上个月我把手上一个 agent 应用里的三个 specialist 删了。
不是为了省 token，而是那套 orchestrator 加三个 subagent 的结构，每加一个功能我要改四个地方：路由的分类规则、subagent 自己的 prompt、主 agent 的 prompt，还有交接时那份字段约定。改完还得赌两边对“用户到底想要什么”的理解是一致的。
删完跑我们那套没几个 case 的回归，任务完成率没掉，端到端延迟掉了将近一半。这个数字是拍脑袋得来的，并没有做 A/B，后面会提到别人认真的测量，结论差不多。
Anthropic 的 Applied AI 团队在 10 月 22 号发了一篇文章，Building agents: When to fold subagents into your main agent loop。我第一反应不是“又多一个方法论”，而是“原来不只是我们这么干，而且他们把原因写清楚了”。
前两天看了一篇文章，标题叫《我不得不把才华埋葬在昨天》。
一开始我以为又是那种“AI 会不会取代程序员”的老话题。这两年这类讨论已经多到让人疲劳：程序员还能干几年、哪些岗位最危险、以后是不是只剩下会用 Agent 的人。读下去才发现不太一样——作者就在 DeepSeek 做算子，而且参与了核心 Attention 算子的实现。
他不是站在旁边看 AI 变强，而是在亲手让它变强。更麻烦的是，他自己已经能感觉到：正在做的这件事，正在帮 AI 更快地学会取代自己。
前几天，DeepSeek v4.1 发布了，将小模型能力的高度又向上推进了一个档次。
AI 发展的速度远远超过了所有人的预期。从那个只会咿呀学语地聊天、上下文长度只有几千 token 的初版 ChatGPT，到具有推理能力的 OpenAI o1、DeepSeek R1 与 Kimi K1.5 Thinking，只不过短短两年；从推理模型到如今能够流畅地在各类 harness 工具中执行命令、完成复杂任务的智能体，也不过一年半。很难想象，倘若再等上一年、两年、三年，彼时的 AI 会成为什么样子，会有多么强大，会不会已经具备了自我进化的能力，并深度渗透进了具身智能等领域。
Anchr 最开始只有一条比较传统的 RAG 链路：用户提出问题，系统搜索相关内容，对候选结果重新排序，再把前几个片段交给模型，最后生成带引用的回答。
1 | 用户提问 → 检索 → 重排 → 构造上下文 → 生成回答 |
对大量事实型问题，这条链路已经够用。比如问“文档重新解析后，旧索引怎么处理”，只要知识库里有对应说明，一次检索通常就能找到主要材料，后面只需要把它们整理成一段连贯的回答。
但另一类问题不太一样：
找出几份设计文档里所有与任务恢复有关的内容，再比较进程重启、网络断开和主动取消三种情况下分别会发生什么。
这种问题很少能靠一个现成片段回答。第一次搜索可能只找到 Agent 运行恢复的说明；读完后才发现还涉及异步任务（Task）；继续查 Task，又会遇到进程内状态和持久化状态的区别。等到核对部署约束时，对“恢复”的理解可能已经和第一次检索时不同。
下一步搜什么，开始取决于上一步读到的内容。Anchr 的 Agent RAG 就是从这个问题开始的。
最开始做 Anchr，我想解决的问题很具体：手里的文档越来越多，怎么才能把里面的信息重新找出来、用起来？
目录能解决文件放在哪里，系统自带的全文搜索则要求我还记得原文用过哪些词。资料少时这些都够用；资料一多，更常见的情况是：我记得某份文档讲过这件事，却忘了文件名，也不记得当时的表达。
Anchr 于是从文档搜索做起。搜索基本可用后，我才在检索结果上生成回答；再往后，当一次检索不足以处理跨文档问题时，才有了 Agent。功能名称从 Search 变成 RAG，再变成 Agent，背后却一直在做同一件事：让原始资源稳定地变成模型可以使用、用户又能回到原文核对的证据。
第一次接触 INTJ，很容易留下一个不错的印象。
他们通常说话有分寸，做事有条理，遇到问题也不太慌。该承担的事情会承担，不熟悉的领域很少随口评价，面对不同身份的人，也往往能保持差不多的礼貌。这样的相处并不热络，却让人觉得稳定、可靠。
但接触久了，有些人会察觉到另一面：礼貌还在，距离却一直没有缩短。
你可以和他共事，可以讨论具体问题，甚至会得到认真而坦率的建议，却很难自然地进入他的私人世界。那种疏离未必来自某次矛盾，也不一定是在表达不满。他只是没有因为认识得更久，就默认彼此应该更亲近。
这大概是理解 INTJ 时最容易被忽略的一点：礼貌是他对人的基本态度，亲近则要经过另一套标准。
如果只记得一张图的内容，却忘了文件名，怎么把它找出来？PicIndex 就是为了回答这个问题。
我用多模态 Embedding 把图片和文字映射到同一个向量空间。这样一来，搜索“赛博朋克风格的雨夜街道”或者“一只坐在窗边的猫”，系统就能按照画面语义找到相近的图片。功能跑起来以后，问题也接着冒了出来：图片里的订单号搜不准，大图调用模型太慢，同一个查询还会一遍遍地计算向量。
这些问题最后都没有靠换一个更强的模型解决。PicIndex 后来的大部分调整，发生在模型之外。
这世上有如此多的“流行语”和“最佳实践”，但是让我们把注意力转向更基础的方面。即——开发人员在浏览代码时所感受到的“困惑程度”。
困惑是以时间和金钱为代价的。困惑是由高认知负荷造成的。这不是什么花哨的抽象概念，而是一种人类的基本限制因素。
由于我们花在阅读和理解代码上的时间远远多于编写代码的时间，所以我们应该不断地问自己，我们是否在代码中嵌入了过多会给人带来认知负荷的内容。
很长一段时间里，我一直有一个困惑：为什么我们明明知道学习很重要，也有想要实现的目标，开始以后却总会拖延、分心，很难坚持太久？
以前，我很容易把这些问题归结为自制力不够，或者认为自己还不够努力。后来接触了一些认知科学和心理学的内容，我开始换一个角度理解这件事。学习的回报通常来得很慢，而短视频、游戏和美食都能迅速给出反馈。面对两者，大脑更容易被眼前的奖励吸引，并不奇怪。
理解这一点以后，我关心的问题也变了：学习是否一定要靠痛苦和意志力维持？能不能调整过程，让它变得自然一些，也更容易长期继续？下面这些，是我在学习和调整方法时留下的一些思考。
有一段时间，我经常想起一种变化：有些人明明一直很努力，却越来越觉得生活没有意义；也有人曾经对未来充满期待，在承受了几年持续的压力后，渐渐只想说一句“算了”。
这种变化有时会走向两个看似相反的方向。一种是否定：“努力有什么用，成功又有什么意义？”另一种是及时享乐：“人生这么短，为什么不先让自己开心？”于是，吃一顿好的、买喜欢的东西、玩游戏、看电影和旅行，开始比遥远的目标更有吸引力。
一个趋向虚无，一个转向当下，但它们也许共享着一部分来源：长期没有得到缓解的焦虑，以及随之减弱的掌控感。
这里所说的“虚无”，主要指日常生活中的虚无感，并不是要讨论完整的哲学意义上的虚无主义。我更关心的是：一个人为什么会从“我还想改变未来”，走到“做什么都没有意义”，或者“至少先抓住眼前的快乐”。