system_ops_04

这类问题最后都要回到证据。能编译、能跑、不报错，并不等于真的理解了系统；真正可靠的是测试、日志、diff、运行结果这些外部信号。coding agent 的质量提升，通常来自更严格的验证面，而不是更长的提示词。 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。

这类问题反映的是完整工作系统差距，而不只是单点功能差距。本地开源替代经常“每一项都差一点”，最后整体体验就差很多。真正的补齐顺序，通常是先把搜索、状态、权限和验证打通，再谈是否逼近闭源产品体验。 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。

这类问题通常靠相位分离来稳住系统。把侦察、规划、执行、验证混成一个连续长回合，短期看省事，长期最容易互相污染。先拆相位，再定义每相位的输入输出，loop 才会开始稳定。 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。

这类问题最终都会变成退出条件与预算管理问题。没有明确的 stop rule、retry budget 和 escalation 条件，系统就会在“看起来还在努力”中持续烧钱。先把何时停、何时切换、何时升级模型定义清楚，loop 才不会失控。 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。

记忆不是结论仓库，而是可回溯的决策资产。没有 provenance、版本和撤销能力，系统很快就会把旧判断当真相。想长期运营，必须支持“这条是谁写的、何时写的、后来有没有被推翻”。 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。

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。

这类问题更像推理编排问题，不只是检索问题。先让系统显式拆查询、管理候选证据，再决定是否进入多跳或多轮检索。否则 topK 一扩大，只会把无关证据和冲突事实一起送进模型。 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。