system_ops_05

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。

这类问题的核心是写入治理。不要让模型把“当下有用”自动等同于“长期值得记住”，而要给写入设置阈值、确认和降级路径。真正稳的记忆系统，一定同时重视写入、遗忘和纠错。 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。

先别争论模型行不行，先看证据链。把 query、召回、重排、引用、最终回答串起来看，通常第一处断裂点就会暴露。没有分层观测，任何优化都很容易在错误层面打转。 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。