俄克拉何马州的六个伐木点，每一车木头都从集材场开始。一车装满到法定载重，可能是 60 根木头，也可能是 120 根；每棵树长短粗细各不相同，装多少、装哪几根，全凭眼力。装好了，按小时拿工资的司机把车开到木材厂，过磅。
照埃德温·洛克和加里·莱瑟姆后来的说法，这些卡车到厂时，只装到法定允许重量的六成左右。每一车轻载，都是一趟空着一截跑的路。
莱瑟姆 1975 年的论文上，署的地址是惠好公司（Weyerhaeuser）。他和 J. 詹姆斯·鲍尔德斯要把洛克的目标理论用到这里。他们给司机定了一个具体又难的目标，管的是每车木头的净重。
九成
论文写道，目标一下达，成绩「立刻就提高了」。据洛克和莱瑟姆的说法，36 辆卡车的装载量，从法定重量的六成左右升到了九成。按公司的成本核算，要靠多买卡车换来同样的提升，大约得花 25 万美元。
「尽力就好」，人人自己定义什么叫尽力；具体又难的目标，通常换来更多。
2002 年，洛克和莱瑟姆回顾了 35 年的研究，讲了其中的道理。「尽力」这种目标没有外在的参照，人人按自己的理解来定，于是好多种结果都能算过得去。他们引用的几项元分析里，具体而困难的目标都胜过「尽力而为」的号召，效应量（d）在 0.42 到 0.80 之间。他们写得很干脆：叫人尽力，人并不会尽力。
「小心驾驶」，车速由每个司机自己拿捏；路边一块写着 50 的牌子，就不留这个余地。
洛克在 1968 年的一篇论文里提出这套理论，当时有人怀疑它在工业界行不行得通。莱瑟姆把它带进了林子。1975 年那篇论文的标题，给「实际意义」加了引号，文中解释了原因：统计上显著「只是第一步」。1990 年，两人合著出版了《目标设定与任务绩效理论》。
这项研究拿卡车和它们自己的过去比，没有一组不定目标的卡车作对照。理论本身也带着条件，其中一个，就等在木材厂。
司机早就会的事
2002 年的回顾列了这些条件：人得认这个目标，目标越难，这一点越要紧；能力到了顶，成绩也就平了。人还得有反馈。洛克和莱瑟姆举的例子是：目标是一天砍 30 棵树，那么不知道已经砍了几棵，就没法判断自己是不是跟得上。
任务本身也有关系。回顾引用的一项元分析里，具体而困难的目标比「尽力」多出来的那一截，在最简单的任务上是 0.77，在最复杂的任务上只有 0.41。在一个模拟空中交通管制的实验里，绩效目标反倒妨碍了学会这份工作，叫人尽力的那组做得更好。洛克和莱瑟姆开的方子，是一个具体的学习目标，比如找出若干种不同的做法。
莱瑟姆后来专门提到自己的卡车研究：那些司机「用的是自己本来就有的知识」。而在他另一项研究里，任务是排课，对参与者来说既新又复杂，同样的目标反而拖累了成绩。
2009 年，丽莎·奥多涅斯和三位同事在《目标失控》一文里说得更重。他们写道，目标研究大多做在「简单、界定清楚」的领域，数的是解出了几道字谜这类东西；而经理们可能很难判断，一项任务复杂到什么程度，就该换成学习目标。运木卡车正好在简单的那一头：一个数字，每趟过磅一读就知道。
第三周接手的 40 个客户
假设你给一位新来的客户经理，在她入职第三周交了 40 个客户。说一句「续约的事尽力就好」，好不好就全由她自己判断了。于是你写下一个数：季度末前，40 个里续下 36 个。
这个目标具体，也够难。可她还不知道客户为什么会离开这个产品。手里只有一个续约数字、没有办法，离她最近的那根杠杆，就是打折。
所以第一个月，你给她定的是学习目标：找去年差点退订的十个客户谈一谈，把每个人当时需要什么写下来。第二个月，清单在手，36 这个数才上墙。目标一样难，这回她有路可走了。
先写测试，再要代码
题目描述告诉编程模型要做什么；再加上能跑的测试，「做完」的标准就有了更具体的反馈。2024 年，诺布尔·萨吉·马修斯和梅亚潘·纳加潘做了一项研究：让 GPT-4 Turbo 做标准基准里的短小编程题。每道题先只看描述来做；做不对的，再把基准自带的公开测试放进提示里重做一遍。所有答案最后都用规模大得多的隐藏测试来检验。
在 MBPP 这个基准上，只看描述就做对的题占 69.67%；把带测试重做的那些也算上，是 82.45%。
只有做错的题才有第二次机会，所以这个提升里，测试的作用和「再试一次」的作用搅在一起。测试本身也带着信息：据作者说，它们暴露了写错的函数签名和漏掉的边界情况。这些是函数级别的小题，不是真实的代码库；至于把标准定得更高会不会改变模型的表现，这项研究没有检验。
让智能体写代码之前，先写几条测试，说清楚什么叫做完；再留几条不给它看，事后自己跑。给它看的测试过了、你留下的没过，说明代码可能只是贴着你的例子写的，没贴着需求写，要再细看；多跑几次，再相信你看到的规律。
惠好的司机每跑一趟，终点都有一台磅秤。据洛克和莱瑟姆说，他们动手改了自己的卡车，好在开去过磅之前，就能估出车上有多重。