AI 调试新思路：别硬堆算力，先建立单点真理来源 | 帖子 通过引入外部文档记录假设与证据，可以
AI 调试新思路：别硬堆算力，先建立单点真理来源 | 帖子 通过引入外部文档记录假设与证据，可以有效防止 AI 在长上下文压缩中丢失推理链。
AI 调试新思路：别硬堆算力，先建立单点真理来源 | 帖子 通过引入外部文档记录假设与证据，可以有效防止 AI 在长上下文压缩中丢失推理链。
这种方法能将耗费数亿 Token 的无效尝试，转化为分钟级的根因定位。
有时候，解决问题的关键不在于增加计算量，而在于建立一个“外部存储层”。
最近有个很有意思的案例：有人为了调试一个竞态条件（Race Condition），消耗了数亿 Token 却颗粒无收。
直到引入了一个简单的指令——要求 AI 把所有假设和证据写进 DEBUG.md。
结果 AI 列出五个假设，发现第三个没有任何反对证据，随后仅通过三次实验就锁定了根因。
这本质上是在为 Agent 的推理过程做“持久化”。
现在的长上下文模型看似能记住一切，但实际上存在严重的上下文压缩问题。
当对话轮次过多，中间的逻辑链条会像被挤压的内存一样发生信息丢失。
把证据写在文件里，就是给 AI 提供了一个不可篡改的、具备强一致性的“单点真理来源”。
有网友提到，这种做法其实是在手动实现原本应该由自动化测试框架（Harness）完成的工作。
好的系统应该能自动判断哪些中间推理需要持久化，而不是靠人去写规则提醒它。
这里总结了四条极具实操性的调试准则： 首先，改代码前必须先列假设。
不要直接进入指令流水线，先在逻辑层完成预判。
其次，每次实验的改动量要极小。
虽然有人觉得“最多改 5 行”太死板，但追求“外科手术式”的微创改动，能让因果关系变得极其清晰。
第三，强制要求将证据写入文件。
这是防止推理链断裂的唯一手段。
最后，如果同一个方向失败两次，必须强制切换假设。
有观点认为，AI 给出的往往不是答案，而是一面镜子。
它照出的是我们假设中的盲点。
当我们在面对复杂 Bug 时，习惯性地想通过增加 Token 投入来“硬刚”，这其实是一种低效的暴力破解。
真正的智能不在于无止境的计算，而在于能够像人类一样，在证据和假设之间建立起逻辑的边界。
如果实验的路径已经走到了死胡同，是不是该考虑给 Agent 换一个全新的搜索分支了？