这几天美股软件板块很热闹。
Snowflake 财报一出，市场像突然松了一口气。不是那种“AI 要颠覆一切”的亢奋，而是另一种更现实的情绪：原来 SaaS 还没死，原来软件公司还能在 AI 时代继续增长，原来投资人还愿意为确定的收入、利润率和现金流买单。
过去半年，SaaS 股一直被一个问题压着：如果 AI 能直接完成工作，传统软件还有没有价值？更狠一点说，如果 Agent 变成新的入口，SaaS 会不会从操作系统退化成数据库？Snowflake 这次给市场续了一口命。Product revenue 继续高增长，全年指引上调，AI 需求没有把它的商业模型拖垮，反而让市场重新相信 data infrastructure 仍然是 AI 时代的核心资产。
老板问：”我们 AI 自动化测试做得怎么样了？”会议室里没人说话。一个月前，有人提醒过：AI 不可靠，自动化测试不能这么搞，测试系统最怕的不是不会做，而是不稳定。但那个时候，这句话听起来很像借口——站在老板的位置，也很难判断，到底是 AI 不可靠，还是你人不行？
最近有篇论文，标题很炸：Useful Memories Become Faulty When Continuously Updated by LLMs。
翻译成人话就是：LLM Agent 的长期记忆，不是越更新越聪明，而是可能越更新越蠢。
论文里有个实验很刺眼：GPT-5.4 原本能 100% 解出一组 ARC-AGI 题。研究人员给它正确答案，让它把成功经验总结成长期记忆。连续更新 10 轮之后，准确率掉到 52.6%。它不是”没学会”，而是”本来会，被自己的记忆教坏了”。
很多神话故事里，转世都要过奈何桥，喝孟婆汤。以前看这类设定，总觉得它只是为了制造戏剧冲突：忘了前世，才有今生的爱恨情仇。现在再看，反而像一种系统设计。前世记忆不是外挂，很多时候是污染源。那些经验是在上一组约束里长出来的——上一具身体、上一套关系、上一种秩序、上一轮恐惧和欲望。换了环境，还把它们当成真理带进来，不是开局优势，而是路径依赖。长期记忆最危险的地方，不是忘记，而是把一个过早的抽象硬编码进未来。
最近我看到一个很有意思的现象。
有人给 Agent 加了一堆 SKILL，接上各种 Knowledge base，工作流满天飞，prompt 里塞满了注意事项、反例、few-shot，然后很认真地说：我们现在也在做 harness engineering。
我的第一反应是：这连门儿都还没摸着，离真正的 Harness Engineering 还远着呢。
SKILL、KB、structured prompt 当然有价值。它们能让模型更懂上下文，更容易按你的预期行动，也能显著降低低级错误。但如果你把这些东西叫 harness，那就把整件事想浅了。
KB/SKILL 不是 harness，它们最多只是 harness 的输入约束层。
很多人以为，让 Agent 理解代码，就是给它更多源码：更大的 context window，更好的 embedding，更聪明的 RAG，更细的 AST index。我以前也差点信了。
直到我让 Agent 清理 AB 实验代码：它很快扫出一堆调用点，然后说“清完了”。真正的问题不是 Agent 能不能读代码，而是我怎么证明它没有漏掉第 201 个调用点。对 Agent 来说，context 不应该只是源码文本；Code 本身就应该成为 Agent 可以查询、验证、推理的上下文。 Graphite 就是为这个问题做的。
五一假期，从首尔飞上海，距离上一次踏上这片土地，整整十二年。
到了酒店，把孩子们安顿好，晚上带夫人去了 The Stage 玉兰观景台，三百多米的高度，俯瞰整个陆家嘴和黄浦江。出舱门的那一刻，满地的灯光像潮水一样在脚下铺开。
回想起十二年前，我也曾在这片土地上。只不过那时候，我是站在江对面，仰望着这边的塔尖。
最近 Agent 写的代码，review 时要改的东西越来越多。硬编码、魔法数字、抛异常时不给用户友好提示、catch 了又吞掉、内存悄悄上涨、循环里塞着循环——以前偶尔出现，现在几乎每个 PR 都能看到。
Agent 写代码快，但快得没有 engineering excellence。
设计自主进化系统时，会遇到一个看似简单的选择。
每一轮挑出 best sample，但 best 还没 pass 的时候，下一轮怎么办？
方案 A：把 best 作为下一轮的 base，所有 sample 基于 best 继续进化。
方案 B：每个 sample 保持独立 lineage，best 不影响任何人。
SSD（Simple Self-Distillation）是 Apple 提出的一种自蒸馏方法——从 frozen 模型里多 sample，在自己的原始输出上做 SFT，让模型自我改进。本文讨论的是 SSD 的一个变种场景：inference-time 的 multi-sample selection——多 sample 之后怎么选那个“最优”。
