守株阁

AI Coding Agent 每次调用模型，都要临时拼出一份工作集。系统指令、用户需求、仓库规则、Skill、工具定义、检索结果、历史消息和外部记忆，经过筛选和排序后进入模型上下文。工具返回的新事实又会写回消息历史或外部状态，供下一轮使用。 这套机制分散在 Harness 的多个组件里，却承担着类似操作系统的职责：发现信息源，解析作用域和优先级，分配有限的 token 空间，调度外部能力，保存执行状态，在压缩或换会话后恢复工作集。 “上下文操作系统”是一个分析框架，不对应某个产品里的单一模块。它把 Coding Agent 中所有影响模型可见内容的机制放在同一张图上，便于讨论组件边界、运行时生命周期和故障位置。 上下文操作系统管理六类动作 上下文管理可以拆成六类相互独立的动作： 发现：扫描仓库指令、Skill、工具、插件和可检索的数据源。 裁决：按照来源、作用域和优先级解决指令冲突。 选择：从候选信息里挑出本轮需要的内容。 编排：把内容放进 system、tools、messages 或外部引用的合适位置。 改写：追加、截断、裁剪、压缩、外置或重放历史。 持久化：把任务状...

“AI 会吞掉所有软件”这个说法很有传播力，但技术上不够准确。更可能发生的事情是：软件本体继续存在，软件入口被 AI 重写。 计算器、数据库、编译器、PDF 库、浏览器、CAD、CI、权限系统、ERP 不太会因为 LLM 出现而消失。它们处理的是确定性状态、格式、权限、计算和副作用。LLM 不适合直接替代这些系统，却很适合成为它们上方的意图入口。 从交互史看，GUI 的意义之一，是把人和计算机之间的操作鸿沟压低了。用户不必记住底层命令和数据结构，也能通过窗口、图标、菜单和指针操作复杂系统。Agent 时代出现的是另一道鸿沟：LLM 和传统软件之间的鸿沟。CLI、API、MCP 和 Skills 把这道鸿沟压低了，因为它们把软件能力变成模型能读、能调、能记录、能验证的文本接口。 确定性系统不会消失 裸模型不是确定性程序。它可以写出计算器代码，但不应该代替计算器执行财务计算；它可以解释 PDF 结构，但不应该靠想象修改 PDF 二进制；它可以生成 SQL，但实际执行、回滚、审计和加锁的仍然是数据库。 这不是模型能力不够强时的临时现象，而是范式边界。真实软件世界需要可复现、可审计、...

多 Agent 不是把同一个模型多开几份，也不是给系统加几个“人格”。它有效的地方，是把一个会互相稀释的上下文问题，拆成几个更窄、更干净、更容易验证的工作单元。 复杂任务不是信息越多越好。一个 Agent 同时负责需求、架构、编码、测试、文档和发布，很容易在同一个窗口里把角色、证据和目标搅在一起。Agent Teams 的价值，是让每个工作单元只面对一个足够小的世界。 注意力需要降维 考虑一个频谱分析的类比：复杂任务像一段混合信号，包含多个频率分量叠加。单 Agent 试图同时处理所有频率，相当于用一个宽带滤波器——信噪比低，各分量互相干扰。多 Agent 相当于用一组窄带滤波器，每个只提取自己负责的频段，互不干扰，最后再合成输出。 模型的注意力也有这个问题。任务越大，上下文里越容易同时出现目标、反例、日志、旧方案、失败尝试、代码片段和用户补充。它们都在争夺同一个窗口里的注意力。多 Agent 的第一层收益，就是把同一团上下文切成几个局部上下文。 阶段拆分让角色线性化 第一种降维是阶段拆分。Plan 阶段只决定做什么，不写代码；Build 阶段只实现已确定的任务，不重新发明...

没有工具的模型，只能靠提示词获得额外信息。提示词工程在那个阶段几乎是唯一杠杆：把背景写清楚，把例子给够，把格式约束好，让模型在已有上下文里尽量选对路径。 一旦模型拥有主动提取外部数据的能力，问题就变了。智能不再只取决于模型内部能处理多少信息，也取决于它能不能从环境里拿到正确的信息。 Prompt 是喂信息，工具是取信息 prompt-only 系统的工作方式像开卷考试，但试卷、教材和草稿纸都必须提前塞进同一个信封。用户没塞进去的信息，模型默认看不见。它可以猜，可以泛化，可以从训练数据里补常识，但无法可靠知道当前项目、当前日志、当前数据库、当前 API 文档发生了什么。 工具调用改变了边界。ReAct 把 reasoning 和 acting 交织起来，让模型一边推理，一边对外部知识库或环境采取动作获取观察结果。Toolformer 进一步证明，语言模型可以学习在合适时机调用 API，并把结果纳入后续预测。SWE-agent 的核心贡献也不是“又写了一个 coding prompt”，而是强调 Agent-Computer Interface：给 agent 一个适合读文件、改...

长程 Agent 的限制不只来自 context window 大小。窗口里装了什么、旧材料怎样退出、compact 后哪些内容恢复、外部记忆何时失效，同样决定任务能否连续推进。 操作系统用 paging 把有限内存接到更大的外部存储。Agent 的上下文管理也在形成类似结构：当前窗口是工作集，文件、索引和 memory 是外部状态，compact 负责压缩历史，检索和恢复机制负责按需换入。Prompt cache 则位于另一条轴上，影响相同前缀的成本和延迟，却不减少它占用的 context window。 Context Paging 管理的是工作集 长窗口解决“能否放入”，没有保证“能否稳定使用”。《Lost in the Middle》显示，模型利用长上下文中的信息时会受到位置影响。Coding 会话还会积累失败命令、过时文件内容、被否决方案和大段日志。即使它们仍在窗口内，也未必属于当前任务需要的工作集。 Context paging 的目标不是保存所有历史，而是在每次推理前组织一个可执行工作集： 当前目标与完成条件； 仍然有效的约束； 关键证据及其来源； 修改状态与未...

大模型写代码有一种很危险的爽感：同一个问题，上一轮胡说八道，下一轮突然给出一段漂亮实现。失败的时候像差一点，成功的时候像中奖了。 这种体验很像抽卡。不是因为使用 AI 等同于赌博，而是因为裸模型的反馈结构具备几个相似特征：结果有波动，高分样本偶尔出现，用户很难提前判断下一轮是不是高分，于是自然产生“再试一次”的冲动。 把这种冲动看清楚，比单纯争论模型聪不聪明更重要。很多 AI coding 的燃尽感，不来自模型太弱，而来自人把自己的注意力押在一次又一次低可见度的重试上。工程工作被悄悄改造成了抽卡循环。 输出是分布，不是一个点 OpenAI 的 reproducible outputs 文档说得很直接：Chat Completions 和 Completions API 默认是非确定性的；设置 seed、固定参数和 system_fingerprint 后，也只是接近可复现，仍不能保证完全相同。 这意味着模型能力不是一个确定点，而是一段分布。一个平均能写出 70 分答案的模型，在具体一次调用里可能落到 50 分，也可能冲到 90 分。用户看到的不是“模型真实能力”，而是一次采...

把大模型当成一个确定性函数，很容易高估它。更合适的工程抽象是：模型在当前上下文、参数和工具环境给出的概率空间里，采样出一个看起来最合适的结果。 这意味着同一个模型在同一类任务上的能力并不是一个点，而是一段分布。一个平均能做 70 分的模型，在某个具体任务上可能落到 50 分，也可能冲到 90 分。Harness Engineering 的价值，不是把 70 分模型魔法般变成 95 分模型，而是把它的行为压进一个更小、更可验证的区间，让低分尾部少出现，让高分路径更容易复现。 这个区间可以叫“箱体”。Spec、测试、工具、循环、权限、外部状态、子 Agent、hook，都是箱体的不同面。没有箱体时，模型在荒野里寻路；有箱体时，模型在一条被标出边界和检查点的路线上前进。 模型不是函数，而是概率场 OpenAI 的 reproducible outputs 文档把一个事实说得很直白：Chat Completions 和 Completions API 默认是非确定性的；即使设置 seed、保持参数和 system_fingerprint 一致，也只是“mostly determin...

导语 2025 年初，Andrej Karpathy 在 X 上定义了一个词——Vibe Coding："完全交给 vibes，拥抱指数级增长，忘记代码的存在。"他用语音输入加上 Cursor Composer 与 Claude Sonnet 协作，"Accept All"不读 diff，代码超出自己理解范围。这个定义专门标注了适用场景：throwaway weekend projects。 一年后，这个词被 Collins Dictionary 评为 2025 年度词汇。Y Combinator W25 批次 25% 的创业公司代码库 95% 由 AI 生成。Vibe Coding 从周末实验变成了产业现实。 与此同时，另一条叙事线在英文科技世界悄悄展开：用 AI 写代码的人，开始报告一种新类型的疲惫。不是传统意义上"加班太久"的 burnout，而是一种此前在编程工作中几乎不曾出现的认知消耗。 Andrew Ng 在 LangChain Interrupt 会议（2025 年 6 月）说了两句话，一句承认疲惫——“W...

这个系列从《计算的本质》重新出发，用 Python 重写核心实验，再把每个模型映射到 Java 程序员熟悉的工程结构。一路走下来，主题并不是记住更多术语，而是换一种方式观察程序。 程序可以是语法树，执行可以是规约，协议可以是自动机，嵌套可以靠栈，通用计算可以由解释器承载，分析工具也可以承认不精确并保持有用。 本文不再引入新模型，只把前面十几篇文章收束成一张工程地图。 概念地图 先把系列里最重要的模型压成一段可运行的概念地图。 12345678910concept_map = [ ("AST / 语义", "解释器、DSL、规则执行"), ("DFA / NFA / 正则", "协议状态、校验器、词法分析"), ("PDA / 栈", "parser、嵌套结构、调用栈"), ("图灵机 / 通用性", "VM、脚本引擎、程序作为数据"), ("停机问题 / 抽象解释", &...

停机问题说明，对任意程序做完备且正确的停机判断是不可能的。工程分析工具并没有因此失去意义。它们换了目标：不追求精确理解所有程序，而是用可计算的抽象信息给出有用结论。 抽象解释就是这个方向的代表。它把具体值集合映射到抽象域里，用保守规则模拟程序执行。只要抽象规则覆盖了所有可能的具体行为，分析结果就可以用于告警、优化或拒绝高风险程序。 本文用区间分析做一个最小模型：变量不再保存单个整数，而是保存可能取值范围。 从具体值到抽象值 具体执行关心单个值： 123x = 3y = 5z = x + y = 8 抽象执行关心值的集合。若只知道 x 在 0 到 10 之间，y 等于 5，就可以推出： 123x in [0, 10]y in [5, 5]z = x + y => z in [5, 15] 这个结果不精确。z 不一定等于区间里的每个数，但所有可能结果都被包含在 [5, 15] 里。保守性比精确性更重要：不能漏掉可能发生的值。 区间抽象域 区间可以用两个端点表示。 12345678910111213141516from dataclasses import dataclass@...