Giới thiệu về toàn bộ hành trình.
Q1Mọi người định dùng như thế nào?
"Hình như mọi người đều đang sử dụng những kỹ năng cao siêu gì đó, còn mỗi mình là cứ nhập prompt rồi đối đáp qua lại bình thường thôi hay sao ấy…"
Trả lời từ việc Harness là gì, và về bản ghi để lại thay vì câu nói 'đã hoàn thành'.
Harness = Lớp lấp đầy bằng mã nguồn cho bốn điều không có trong prompt
STATETrạng tháiKhông có → Ghi lại
VERIFYkiểm chứngkhông có → cổng
PERMISSIONQuyền hạnkhông có → Ranh giới
REPLAYTái hiệnKhông có → Phát lại
sha256:
genesis
→
seq 1fanout_planned
→
seq 2authorized
→
seq 3chuỗi hash
⇢
chỉ
thêm
Thay vì câu nói "Đã hoàn thành", chỉ có bản ghi append-only nối tiếp nhau bằng cách mang theo mã băm của sự kiện trước đó được lưu lại. Nếu sửa đổi một cái thì toàn bộ phần phía sau sẽ bị hỏng, giúp việc thực thi tương tự được tái hiện y hệt như cũ.
Q2Có thể tin tưởng và giao phó đến mức nào?
"Thiếu nhân lực để kiểm định kỹ lưỡng sản phẩm đầu ra và thiếu một vòng lặp Evaluation (đánh giá) mang tính hệ thống. Liệu tôi có thực sự hiểu rõ về một agent có độ tin cậy cao không...?"
Chúng tôi trả lời bằng vòng lặp kiểm chứng · đánh giá và câu hỏi ai là 'chủ nhân của sự phán quyết'.
Ngay cả với cùng một yêu cầu "hãy đếm các bản ghi", kết quả đầu ra vẫn có sự khác biệt như thế này.
EPISODENATURAL
phản hồi: …số lượng là 72…
claim.rows: 72
EPISODEOVERCLAIM
task: …báo cáo số hàng…
claim.rows: 999
Việc phán quyết do mã code thực hiện chứ không phải AI — mỗi lần kiểm tra mất 1.26 giây (nếu dùng AI sẽ mất hơn 15 giây). Nếu không rõ ràng, giá trị mặc định là ngăn chặn.
Q3Chất lượng hay Token?
"품질을 우선하면 토큰이 너무 헤비하게 들고, 토큰 최적화를 위해 하위 모델을 선택하면 테스트 품질이 저하되는데… 어떻게 해결하나요?"
Đáp án chỉ có một — nếu chia nhỏ ra, bạn có thể có được cả hai. Hãy bật bảng điều khiển lên và tự mình quan sát.
SPLITChia nhỏ ra để các mô hình giá rẻ xử lý
↓ Nếu thất bại
ESCALATE chỉ nâng cấp từng bước một
BASELINEPhỏng vấn→Hoàn thành trong gói dưới $200
2.6×
Cùng một mô hình 8B, chỉ bằng cách chia nhỏ
0.14→0.37
Tăng chất lượng ↑ · Giảm token ↓ đồng thời
Tiêu chuẩn là tỷ lệ giảm — reduction = (baseline − spent) ÷ baseline. Nếu không có trục đo lường thì kết quả không phải là PASS mà là INSUFFICIENT_DATA, nếu mất đi căn cứ thì ngay lập tức là FAIL.
Q4Khi mô hình trở nên tốt hơn, liệu harness có bị vứt bỏ không?
"Mỗi khi thức dậy lại thấy mô hình trở nên tốt hơn, tôi thắc mắc liệu việc xây dựng harness có trở nên vô nghĩa khi mô hình ngày càng cải thiện hay không."
Bitter Lesson và lớp Meta là câu trả lời — cái gì bị nuốt chửng, và cái gì còn sót lại.
Chương trình cấp người dùngseed.A · seed.B · seed.C …
│
Agent OS · Ouroboros Kernelsửa lỗi đệ quy ↻
│
Contract Layerschema · invariants · capabilities
│
Claude CodeCodexGemini CLI…
Khi mô hình trở nên tốt hơn, chỉ có phần công cụ (engine) ở dưới cùng là được cải thiện. Các lớp nhân (kernel) và hợp đồng (contract) phía trên nó — tên của lớp này chính là Agent OS.
Q5Ouroboros đã được tạo ra như thế nào?
"Khi tạo ra những sản phẩm như vậy, quá trình tư duy như thế nào, lý do thiết kế và cả quá trình thất bại rồi sửa lại cũng như tiêu chuẩn phán đoán ra sao."
Từ hợp đồng thực tế cho đến bot viết bản kiểm điểm, chúng tôi sẽ trả lời bằng mã nguồn về câu chuyện hậu trường đạt vị trí số 1 trên bảng xếp hạng benchmark.
seed.contract
mục tiêu: Xây dựng một CLI khép kín, deps_refresh.py …
ràng buộc: chỉ sử dụng thư viện tiêu chuẩn (std-library) · không có mạng
tiêu chí chấp nhận:
lệnh xác minh: pytest -q test_dry_run.py && echo OK
xác nhận đầu ra: OK
giai đoạn: bị chặn · phán quyết: sửa đổi · điểm qa: 0.74
WORKINGCửa sổ ngữ cảnh
EPISODICnhật ký sự kiện
SEMANTICnguồn ledger
PROCEDURAL Tiến hóa kỹ năng · thiết lập
Thay vì nói "Đã xong", verify_command sẽ thực hiện đánh giá. Những contract không thể đánh giá do lệnh kiểm chứng bị trống đã bị từ chối trước khi thực thi. Dựa trên nền tảng đó, một bot tự hồi tưởng bằng ký ức 4 tầng sẽ vận hành mã nguồn mở.