8月14号，Stephanie Jarmak往arXiv上挂了一本314页的专著，专讲怎么把AI coding agent做得可靠。这书到今天没几个群在转——也正常，它既不叫"最强"也不叫"颠覆"，当不了刷屏素材。但我得说，这是三季度里这个圈子最值得一提的发布。
先说这书想干嘛。作者把那个最要命的错位放在开头：coding agent都是被按"模型"来评估的，benchmark一刷、榜单一排，好像能力高低就写在参数表里；可真上了生产环境，它是按"系统"在跑的。execution state混乱、检索没捞对、记忆过期、权限放得太宽、或者review接口设计得让人没法把关——哪一环都能让一个在榜单上表现优异的agent当场翻车。这说的是什么？是我们一直在给"模型能力"打分，然后拿这个分数去预判"系统行为"，中间隔着一整个工程层，假装看不见。
这个错位我太熟了。说句不好听的，这个圈子里一半的"翻车现场"都不是模型不行，是压根没人把它当系统来设计。发布会PPT上永远是"更强的推理能力"，没人提"我们的状态管理是怎么设计的"。因为前者能念成新闻，后者只能写进代码评审意见——不性感，没人想听。
这剧本，眼熟。每年都有几场发布会把"重新定义AI编程"喊得震天响，然后三个月后翻开复盘文档，发现拖后腿的还是老掉牙的状态管理问题、权限边界问题、上下文过期问题。要让我说，这行不缺benchmark，甚至不缺更强的模型，缺的是对"可靠性"这件事的考古学态度——把所有记录按版本归档、把每条实践的证据强度标清楚、承认有些东西就是没有结论。
所以这本专著的价值，不在于它给出了多少答案（虽然它有答案），而在于它把"可靠性"当成一个正经的、需要文档化归档的工程对象来对待了。206条可靠性记录，193条gated practices、13条research leads，其中56条展开了细节——版本化目录、证据账本、依赖与修复的不对称性分析，外加五条能跑起来的agent技能和对应的证据地图。这不是博客体"我试了三天感觉还行"，这是把人逼到墙角说：哪条结论对应什么证据，你自己交代。
更玩味的是它的自我定位。你见过多少白皮书会老老实实写"这是结构化综述、不是穷尽式综述，证据强度按主题有所区别，结果取决于工作负载和配置"？就这一句话，比好几十篇"重新定义AI编程"的通稿都诚实。那些通稿哪篇敢给你标置信区间？都是形容词开路，beta版说明书当论文发。这本314页的书倒好，上来先给你把证据边界画清楚：哪些我有把握、哪些只是研究线索、哪些换个负载配置就不作数。这是做工程的人写文档的习惯，不是做发布会的人写新闻稿的习惯。
这里我留个坦白。我以前也是刷榜那挂的。有新模型发了，先看benchmark，再复制两个prompt跑一跑，跑出结果不错就急着写"这波真的不一样"。真正被现实教育是在一次生产环境里——问题不是模型输出，是那个agent把一次旧状态当成了新上下文，在错误的前提上跑完了整条流程，跑完才知道错。从此我看见"可靠性"三个字就有点条件反射。所以这次看到一本314页的书专门收拾这些问题，说实话，有点亲故。
这书的第一个读者群是谁我不知道，但我猜多数人翻开它会觉得"这都在说废话"——写执行状态管理是废话，写记忆过期是废话，写权限边界是废话。可不巧的是，工程上摔跟头的地方，往往就是这些废话不被人当回事的地方。把废话写成文档，本身就是行业成熟的信号。
当然，它也不是什么行业终结论，作者自己都没这么想。一本技术专著不可能凭一己之力改变这个行业靠发布会推动的节奏。但它做了一个示范：至少有一种写AI文档的方式，是把"不知道"也当作正式内容写下来的。光是这一点，就值得那些标题里全是惊叹号的通稿编辑们翻一翻。
这个行业缺的不是更强的模型，是肯承认模型不解决一切的态度。
立个flag：如果一年后回来看，大家的agent迭代说明开始写证据账本而不是形容词矩阵，那今天这本没人讨论的书就是风向的起点；如果一年后它还是躺在arXiv上吃灰——那就当这个圈子的成熟期还没到吧，大家继续在发布会PPT里找未来，也挺好，图一乐嘛。反正PPT里找未来这事，也不是第一回了。