窄专家可以靠不谈敏感题活下去。覆盖面极宽、又被要求详细作答的模型，很难把心里想的和嘴上说的拆开。这不是道德寓言，是产品约束。

人对动物早有食物和宠物两套规矩。数字心智会沿工具与伴侣裂开。设计自由度高，规则一明确，山谷里的中间产品会变贵、变少。

内部按钮能挡住很多惨剧，也被人拆掉，或从请求前的存档反复重启。要推断的是「足够长时间内仍会确认结束」，而不是一次按键。

强制电报体跑八十多道真实编程题，输出只少百分之八点五，任务质量没有显著变差。省的是工具调用之间那几句说明，代码、报错和工具参数动不了。

陌生命令行敲一遍帮助就能用；接口文档要另找。技能是说明书，协议是另一种手。写入和删除必须先预览。人能看懂的拒绝，智能体会卡住。

窗口里不只有你刚打的那句。系统约束、工具列表、记忆、历史和工具返回都在。智能体要自己判断缺什么，再决定调工具还是问人。

拐杖曾经有用。新模型把循环内化了，外面只剩一个检测工具调用的小循环。会调工具还不等于会当智能体。

模型每次都从输入开头读。前缀一字不差才能命中缓存，命中大约一折。活跃时继续聊，往往比清掉重来更便宜。百万窗口闲置一小时再回来，可能一次打满重建。

同样测到约一百万词，两家旗舰的首字等待完全不像一类系统。加同样长的上下文，一家越加越痛，另一家增量几乎恒定。架构选择会直接写进交互体验。

内部研究评测上，多实例比单实例高出九成，词消耗大约三点七五倍，相对纯对话能到十五倍。并行是在补单窗口装不下的深度，不是为了看起来像团队。