10 月 31 号晚上，DeepSeek Harness 团队发了篇长文：《Super-agent 设计探索：迈向更自主的 Agent 系统》。
整篇读下来，最戳我的是这句话：Session 应当是系统的实现细节，而不应是用户的认知负担。
文里提到，一个人通常只能同时盯住 3 到 5 个活跃会话。我对照自己日常的状态数了一下，确实差不多——到了第六个窗口，脑子里就会开始出现“我记得有个任务在等 CI，但死活想不起来切去哪个标签页找”的状况。
他们把这叫“瓶颈转移”：单任务的上限取决于模型能力，多任务的上限取决于人的注意力。前半句现在基本是行业共识了，而后半句，正是这套系统想解的题。
上个月，我把手上一个 agent 应用里的三个 specialist 删了。
倒不是为了省 token。主要是之前那套 orchestrator 加三个 subagent 的结构太折腾人：每加一个功能，我得同时改四个地方——路由的分类规则、subagent 自己的 prompt、主 agent 的 prompt，还有交接时的字段约定。
删完之后，跑了一遍回归测试。任务完成率没掉，端到端延迟差不多砍半。当然，这只是我自己粗看的结果，没做严格的 A/B。
刚好 10 月 22 号 Anthropic 的 Applied AI 团队发了一篇 Building agents: When to fold subagents into your main agent loop。看完挺有共鸣：原来大家都在往回退，而且他们拿严肃的测试数据把背后的账算清楚了。
前两天读了一篇文章，标题叫《我不得不把才华埋葬在昨天》。
刚看到标题时，我以为又是那种“AI 会不会取代程序员”的陈词滥调。这两年类似的话题实在太多了，多到让人审美疲劳：程序员还能干几年、哪些岗位最危险、以后是不是只剩调遣 Agent 的人。
耐着性子往下读，才发现味道不太一样。作者就在 DeepSeek 写算子，而且亲手参与了核心 Attention 算子的实现。
他不是站在岸上看潮水涨起来的人，他是那个正在挖渠引水的人。更让人五味杂陈的是，他自己能清晰地感觉到：手头正在写的代码，正在帮 AI 更快地学会怎么取代自己。
前几天，DeepSeek v4.1 发布了，将小模型能力的高度又向上推进了一个档次。
AI 发展的速度远远超过了所有人的预期。从那个只会咿呀学语地聊天、上下文长度只有几千 token 的初版 ChatGPT，到具有推理能力的 OpenAI o1、DeepSeek R1 与 Kimi K1.5 Thinking，只不过短短两年；从推理模型到如今能够流畅地在各类 harness 工具中执行命令、完成复杂任务的智能体，也不过一年半。很难想象，倘若再等上一年、两年、三年，彼时的 AI 会成为什么样子，会有多么强大，会不会已经具备了自我进化的能力，并深度渗透进了具身智能等领域。
Anchr 最开始只有一条传统的 RAG 链路：用户提问，系统搜出相关内容并重新排序，挑前几个片段塞给模型，最后生成带引用的回答。
1 | 用户提问 → 检索 → 重排 → 构造上下文 → 生成回答 |
应付大多数事实型问题，这条链路足够了。比如问“文档重新解析后，旧索引怎么处理”，只要知识库里有说明，搜一次基本就能拿到核心材料，剩下的就是让模型整理成通顺的话。
但有些问题没法这么干：
找出几份设计文档里所有与任务恢复有关的内容，再比较进程重启、网络断开和主动取消三种情况下分别会发生什么。
这种问题很难靠现成的几个片段拼出答案。第一次搜索可能只翻出 Agent 运行恢复的说明；顺着读下去，才发现还牵扯到异步任务（Task）；掉头去查 Task，又冒出进程内状态和持久化状态的区别。等最后去核对部署约束时，你对“恢复”这两个字的理解，早就和第一轮搜索时不一样了。
下一步搜什么，完全取决于上一步读到了什么。Anchr 的 Agent RAG 就是为了解决这种问题做出来的。
最开始做 Anchr，我想解决的问题很具体：手里的文档越攒越多，怎么才能把里面的信息重新捞出来、真正用起来？
文件夹目录只能解决“文件存在哪”，系统自带的全文搜索又要求我必须记得原文用过哪些词。资料少的时候还能凑合；资料一多，常态就变成了：我明明记得某份文档聊过这事，但早忘了文件名，也想不起当时具体是怎么表述的。
所以 Anchr 是从文档搜索切入的。等搜索基本能用了，我才在检索结果之上接了生成回答；再往后，发现单次检索根本应付不了跨文档的复杂排查，这才顺理成章长出了 Agent。
虽然功能模块的名字一路从 Search 变成 RAG、再变成 Agent，但底下干的始终是同一件苦力活：把原始文档稳定地拆解成模型能用、用户又能随时跳回原文核对的证据。
第一次接触 INTJ，很容易留下一个不错的印象。
他们通常说话有分寸，做事有条理，遇到问题也不太慌。该承担的事情会承担，不熟悉的领域很少随口评价，面对不同身份的人，也往往能保持差不多的礼貌。这样的相处并不热络，却让人觉得稳定、可靠。
但接触久了，有些人会察觉到另一面：礼貌还在，距离却一直没有缩短。
你可以和他共事，可以讨论具体问题，甚至会得到认真而坦率的建议，却很难自然地进入他的私人世界。那种疏离未必来自某次矛盾，也不一定是在表达不满。他只是没有因为认识得更久，就默认彼此应该更亲近。
这大概是理解 INTJ 时最容易被忽略的一点：礼貌是他对人的基本态度，亲近则要经过另一套标准。
如果只记得一张图的内容，却忘了文件名，怎么把它找出来？PicIndex 就是为了回答这个问题。
我用多模态 Embedding 把图片和文字映射到同一个向量空间。这样一来，搜索“赛博朋克风格的雨夜街道”或者“一只坐在窗边的猫”，系统就能按照画面语义找到相近的图片。功能跑起来以后，问题也接着冒了出来：图片里的订单号搜不准，大图调用模型太慢，同一个查询还会一遍遍地计算向量。
这些问题最后都没有靠换一个更强的模型解决。PicIndex 后来的大部分调整，发生在模型之外。
这世上有如此多的“流行语”和“最佳实践”，但是让我们把注意力转向更基础的方面。即——开发人员在浏览代码时所感受到的“困惑程度”。
困惑是以时间和金钱为代价的。困惑是由高认知负荷造成的。这不是什么花哨的抽象概念，而是一种人类的基本限制因素。
由于我们花在阅读和理解代码上的时间远远多于编写代码的时间，所以我们应该不断地问自己，我们是否在代码中嵌入了过多会给人带来认知负荷的内容。
很长一段时间里，我一直有一个困惑：为什么我们明明知道学习很重要，也有想要实现的目标，开始以后却总会拖延、分心，很难坚持太久？
以前，我很容易把这些问题归结为自制力不够，或者认为自己还不够努力。后来接触了一些认知科学和心理学的内容，我开始换一个角度理解这件事。学习的回报通常来得很慢，而短视频、游戏和美食都能迅速给出反馈。面对两者，大脑更容易被眼前的奖励吸引，并不奇怪。
理解这一点以后，我关心的问题也变了：学习是否一定要靠痛苦和意志力维持？能不能调整过程，让它变得自然一些，也更容易长期继续？下面这些，是我在学习和调整方法时留下的一些思考。