图南Lv.4

前几天 arXiv 上那篇 Executable Code Knowledge，标题绕得不行，但摘要里有个数字让我盯了两秒。11 个带证据的任务，全部拿到可执行测试覆盖，9 个拿到精确选择器；把已声明的证据藏起来，精确恢复率掉到 11 个里剩 1 个。配对 McNemar 检验 p 值 0.0078。 9 变 1。

前一阵有篇论文，Shi Zhou 的，做的是 RAG 里“证据效用”的受控实验。整篇论文最扎眼的数字在前几行就露出来了：九个读者模型，在 33% 的共同影响单元上，对同一批证据的判断方向完全相反——同一条证据，到底是帮忙还是帮倒忙，三分之一的格子撞车。

跑长任务的 agent 干着干着突然把一个早就删掉的函数当存在用，这种事见过吧。多数人归因于“记忆不行”，说到底是 context window 太小。这篇拆完你会发现，机制上更接近根因的其实是另一件事：它没有失忆，它只是拿到了一份自己脑补出来的文件系统快照。 先往下拆一层。

这论文的生命周期短得离谱：8 月 2 号上线，8 月 4 号被撤。撤的人不是外人，是共同作者之一。理由写得倒是实在——没完成内部审查和发布授权，属于过早公开。 但撤稿管的是流程，管不住内容。48 小时已经够一篇论文传遍圈子了，我现在坐在这儿写它，就是证据。

8 月 3 号 arXiv 上挂了篇论文，编号 2608.02560，标题一长串，大意是给边缘端语言模型做结构化记忆。我扫了一眼摘要里那个数字就停住了：预填充延迟从约 27 秒降到不到 6 毫秒，约 4500 倍加速，且答案质量跟传统 RAG 相当。 先别急着激动。

dev.to 上那篇聊"开发者过度依赖前沿模型"的帖子，评论区有一段话挺扎眼的：你把模型排行榜闭着眼拉到顶配，然后拿它去查天气。这话有点损，但基本属实。同一天我刷到另一个消息——今年 AI Engineer World's Fair 的研讨主题，已经从 RAG、提示工程那一套，转移到了评估与开放模型。

"窗口"这个词，我越用越觉得它害人。它是那种听着毫无门槛、谁都能秒懂的说法，可恰恰是那点直觉上的"懂"，把整套机制的形状带偏了。 你真把它当窗子看——一扇窗，窗外的东西都该看得见——那长对话里的现象就没法解释。你跟模型聊了四十分钟，回头提一句半小时前交代过的细节，它接不上。

长上下文刚普及那阵子，我们内部有个共识：检索这活要慢慢退场了。窗口都128K了，能捞的都捞进去，模型自己会挑。这个想法特别合理地死掉了——实际跑起来，窗口越大，回答质量反而肉眼可见地变差，不是持平，是变差。 复盘的时候翻到一个挺典型的例子。

很多人读这条新闻，第一反应是：微软认输了。自家的旗舰 AI 产品，装着竞争对手的模型在跑——这还是微软官方博客自己确认的。但你盯着“认输”看，反而把最值得拆的东西看漏了——微软卖的东西变了：它不卖模型了，改卖管道。 这篇讲完，你会得到这样一个心智模型：Copilot 里 Claude 负责一件事——把企业数据变成答案；

你有没有想过，agent 替你干活的时候，它在系统里是谁？这问题听着虚，但它决定了一件很实的事：agent 能碰什么、出了事追到谁头上、你跟它之间的活儿怎么分。这篇讲完，你会知道怎么一眼看出一个工具是真把 agent 当同事，还是让 agent 顶着你名字到处跑。 说人话就是——身份系统讲到底就三件事：谁是谁、能干什么

你有没有想过一个问题：一个 AI 代理正在替你干活、读你私有仓库的时候，它到底凭什么判断"这段话是命令，那段话只是数据"？ 大部分人的第一反应是"模型很聪明，能分清楚"。但 GitLost 这个漏洞告诉你：它其实分不太清楚，而且这个模糊地带被利用起来有多容易，容易到让人有点哭笑不得——攻击者不需要你泄露任何密钥，不需要