夜雨聆风大家好，我是十三！欢迎来到十三Tech。
上一讲聊了语义压缩——进来了的信息怎么压才不丢工作记忆。这一讲处理的是前提失效的场景：面对陌生代码库、没看过的合同、几亿行的事故日志，Agent 不知道相关信息在哪，只能自己探索。
这一讲叫"渐进发现"，但它给出的第一个判断就让我重新想了想 RAG。
一、代码库不是文档库
一个电商系统偶尔会发错订单确认邮件，混入其他客户订单条目。团队试了三种思路。
三种探索方案对比
整个代码库 15000 文件全喂进 Agent——token 爆炸，切成 100 段并行喂，每段都说"没看到 bug"。换 RAG 语义检索——召回的都跟"订单""邮件"语义相关，但出问题的代码变量名是 merge_user_state，注释里没有 order 或 email，语义检索完全没命中。
最后用 grep + read：搜 send.*confirm，拿到 30 个候选，挑出 5 个最可能的，读完发现调用链 MailerWorker → Cache.get_user → render，再读 Cache.get_user，发现 cache key 用了 order_id 但没用 customer_id——bug 找到了。四轮探索，约 18K token。
这个 bug 跟语义没关系，跟代码结构有关系。 代码里的关键信息经常藏在变量名、调用链、缓存 key、配置文件、测试路径这些结构关系里，而不是藏在语义相似度里。
二、Forage / Focus / Deepen：三阶段循环
渐进发现的工程骨架是三阶段循环，背后是 Pirolli 和 Card 1999 年的信息觅食理论。
Forage / Focus / Deepen 三阶段循环
动物找食物不是把整片森林翻一遍，而是先广扫找到食物斑块，深挖已找到的斑块，斑块吃光了再换一个。这个模型先迁移到人类信息检索，现在再次迁移到 Agent 系统。
广扫阶段用低成本工具（grep / glob / find）拿候选；聚焦阶段从候选里挑 5 到 10 个完整读，建立局部理解；深挖阶段沿可疑调用链追下去，找到最强信号链。
每个阶段背后都有判断指标：广扫看 information_gain（搜一次拿到多少信号），聚焦看 patch_quality（哪个区域最值得继续挖），深挖看 marginal_value（再多花 1000 token 还能不能拿到新线索）。这三个指标让 Agent 的探索决策从"凭感觉"变成"有计算依据"。
这和 OS 调度器的工作集理论几乎同构：先把工作集探出来，再针对工作集做精读。
三、Agentic Search 反转了 RAG 常识
Claude Code 创始人 Boris Cherny 说过一句很值得琢磨的话：agentic search generally works better。
这反转了很多人关于 Agent Context 的默认直觉——当时大家觉得"长 context 不够装就上 RAG"是天经地义，OpenAI / Pinecone / LangChain 整个生态都在这条路上推进。然后最常用的 Coding Agent 跳出来提醒：这条默认路径不能无脑套用。
Agentic Search vs RAG vs 持久化索引选型
但 grep + read 不是全部。Augment Code 把 Context Engine 做成工业级代码索引系统：400K 文件、45 秒增量更新、跨 repo 依赖追踪。
这两条路线不是对立。Boris 说的是 "generally works better"，generally 这个词意味着不绝对。关键判断是按规模切分：5K 文件以内用 agentic search 够了；50K 到 400K 文件需要代码库索引；400K 文件加跨 repo，持久化索引必选。Cursor 走的混合路线才是工业级答案：小库现场探索，大库索引托底。
四、Sub-Agent 隔离深挖
最后一条让我有共鸣的工程纪律：深挖过程不应该污染主 Agent 的上下文。
长期运行的 Agent 主上下文就是主进程。探索过程的中间垃圾会一路堆积，最后真正有用的信息被淹没。更成熟的做法是把深挖隔离给 Sub-Agent 或独立 search worker，主 Agent 只拿回压缩后的发现和证据链。
Sub-Agent 隔离深挖过程
这和服务端"主进程不做重活，重活交给 worker / sidecar / 沙箱"是完全同构的工程纪律。我现在看 DeepAgents 的 subagents.py、DeerFlow 的 schema 化 Action，本质上都是在做探索过程的命名空间隔离。
还有一个让我有共鸣的判断：satisficing 而非 optimizing。探索不是寻找理论最优解，而是在有限时间、有限 token 里找到一个足够好的解。这条 Herbert Simon 的老原则——边际收益是否还覆盖边际成本——在 Agent 时代回归了。
关于十三Tech
All in AI Agent方向的架构师，专注AI工程实践。
相信AI是程序员的最佳搭档，帮助每一位开发者驾驭AI。
