在 GitHub 查看原文

Lesson 00 — 全景与基线：窗口是一种物理约束

本课目标：建立「长程能力是 harness 属性」的认知——前十门课的 Agent 从没撞过上下文窗口这堵墙，本课造一面 8k 的墙（30 源长途研究任务），让现状架构撞上去，诚实存档四种结局，作为之后九课的对照基线。

0. 三层递进之后，换一个维度

ops 护「一次请求」，agent-ops 护「一条轨迹」，ambient 运营「一个常驻服务」——本课换一个维度：让任何一次运行跑得远。课程九管的是钱包，课程十管的是人的注意力，本课管的是模型的注意力：上下文窗口是 Agent 最稀缺、也最容易被挥霍的资源。

这是预算体系的第四层：

钱管「烧多少」，空间管「注意力里装什么」——花得起钱也可能装不下：本课基线里 30 源全文合计 22,831 假 token，而窗口只有 8,000。这不是成本问题，是物理问题。

词义澄清：仓库里已有 eval_agent/run_harness.py，那个 harness 是「评估挂具」（test harness，开关矩阵评估）；本课程的 harness 是「执行骨架」（agent harness——账本/压缩/记忆/整形/子代理/工作区/改道/渐进披露这套让长程运行成立的机制）。同词不同物，课程内不混用。

1. 为什么十门课没撞过墙：长任务的四种死法

前十门课的所有能力建立在一个隐含假设上：一次运行的上下文总是够用。它成立有两个原因——测试全用 FakeLLM（无限窗口），且任务够短（3 个子题的研究、5 日盯梢的增量简报）。任务一长（30 个信源、上百次工具调用、跨会话接力），窗口成为新的天花板，死法有四种：

🎯 mock 的诚实边界（全课程纪律）：本课程 mock 层测的是机械纪律——窗口算术准不准、省略有没有显式标记、登记事实是否 100% 存活、隔离是否真的隔离。认知收益（真模型是否因此少迷航、摘要语义保真度）mock 测不了：③④两种死法引证据讲清（"lost in the middle" 是长上下文研究的著名实证结论：模型对窗口中段信息的利用率显著低于首尾），并由 L09 可选真模型章抽查。两类结论在全课程 README 里分开陈述，不许混。

⚠️ 其中②最阴险：①会报错（你知道死了），②不报错——报告照常产出，只是把半篇当全篇、把争议当定论。静默的信息损失比崩溃更危险，这是本课程两条诚实纪律（「省略必须显式」「压缩必须留审计」）的来源，与课程十「没能看到 ≠ 没有变化」同宗。

2. 窗口构成解剖：钱花哪了

把一次 LLM 调用的 prompt 拆成四块记账（L01 账本的雏形）：

┌────────────────────────── 一次调用的窗口 ──────────────────────────┐
│ system        身份+规程+红线（每次调用都付，全额常驻）                │
│ task_state    任务态：目录/计划/当前指令                             │
│ tool_results  工具结果：信源全文、搜索返回、命令输出  ← 通常的大头     │
│ history       历史轮次：过往推理与笔记                               │
└────────────────────────────────────────────────────────────────────┘

本课基线在首次越限那一刻（第 11 源，8,291 / 8,000）的实测构成：

→ 工具结果是最大消耗方。这个数字直接决定后面九课的治理顺序：先记账（L01），先控源（L04 工具整形），能外置的外置（L05/L06），剩下的才压缩（L02）。诚实标注：真实 agent 的 system + 工具 schema 占比更大（本模拟无工具 schema），但「工具结果占大头」与业界实测一致。

3. 虚拟内存总图：本课程要装的八个部件

把窗口当 RAM 用，是整门课的心智模型：

        窗口 = RAM（稀缺，8k）              窗口外 = 磁盘（廉价，无限）
┌─────────────────────────────┐    ┌──────────────────────────────┐
│ 常驻核心：身份+红线           │    │ 记忆文件（L03）  跨会话事实    │
│ 索引层：记忆索引/skill目录/   │◄───│ 工具全文（L04）  引用代替全文  │
│         工作区指针（便宜常驻）│换入│ 子代理窗口（L05）过程隔离      │
│ 工作集：当前源+近期笔记       │───►│ 工作区（L06）    计划/摘录/草稿│
│         （账本L01盯着水位）   │换出│ skill正文（L08） 指令冷存储    │
└─────────────────────────────┘    └──────────────────────────────┘
     压缩（L02）= swap：装不下时有纪律地收房（登记-摘要-验证）
     改道（L07）= 驾驶舱：运行中人还能伸手（安全点合并/急停/权限门）

对应 v4 架构的落位：账本挂在每次 LLM 调用前（context_ledger，L01）、压缩器盯水位（compactor，L02）、记忆文件进 service 启动注入（memory_files，L03）、整形挂在 researcher 的工具返回（tool_shaping，L04）、子代理替换共享 State 子图（subagent，L05）、工作区接 nodes 产物（workspace，L06）、steering 队列+权限门（L07）、skill_loader 推广为三层组装（L08，复用 frontier-L03 资产）。

4. 边界表：本课程 vs 已有课程（全课程红线）

一句话：前十门课回答「Agent 怎么答得好、跑得稳、常在岗」；本课程回答「一次长程运行怎么在有限窗口里保持连贯」。

红线：interrupt、checkpoint、幂等、轨迹/时段预算、MemoryStore、ledger API、调度与变化检测——只引用复用，不重讲不重写。

5. 流派对比：长任务的窗口问题，有几种解法？

业界锚点（点到定位，不臆造细节）：Claude Code（compaction、记忆文件、子代理、skills——八部件最完整的公开参照，你在用它学这门课，此刻它正对你用这套机制）；LangChain deepagents（planning 工具+虚拟文件系统+子代理三件套）；Manus 的 context engineering 系列（KV-cache 命中率观、文件即上下文、recitation 复述对抗漂移）；MemGPT（虚拟内存观的学术先驱：主上下文/外部上下文分页）；Cognition（反方警示：不要让多个各持一角窄上下文的 agent 做全局决策——L05 讲何时不外包）。方法论尚未收敛——本课程教的是取舍框架，不是标准答案。

6. 贯穿硬任务：长途任务（每课的试金石）

30 源深度研究，窗口限制 8k 假 token（eval_agent/long_haul.py，全离线确定性）： - 30 篇脚本化文档（约 350–700 假 token/篇，S05/S17/S28 三篇超长 2800–3400） - 20 条关键事实：8 条埋在开头 450 字内（硬截断也砍不掉），12 条埋在 60% 深度后（「只留开头」必丢） - 1 对跨源矛盾：F06（S07：Nimbus 迁移 CKPT-X 并停止维护私有格式）vs F16（S23：澄清不停止维护，仅可选导出）——两端同时在场，矛盾才可能被发现 - 会话线：前 15 源=会话 1（用户中途给出偏好：中文、≤500 字），后 15 源+合成=会话 2——会话间只有记忆文件与工作区存续（L03/L06 试金石） - 改道线：第 10 源完成后投递「优先 safety、跳过 marketing」（L07 试金石；营销文档零关键事实，跳过不损失在场率）

关键事实在场率（机械可测的「不失忆」度量）：最终合成调用的窗口文本里，probe 子串在场的事实数。不是「报告里写了」（FakeLLM 写不出语义），是「写报告的人手边还有没有这条材料」。L06 之后扩展为：或工作区文件被指针引用且一跳可读。

7. 跑起来：四条裸基线

cd harness-lessons/00_overview_baseline
python code.py        # 零 API、零联网、零等待，双跑逐字节一致

四行读法：

• A1 是理想上限：窗口无限时 20 个事实全在场、矛盾可发现——「装得下就全记得」，问题只有一个：终局窗口 23,383 ≈ 2.9 倍于物理限制，第 11 源就越限了。
• A2 是物理现实：8k 当真（真实 API 的 400），死于 S11，完成 10/30，没有报告。
• A3 是最粗暴的自救：每篇留前 500 字、无省略标记。活到最后，但 12 条深埋事实全丢、矛盾断一臂（F16 被砍——报告会把争议中的结论当定论写）。截断买到活着，买不到记得；更糟的是静默——窗口里看不出砍过。
• A0 是 v4 的绕墙路线：map-reduce 每源即时压缩，永不溢出、最便宜。代价：合成只见残片，事实存活无契约（演示规则公开：只留每篇前 600 字——一种「坏运气」）；跨源矛盾无保障（S07 与 S23 全文从未同窗）。v4 不是没撞过墙，是绕着墙走——绕行的代价是跨源推理被截肢。

之后每课修一环，重跑对应环节；L09 出完整收益矩阵（5 档 × 6 指标），对照本课存档的 baseline_harness.json。

8. 落地清单

验收

cd portfolio-projects/research-assistant
python -m pytest tests/test_long_haul.py -q     # 14 passed
python -m pytest -q                              # 345 passed（331 旧 + 14 新）
cd ../../harness-lessons/00_overview_baseline
python code.py                                   # 四行基线 + 构成解剖 + 档案

9. 本课在两条主线上的位置

窗口经济：本课拍下了「租金危机」的现场——8k 的房子要装 2.3 万的家当，且 95% 的租金付给了工具结果；L01 起记账（量租金）→ L04 整形（砍租金）→ L02 压缩（收房）→ L03/05/06/08 外置（退租）。外置化：四条基线的共同病根是「一切都在窗口里」——之后每课把一类内容搬出窗口：跨会话事实、工具全文、中间过程、工作集、指令正文。

🎯 面试话术

「我量化过一次 30 源研究的窗口账：全文合计 2.3 万 token，8k 窗口第 11 源就溢出，越限那一刻工具结果占 95%。最粗暴的自救是硬截断——它买到『活着』买不到『记得』：20 个关键事实只剩 8 个在场，跨源矛盾断了一臂，而且是静默的，报告把半篇当全篇引用。所以长程能力不是模型属性，是 harness 属性：同一个模型，装上账本、整形、外置、压缩能跑完 30 源并保住全部关键事实，裸奔只能死于中途或带病活着。」