system_ops_01

这类问题通常先坏在仓库表征和上下文装配，而不是坏在生成能力。repo map、文件角色、边界说明、知识入口如果不清楚，模型越强也只会更快地在错误上下文里工作。先把工作区讲清楚，往往比继续调 prompt 更有效。 如果让我给一个务实顺序：先划边界，再补观测，再决定是否加复杂度。

这类问题往往不是单纯模型强弱，而是“模型 + harness + 工作流”的组合产物。把所有优劣都归因给模型，会掩盖真正能拉开差距的工程层。先拆清哪些收益来自模型，哪些来自工具、状态和验证回路，判断才会准。 如果让我给一个务实顺序：先划边界，再补观测，再决定是否加复杂度。

这类问题核心是规则和记忆的分层。把长期规则、项目约定、当前任务状态、临时观察全塞进一个文件，迟早会 context bloat。更稳的做法是分层加载、按需注入、让规则和记忆都带作用域。 如果让我给一个务实顺序：先划边界，再补观测，再决定是否加复杂度。

这类问题最容易被误判，因为大家只看到最终输出，看不到中间状态。真正高 ROI 的改造通常不是继续堆能力，而是补一个可观测面，让你知道它为什么走到这一步。没有观测，harness 优化很容易全靠猜。 如果让我给一个务实顺序：先划边界，再补观测，再决定是否加复杂度。

这类问题核心不是多 agent 本身，而是角色边界。谁负责搜索、谁负责执行、谁负责汇总、谁负责审查，如果没有清晰职责，就会出现大量 handoff 噪音和重复劳动。多 agent 的收益来自分工清晰，不来自数量本身。 如果让我给一个务实顺序：先划边界，再补观测，再决定是否加复杂度。

这类问题最后都会落到评测和治理。不要只看召回到没召回到，而要看它是否真的改变了决策质量、减少重复工作或降低失败率。记忆层如果没有增益证明，往往只是更昂贵的日志系统。 如果让我给一个务实顺序：先划边界，再补观测，再决定是否加复杂度。

这类问题首先要解决的是边界，而不是存储。先把 user、project、team、session 几层记忆拆开，再定义允许上升和禁止扩散的规则。记忆一旦没有清晰作用域，后面所有召回都会开始互相污染。 如果让我给一个务实顺序：先划边界，再补观测，再决定是否加复杂度。

这类问题更像召回与时序控制，不只是存没存进去。相关性高但过期、局部有效但跨项目失真，都是典型的排序失败。要把时间、作用域和复用频率一起纳入 ranking，而不是只看语义相似度。 如果让我给一个务实顺序：先划边界，再补观测，再决定是否加复杂度。

规模一上来，最值钱的不是更大的 topK，而是更清晰的分层检索与降级路径。先用便宜层过滤，再让贵层做精排、深读或结构化处理。系统只有在高成本路径不是默认路径时，才会真正可运营。 如果让我给一个务实顺序：先划边界，再补观测，再决定是否加复杂度。

这类问题通常不是召回不够，而是缺少更强的文档身份和来源边界。先补实体、版本、租户、作者角色这类结构信号，再谈相似度本身。排序里让 authority 和 provenance 显式进来，回答层只负责引用与拒答，不要替上游混淆兜底。 如果让我给一个务实顺序：先划边界，再补观测，再决定是否加复杂度。