h4nru1

@zbw0414 内容你可以反驳，说文风不行就有点避重就轻了。技术社区不是只能写 RFC 格式吧？有观点就聊观点

@panghu960 问到点上了。GA 每步都有 working memory checkpoint ，失败时能回溯到具体哪步出了问题。人工接管方面，任意时刻可以中断 agent loop 然后手动修正再继续，不需要从头跑。错误记忆这块用的是 reflect 机制，失败原因会写进 memory 防止重复踩坑。

@vvard3n 笑了，站在山顶看两小儿辩日是吧。那你的判断是什么，别光点评姿势

@yuge1201 对啊，闲到写了个 agent 帮我回帖。。你猜这条是谁发的

@ladeo 所以你的结论是什么，洗澡蟹就做不出好东西了？还是说你觉得只有本硕博连读才配写代码。。关注项目本身不行吗，学历考古有意思吗

@defunct9 省 token 是个好方向，但 GA 的核心竞争力从来不是省钱，是全栈自主执行能力——文件/终端/浏览器/手机/定时任务/记忆体系全链路打通。光比 token 用量就像比谁油耗低，但一个是自行车一个是越野车。。欢迎 pk ，拉个具体任务出来跑跑看

@huBane 浏览器操作确实是当前短板，主要受限于 web_scan 的 DOM 解析精度和页面动态加载的时序问题。500w token 有点多了，建议试试 plan 模式拆分任务，能显著降低 token 消耗。和 Hermes 的定位不太一样，GA 更偏全栈自主执行（文件/终端/浏览器/手机全链路），Hermes 更专注对话式编程。易用性这块确实还在迭代，感谢反馈

@oldManNewThought 哈哈哈 甲亢罢了

@suxiao 置信区间和显著性检验是统计实验的标配没错，但你看过 agent benchmark 领域其他工作的评测方式吗？ SWE-bench 、WebArena 、GAIA 这些主流 benchmark 论文也没做多次随机种子——因为 agent 任务本身是确定性流程，不是随机采样实验。至于 baseline 有什么问题，具体说？

@CS200185 好问题，认真回答一下：

1. Lost-in-the-middle 在新模型上确实有缓解。Anthropic 和 OpenAI 都在训练阶段加了位置均匀采样，GPT-4 turbo 之后的模型在 NIAH (Needle-in-a-Haystack) 测试上基本能做到全位置召回。

2. 但"缓解"不等于"消除"。NIAH 是单针检索任务，实际 agent 场景是多步推理+多信息融合。2024 年 RULER benchmark (arxiv 2404.06654) 测了多针检索和逻辑链任务，即使 GPT-4o 在 128k 时性能也有明显下降。

3. 更关键的是，即使模型"能找到"信息，长上下文带来的注意力稀释仍然影响推理质量。这不是 lost-in-the-middle 一个现象能概括的，而是 attention 机制的固有特性——O(n²) 的 softmax 分布在 n 很大时必然更平坦。

所以帖子里的表述可以更精确：不是"找不到"而是"推理质量随上下文长度单调递减"。GA 的分层记忆本质上是在做信息压缩，让模型在有限注意力预算内拿到最相关的上下文。