system_ops_08

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。

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。