- 牙叔2026-06-18 来自浙江还是会比较疑惑的点， 哪些属于Agent框架的范畴， 哪些是属于模型推理的范畴？ 比如 ： 【语义压缩】 “我何时触发Compaction，如何Compaction” ，似乎是Agent 框架的实现 【渐进发现】 “我要先 glob grep read ， 并找到关键点，渐进披露 ” 似乎是模型本身的推理结论 那我自己搭建agent的话能干预到哪些点 ？
作者回复: 牙叔，二者都是Harness框架控制+Model本身推理二者相结合的闭环系统。 一个个看: 【语义压缩】 “我何时触发Compaction，如何Compaction” —— 1. 不控制，没法做压缩 2. 不推理，没法智能化的判断何时压缩，怎么压缩（可以机械的判断） 【渐进发现】 “我要先 glob grep read ， 并找到关键点。 —— 1. 不控制，没法做glob grep read任何事，没办法把找到的东西回传给模型 2. 不推理，没法智能化的判断下一步应该做些啥。 对于属于一个整体的事情，不能做二分法。
1 
PatrickL2026-06-18 来自上海渐进发现本质是个“探索->利用->再探索->再利用”的迭代过程，直到假设得到证实，则任务结束。作者回复: 对 所以说现在什么突然出来一个什么Loop Engineering，这玩意哪里有什么新思想。都是Loop。
骑车吃火锅2026-06-21 来自河北光扫阶段：Agent 用 grep / glob / find 这种低成本工具扫陌生空间。先拿到 30-50 个候选。这个阶段主要看文件名、路径、匹配行和周边上下文，不读完整文件。 问一下：如何保障召回率？会不会有一些关键代码被漏召回掉？
街角·陌路△2026-06-19 来自内蒙古首先提一下，Augment 是真的好用，就是比较贵，其他都挺好。他那个索引是建得真的厉害。 看这篇文章的时候，脑袋里一直回响就是卡帕西的 llm wiki。因为我觉得这个是最像渐进发现的方式。不过从卡帕西这个也发现了渐进发现的问题。就是基础总量不能太多，如果太多的话，检索成本过于高。而且还会有一个人为的习惯，就是因为它是渐进式发现，觉得基础检索的内容很少，很容易把一些无用的信息堆进去，导致给 Agent 造成很多噪声。 所以前置也需要上下文分诊，就如同 skill 渐进式披露，但是如果写代码的环境里放了一堆电商运营的 skill，这也会让 Agent 效果大打折扣，而且还很浪费上下文