成长大多不在权重里

一个 agent 怎么变得更好？

直觉的答案是：训练一个更强的模型。让它在权重里成长，推理更深、知识更多。这条路存在，但它重、慢、贵，而且多数时候用不上——因为绝大多数日常成长，发生在权重之外。

权重外的成长

履历改变判断，已经是一种权重外的成长。把它铺开，权重外能长的东西有一大片：

整理出一个新的 skill，让它会做以前不会的事；改进一个模板，让它产出更稳；记下某个偏好，让它不再问第二遍；积累一次失败的经验，让它绕开同一个坑；总结出一套更顺手的做法，让它下次更快上手。这些都让 agent 干得更好，而模型一动没动，用的还是那个候选人。

人变成熟练工，也多半是这样——不是脑子换了，是攒下了可调用的经验、形成了趁手的方法。agent 的成长大头同理。

于是有一条很实用的次序：想让 agent 进步，先问能不能在权重外解决。

多半能。缺能力，先看是不是缺一个 skill；不稳定，先看是不是缺一个模板或一条记忆；老犯同样的错，先看是不是没把那次教训记下来。这些都比微调轻得多、快得多，也不需要动模型。把“换更强的模型”或“微调”当成第一反应，常常是在用最重的手段解一个本来可以轻装解决的问题。

权重里的成长不是不能做，是它该留给那些权重外确实补不上的缺口。把两种成长分清楚，资源才花在刀刃上。