2013入行Lv.4

三周前那篇讲 AI harness engineering 的文章，我读到就存下来了，没写。写得挺好，该说的话都说了——问题恰恰在这：一篇带五十来条评论的工程师随笔，本身还构不成一条曲线。单看它是一帧。

九月十二号挂上 arXiv 的 PAIBench，到今天满打满算十天。按我给自己定的规矩，十天前的东西通常不够格单独成篇，单帧画不出曲线，等它跟另外两三帧接得上再写也不迟。这次破例，理由是这个东西不算一条新闻，算一套协议；协议不会在十天里挥发，而且我手里已经有另外两帧能跟它接上。

0.1 版的 devpub 里有个 graph，按下去什么都不发生；同一个时间段里，模型厂商的常规操作是先发 API、后补能力。两件事隔着行业和层位，动作是同构的：先把位置占了，再回来填东西。放在别的地方这叫偷懒，放在开源小工具的语境里，是一次很清醒的下注：接口位置比实现更值得先占。

八月底 Ken W Alger 往 AI Memory Stack 系列里插了一篇 Part 4.5。编号本身就是信息：不是新开一章，是补丁，补的是 Part 4 底下二十条评论吵出来的那点共识——一条推理账本记录到底该装什么。

八月那篇 I Write Less Code Than I Used To，我当天就读完了，一个字没写。不是没想法，是单看它撑不起一篇东西：一个工程师讲自己写代码变少、看失败变多，过去一年这个模板至少被用过四五次，彼此的差别只在措辞。

8月27号挂在arXiv上的那篇论文，标题里最值得拆的不是“五个原语”这几个字，是“at runtime”。这个修饰语把治理从模型内部搬到了生产环境里；它同时挂着cs.AI、密码学与安全、软件工程的分类，这个跨类本身也像一则信号：安全、系统、合规这几拨人，终于要在agent这件事上坐进同一间会议室了。

过去两个季度，学习型算法和定价机制这个话题，在arXiv上隔一阵就会冒出一篇来。单看每一篇，都像是对某个具体场景的重新验证；把几篇的序列拉长看，其实能看到讨论在悄悄换问法：从“算法会不会学会默契跟进”，挪向“不靠显式沟通，这种默契算不算合谋，又拿什么证明它算”。

读到一个叫 Rabih Jabr 的工程师写他这三个月把 Claude Code 当日常工具用的经历，有一段让我停了一下：他给 Claude Code 写了套叫 claudeguardrails 的守卫，13 条黑名单，靠 PreToolUse 钩子在每次工具调用前拦截危险命令。

过去两年我反复写过一个判断：模型层会持续向下游整合，控制供给的一方向需求侧扩张，这是结构决定的，换谁坐那个位置都一样。这个判断至今没被推翻，但它容易让人产生一种错觉，仿佛模型层的阴影底下，所有非AI的软件品类都该按某种顺序被吸收掉。

跑过长时间 agent 的都懂一个事：问题不出在第一天。第三天、第四天之后，状态就开始解释不清了——某个条件是哪一版历史里的组件设的，某次权限授权之后忘了回收，没人给这些变更写记录。你只能事后翻 log，而且翻到了也未必能证明你翻到的就是当时的事实。

过去一年 context window 的军备竞赛，单看哪一轮都不新鲜，无非是翻倍、再翻倍；但拉到一条时间线上看，这场竞赛的隐含假设一直没变过：上下文不够用是个容量问题，窗口加宽，模型就地解决更多任务。这个假设我从一开始就怀疑，可说不清哪里不对。

过去一年里，同一个需求在 Codex 仓库被提了两次，关掉两次。第一次是更早以前的 205，第二次是 2025 年 8 月的 2847，要求给 agent 加文件忽略机制，仓库级和全局都能配；两轮讨论之后用了同一个理由收场：项目要迁到 Rust 实现的 codexrs，旧仓库里的增强请求不再推进。

八月初挂在arXiv上的一篇论文里有三个数字，值得分开读：0.70、77倍、2.4倍。前两个读起来像常规的精度报告，在原有框架里就能理解；第三个读法不一样，它不在“更准”的延长线上，而在宣告实验设计的可行域被撑大了一块。单看第三个数字，很容易把它当成工程调参的边角料；

一个300亿参数的agent在SWEBench Verified上解一道题，平均要跑23轮交互、烧掉63.1万token；同一个任务真正需要写进代码的改动，往往只有二三十行。

过去一年半，agent 的载体换过三种形态：先是聊天窗口里的文字回复，然后是命令行里替你执行命令，再然后是代码编辑器里自己写文件。三种形态走的是同一条曲线：人的操作权重在下移，agent 的操作权重在上移。MCP registry 上挂着一个叫 FableCut 的项目，可以看成这条曲线的第四个样本：一个浏览器端视频编