AWS Machine Learning Blog 8月14日介绍Amazon Nova Forge的多轮自定义奖励函数，并提醒：奖励定义决定模型真正学到什么；一个看似合理但设计错误的指标，可能在训练曲线正常时悄悄教会错误行为。文章把多轮奖励拆成最终结果、过程行为和惩罚，并强调每个分量必须产生可观察差异。对外贸AI线索资格判定而言，这个提醒非常直接：系统会追逐被计分的动作，而不一定理解企业真正需要的买家质量。
字段完整不等于采购真实
如果Agent因收集到公司名、邮箱、数量和国家就获得高分，它可能反复追问、猜测缺失信息，甚至把模糊回答强行归类。表格看起来更完整，但采购用途、决策角色、技术适配和时间边界仍可能不清楚。
线索资格的终点应是形成一份可复核的采购任务摘要，明确已知、未知、证据和下一步，而不是尽可能填满所有字段。未知可以保留，猜测必须被惩罚。
结果、行为与惩罚要分开
结果指标可以检查任务摘要是否支持正确分派；行为指标可以观察是否引用原始消息、是否在关键信息缺失时提问、是否识别矛盾；惩罚项用于限制编造、重复、越权承诺和无效循环。三个维度不能互相遮盖。
某个分量若对所有对话都给同样分数，就没有区分作用。团队应查看每项分布、样本和失败对话，而不是只看一个总分上升。
评估集要覆盖真实外贸分歧
测试样本应包含询价与合作推销混合、终端买家与贸易商身份不明、数量单位冲突、不同语言、附件缺失、合规问题和紧急交付等场景。还要保留“正确拒绝评分”和“需要人工处理”两类答案。
每次调整奖励后，对固定样本做回归，并检查是否出现新的取巧路径。模型更会填表，不代表更会帮助销售判断。
评审时还应保留销售与技术意见不一致的样本，记录分歧来自产品适配、客户身份还是证据不足。系统不必强行消除分歧，而要把需要谁决策、还缺什么材料说清楚，这比自动给出一个高分更有用。
对中国外贸企业的经营含义
外贸AI跟单若只优化回复速度、字段数量或自动分类率，会把团队带向可展示但不可成交的指标。真正的价值在于减少错误分派、保留客户原意、暴露关键缺口，并让销售知道下一问为什么重要。
因此，业务负责人必须参与指标设计。技术团队负责实现，销售与交付团队定义什么才是可用的采购任务，合规负责人确定哪些问题不能自动判断。
可执行建议
- 把线索终点定义为带来源、未知项和下一步的采购任务摘要。
- 分开设置结果、过程行为和惩罚，避免一个总分掩盖失败。
- 对猜测、重复追问、越权承诺和遗漏矛盾设置明确扣分。
- 建立多语言、单位冲突、附件缺失和人工升级的固定评估集。
- 查看每个奖励分量的分布与失败样本，确认它确实产生区分。
- 版本更新后做回归，并由销售抽查摘要是否支持真实分派。
参考来源
- AWS Machine Learning Blog，Custom reward functions for multi-turn reinforcement learning with Amazon Nova Forge，2026年8月14日：https://aws.amazon.com/blogs/machine-learning/custom-reward-functions-for-multi-turn-reinforcement-learning-with-amazon-nova-forge/