ARTICLE · 1159766
AI 不是越用越笨,是我们一直在用错力气
重思 · 重现 · 重生
我的 agent 研究笔记 · 第一篇
重新发现 AGENT · 001
AI 不是越用越笨，是我们一直在用错力气
这一篇文章，是我决定把 agent 从「偷偷用的工具」搬到台前研究的开始。 我把十二条关于 AI 的流行说法逐条对了证据，结果比我预想的更反常识。
先说一个我猜你也遇到过的现象。
对话刚开始的时候，它写得很认真。两千字，结构清楚，该展开的都展开了。聊到后面，你说「再深入一点，加上对比」，它回你一千字。你再问「还有哪些没考虑到」，它给你三行。
你的第一反应是——它变懒了，它在敷衍我。
这个感觉是对的。但原因不是你想的那个。
一 · 这不是错觉，有数据
我找到一组实测数据：六个主流模型，七十五个真实任务。任务进行到第三到第五小时，它每次回答的输出量掉了三到四成。
最反常识的是：越强的模型掉得越狠。能力最强的那个，掉了 45%。
所以不是「它不行了」。是我们这个用法，本身在消耗它。
二 · 同一个模型，成绩能差一倍
第二个发现更颠覆。
同一个模型，同一批任务，一行权重都不改，只换「怎么给它信息、怎么让它记东西、它能调用什么」，成绩能从 40.68 直接跑到 100。
差别不在模型好不好，在接法对不对。这件事我第一次看到的时候，盯着那张表看了很久。
三 · 那为什么老办法突然不管用了
你肯定有过这种经历：精心调了一套提示词，效果很好。过了三个月模型升级，同样的提示词，反而让它变差了。
我找到了实测：几套专业工作流，在旧模型上好用，换到新模型上全部翻负——有的从 +8.3 掉到 −8.3，有的从 −10 掉到 −40。
原因其实不难理解：你的流程，本质上是在补某个具体模型的短板。模型自己学会那件事之后，你的流程就从「帮助」变成了「干扰」。
四 · 网上最流行的那条建议，也是错的
「对话太长就重开一个」——这条几乎所有人都听过。
实测下来：重开得越勤，成绩越差。每步都重开、中频率重开，两个设置都不如什么都不做。
顺带说，把记忆容量从 200K 加到 780K，成绩零提升，成本贵 3.4 倍。反过来砍到 100K，成绩只掉 0.4%，成本减半。
给更多、给更大、写更详细的说明书——这三个方向我都找到了实验验证：都没用。
所以真正的分水岭在这里
我们是在「用 AI 干好任务」，还是在「用好 AI 干任务」？
用 AI 干好任务
教它怎么做。写流程、补背景、叮嘱注意事项。你补的是它的短板——而短板会过期。
用好 AI 干任务
先定义「怎么算做完了」。给它一个它看得见、但改不了的标准。你锚定的是任务本身——它不会过期。
这一句同时解释了三件事：为什么你的提示词会失效、为什么「重开对话」没用、以及为什么「让它自己检查一遍」反而真的有效。
五 · 明天就能改的三件事
1 · 先想「怎么判断它做对了」
写提示词之前，先确定一个能客观打分的标准。有了它，你不需要教它方法。
2 · 这个标准要它自己改不了
外部给、提前定好，它不能自己改判分规则。一个能被它轻易满足的标准，会被轻易满足。
3 · 升级模型后，把「教它怎么做」的部分删掉再试
模型变强之后，那部分会从帮助变成干扰。这已经不是我的猜测——是厂商自己在建议的做法。
我们总在讨论「该用哪个 AI」。但真正决定结果的那个变量，可能一直是我们怎么用它。
这也是我决定开始做 agent 研究的原因——上面这些结论，每一条背后都是一篇论文、一组数据、一次可复现的测量。它们不是我拍脑袋想出来的，也不该只作为「技巧」流传。
数据来源
· VISTA: A Visual Harness for Reasoning in an Interactive World — arXiv:2610.02200（MIT，2026-10-01）· Evaluating AGENTS.md: Are Repository-Level Context Files Helpful for Coding Agents? — arXiv:2602.11988（ETH Zurich）· 一份 ICLR 2027 在审投稿关于单 agent 长时程退化与harness staleness 的测量
本文所有数字均来自公开材料，可查证。未经核实的推测已在文中明确标注。
重思 · 重现 · 重生
把 agent 从工具，搬到台前