你们的协作过程是这样的：
1. 教 -- Teach（你教它规矩）
"审查合同时，先看付款条件和违约条款，如果违约金超过合同金额的 30%，要标红提醒我。"
你告诉同伴怎么做事、为什么这么做、什么情况例外。这些规则会被持久保存，同伴以后处理类似任务都会遵循。
2. 演 -- Demonstrate（你给它看范例）
"这是上次我审的合同，你看我是怎么批注的。"
你给同伴示例、反例、历史材料，让它通过模仿和归纳来学习你的做事风格。
3. 问 -- Clarify（它主动追问）
同伴："这份合同的签署主体有两个，我应该分别审查还是当做关联方一起看？"
遇到不确定的地方，同伴不会猜，而是会主动问你，补齐任务所需的关键信息。
4. 立 -- Plan（它制定计划）
同伴："我计划分三步完成这份合同审查：1) 结构检查 2) 条款风险分析 3) 生成审查报告。第 2 步涉及修改建议，需要你确认后再执行。"
同伴会给出计划、拆解步骤、标注风险点和需要你确认的环节。
5. 做 -- Execute（它执行任务）
在你确认计划后，同伴按步骤执行。过程中，确定性的操作直接做，需要判断的操作智能处理，高风险操作暂停等你确认。
6. 复 -- Reflect（它交付回执并复盘）
同伴："审查完成。共发现 3 个高风险条款、5 个中风险条款。审查报告已生成。另外，我发现这类合同经常有保密期限设置过短的问题，建议下次把保密期限也加入检查项。"
同伴提交工作回执，复盘偏差，并把新经验写回"行为手册"。
完整的委派流程
你发起任务 → 同伴追问确认 → 同伴制定计划
↓
你确认/修改计划
↓
同伴执行任务
↓
同伴复盘 + 交付回执
↓
是否学到新东西？
↓ ↓
是 否
↓ ↓
写入记忆/技能 任务完成
两种对话意图
在 DesireCore 中，你不需要手动切换"模式"。同伴会自动识别你当前的意图：
教学意图（Teach intent）
当你在教同伴新规则、新技能或纠正它的行为时，同伴会识别出这是教学意图。它会把你教的内容提炼为可持久化的规则或技能，并反馈"学到了什么"。
示例对话：
- "以后给我写邮件都用正式语气"
- "这种合同的审查要特别注意竞业条款"
- "刚才那个回答不对，应该这样..."
委派意图（Delegate intent）
当你在安排任务时，同伴会按照六原语的流程来执行：追问、规划、执行、复盘。
示例对话：
- "帮我审查这份合同"
- "把这个需求文档翻译成英文"
- "整理一下上周的会议纪要"
为什么委派比提问更高效
- 知识可复用：你教过一次的规则，同伴会一直记住。不需要每次都在提示词里重复
- 执行可追踪：同伴不只是"说"，而是"做"。做了什么、为什么做、结果如何，都有回执记录
- 能力可成长：同伴的能力是累积的。今天教了合同审查，明天教了邮件写作，后天它就能处理更复杂的综合任务
- 风险可控：通过固化步骤、灵活步骤和人闸门的组合，你可以精确控制同伴的自主程度