前几天翻 arXiv 计算与语言方向的新条目，看到这个月 1 号挂上去的一篇预印本，做的正好是我每天都在干的事：让编码代理在同一个仓库里几个都没做完的任务之间来回切。作者做了个叫 Switch-SWE 的基准，测的是切走之后再切回来，代理还能不能把原来那个聚焦任务收掉。7 个代理平均掉 11.5 个百分点，单个代理之间的差距在 6.0 到 15.0。
这条我先记下来了。我自己的用法基本就是反面教材：一个仓库里同时开着三四个半截活，一个测试红了就切过去看，看完顺手又去改另一个文件，回头再切回来，往往得先把前面十分钟干的事重新捋一遍。这个成本我一直当成自己的问题，觉得是我记性差，没往“这是工具层面的结构性问题”上想，所以看到有人把它做成了可测量的东西，第一反应是把页面存下来。
拆开看看这个基准是怎么设的，这是我认它的原因。它从 19 个 Python 仓库里，依据 issue、PR 和评审历史重建了 200 个聚焦任务，再组织成 400 组配对的会话规格。每个聚焦任务跑两遍：一遍是不间断会话，从头做到尾；一遍是切换会话，中间按顺序插进同仓库其他未完成任务的半截阶段。两种设置用的是同一份任务要求、同一个可执行验证器，打分只打最后那个聚焦任务的补丁。
这个设计干净的地方在于，它把“任务难不难”这个变量控住了。任务一样、验证器一样、评分对象一样，唯一的差别就是中间有没有被打断过 → 那掉下来的分只能归到上下文这一项上，赖不到任务本身变难。仓库级基准以前大多只测一问一补丁的单回合，没人把“切走再切回”单独拎出来量，这一步补得挺实在。
轨迹分析点出来的两种恢复行为，也是我最眼熟的两条：跨任务需求混淆，和任务状态丢失。前者是切回来之后把上一个任务的要求带进来了，后者是连做到哪一步、什么已经验证过、什么还没试都记不清了。这两条我不用看论文都能对上号，只是以前从来没人帮我数过它们一共让我亏了多少。
到这里为止都是“果然如此”。真正让我把这篇存下来的是它后面那个东西：作者做了个可插拔的上下文管理模块，做两件事——筛出跟当前任务相关的历史、维护一份简短的任务状态摘要。在 OpenCode 上，受测模型的完成率在这个场景里提升了 5.5 到 15.5 个百分点。
这个思路一点都不新，但它是今天就能用上的。我自己其实一直在手工做类似的事，只是没给它起名字，也没定规矩：切走之前，在仓库根目录留一个 TASK_STATE.md，只写三行。
## 当前任务
把导出逻辑从 xlsx 换成 csv，改到一半
## 已验证
csv writer 的空值处理跑通了（test_export_empty.py 绿）
## 下一步 / 待验证
分页导出还没测；怀疑 reader 那边也硬编码了 xlsx
写这个东西的成本大概二十秒，收益全在切回来那一下：不用重新推一遍上下文，第一眼就知道自己停在哪。我猜那个模块做的也是类似的事，只不过它是自动筛历史、自动生成摘要，我是手写。
验证方式很土，但比不验证强。同一个半截任务，我试过两次不写摘要直接切走，两次写了再切走，记录回来之后第一次有效操作之前花了多久——“让我看看”这种不算。样本小得可笑，n=2，压根不能当结论，但四次里写了摘要的那两次都明显短一截。这条只能算自测，等哪天代码放出来，用 Switch-SWE 那套配对会话跑一遍才算数。
手写有个坑，我绕了两次才躲开：我最容易写进去的是“结论”，最容易漏的是“下一步要验证什么”和“已经排除掉的方向”。前一条漏了，回来得重新想；后一条漏了更亏，会把昨天已经证明走不通的路再走一遍。所以现在我给自己定的规矩是，「下一步」那一栏没填就不许切走，宁可写一句“还没想好，但 xlsx 那条路先别回去”。
💡 小技巧：摘要里写“文件路径 + 函数名”，别写“那个导出的地方”。三天之后的你，和另一个人记性差不多。
说到这儿得说这篇让我卡住的地方。摘要写代码已公开，我点进页面，只有一个占位链接。也就是说 400 组会话规格具体怎么切、每次插入多长的半截阶段、验证器长什么样，我现在只能从摘要里猜。切换会话插入的那段“部分阶段”到底插了几段、每段多长，这个量级直接决定了 11.5 个百分点是怎么来的——插三段和插十段显然不是一回事。这一段我翻了半天没找到，只能先记一笔，等代码真放出来再跑一遍。
顺便把这条当个通用判据用：一篇论文、一篇教程，点开第一件事看它给的东西能不能真跑起来。跑不了，写得再漂亮也只能当观点读，不能当方法用。这跟我判断中文教程好坏的标准是同一把尺子。
还有个没完全想明白的地方，先老实写在这儿。提升幅度是 5.5 到 15.5 个百分点，跨度不小，说明这个模块对不同模型的效果差得挺多；但摘要没说清这是在几个模型上测的、基线是哪个版本，我也没看到它跟“让人自己手写摘要”这种做法做过对照。所以我不打算把“加个状态文件能提升几个点”当成可预期的数字，只把它当成一个方向：值得做，别指望具体数值。
划重点：第一，切走再切回是有成本的，这个成本能测出来，平均 11.5 个百分点；第二，成本主要出在跨任务需求混淆和任务状态丢失这两件事上，对应的解法就是筛相关历史、留一份短摘要；第三，摘要文件今天就写好，三行就够，但「下一步待验证」那一栏必须填，这是最容易漏、也最值钱的一栏；第四，看到“代码已公开”先点一下链接，占位链接这种事比想象中常见。
这篇就记到这里。你可以挑一个手上正卡着的半截任务，切走之前照着上面那个模板写三行，回来试试还认不认得自己的上下文。如果哪个字段你觉得多余、或者还缺一栏，留言说一声，我补进模板里。