中国工程院院士、清华高性能计算所长郑纬民：做reasoning叫做延迟，reasoning越长，延迟越长，token不值钱；延迟越短越值钱。 这就是我反复跟你们讲的一个道理： AI时代的一大特点是，中科院和工程院院士大量暴露真实水平，人均大傻逼、不学无术的地痞流氓无赖，所有人加起来水平不如一个高中生。

用 OpenAI API 做 Agent，先检查两处，可能比继续调 Prompt 更有用。 下一轮带上 previous_response_id，别把每次 tool call 当成新对话。模型才能接着前面的 reasoning 继续。 长任务别直接删老消息。配 context_management 和 compact_threshold，或调用 responses.compact()。 压缩结果原样传回，不要自己改写。 OpenAI 只改这两处，GPT-5.6 Sol 的 ARC-AGI-3 分数就从 13.3% 涨到 38.3%，输出 token 降到约 1/6。 Agent 表现差，先查运行框架有没有让它失忆，再考虑换模型。原文：

Gemini macOS 客户端加入全局语音能力🫡 长按 Fn 键即可在任意应用中说话，Gemini 会自动删掉“嗯、啊”和口误 而且开启 Gemini reasoning 后，还可以读取当前屏幕上下文，根据语音要求改写、总结或处理正在使用的内容 看来Google 开始要抢 Wispr Flow、Superwhisper 的用户了

我来告诉你们，数学界接下来一个最大的问题。 我去年就说过，UC Berkeley数学系助理教授Tony Feng在Google Gemini做visiting professor的时候，拿到了当时最好模型Google Gemini的超长极长无敌长的reasoning版本。 这直接导致Tony Feng解决了7道Erdos问题，三道FirstProof问题，开创性地用半监督方式 ，以及无监督方式，指导AI Agent解决数学问题。 我去年就说过，下一步要解决的问题是，尝试把一个数学命题以lean4的形式拆分成多个lemma，多个lemma以DAG的数学结构组合成一个数学命题，每个数学证明可以拆分成几十个到几千个lemma DAG，每个lemma作为节点又可以让多个agent来证明，这样可以用成千上万个agent来碰撞证明每个lemma，尝试组合成一个完整数学证明的DAG。 所有人都忽视了一个最重要的问题，就是一个LLM的reasoning是不可能无限长的，哪怕是Claude和GPT模型，reasoning是有限的，这是LLM结构和目前inference infra决定的。 但是数学家们早就给出了解决方案：在3000多年前，古希腊的数学家们就知道，完备的数学体系需要写书、写笔记、收学生，以学术社区和讨论组的形式，一条条验证，把自己思考的过程记录下来，给同行完成peer review，这样把自己在数学的工作一条条记录、验证、审议、写书、组织起来，一起构建完整的数学大厦。 过去10年来，人类一直在mathlib中实现这一个愿景，全世界所有数学家都在用lean4构建数学大厦，但是还远远不够。 你党哥提出lemma DAG概念后，能大概预测到一个方向，这个方向就是，驱动AI Agent用lean4把所有它能构建数学体系的领域： 1. 用lean4审核目前人类已有的、能用lean4实现和验证的数学论文，全部用lean4实现并验证一遍； 2. 用lean4尝试构建新的问题，实现一个AI native版本的mathlib证明大全——mathlib2——比现有人类数学家构建的mathlib要大一两个数量级； 3. 当人类尝试定义新的问题的时候，先从mathlib和mathlib2中搜索已有近似证明，尝试拆分成DAG的lemma形式，用mathlib2更加快速便捷地实现部分证明； 4. 最后用大量、超大量的AI Agent尝试大量、巨大量、无限提出新的问题，并且并行in parallel用已有mathlib2去验证或者证伪这些新问题，最后由人类数学大师cherry pick出其中有价值的问题和完整证明方案出来。 回到开头，首尾呼应一下： 人类在单一LLM本体进行超长reasoning已经接近inference复杂度极限，这是人类任何人都无法改变的，OpenAI和Anthropic改变不了，玉皇大帝都改变不了， 能提到LLM超长reasoning的唯一办法，就是让LLM Agent不断总结、不断记录、不断验证出过去产出的结构化、逻辑化、有组织的知识库，作为long term memory，这些知识库就是一个LLM Agent过去的所有reasoning中的有效记忆，并且能用于今后未来的所有构建中。 这和朴素古典的memory机制完全不同，无论构建一套lean4还是构建matlab simulink的有效仿真验证后的设计，还是构建HDL各种硬件描述语言在仿真后验证的电路设计，都更有效、更精准、更专业、更小领域， 而且最重要的是，构建这些结构化的专业学术知识库，恰恰是AI Agent加上一个本地仿真、编译、运行环境的最擅长的事情。 说人话说就是，脑子到极限的前提下，好脑子不如烂笔头。

整理了一下Anthropic @AnthropicAI 发的关于Fable 5的提示指南： 1.别让它"展示思考过程" 以前大家爱让模型把推理写出来，觉得能看到过程更靠谱。Fable 5 不吃这套。你要求它回显内部推理，直接触发 reasoning_extraction 拦截——要么拒答，要么给你降级到 Opus 4.8。 想看过程？读 thinking blocks，或者用 send-to-user 工具拿阶段性输出。别让它把脑子里的东西倒进正文。 2.必须画线，不然它会自己加戏 这模型太积极了。你不拦着，它会自己加功能、重构代码、为你根本没提的需求搞一堆抽象。 提示词里直接写死：不加功能、不重构、不搞没人要的设计。任务清楚就动手，别讨论。如果你只是在想方案还没决定，明确告诉它"只评估，别动手"。 3.长任务必须让它对账 跑长任务时，让它汇报进度之前先核对工具返回的结果。测试挂了就说挂了，没跑就说没跑，跳过的步骤摊开讲。别让它编一个"一切正常"糊弄你。 4.给它建个外部记忆 确认过的做法、长期规则、踩过的坑，写成 Markdown 文件，下次任务直接喂进去。比靠上下文窗口可靠太多，token 消耗也低。 5. 子 Agent 拉满 Fable 5 维持并行子 Agent 的能力比前代强不少。独立子任务丢给子 Agent，主线程继续推。长生命周期的子 Agent 还能保上下文，省得重复喂信息。

美国禁止了 Claude Fable 5，但是我们发布了 GLM 5.2。 最近GLM 5.2 在 @bridgebench 的 BS 榜单上以 100.0 分排名第一，在 Reasoning 榜单上以 42.8 分排名第一，击败了 Fable 5。 成本仅为其十分之一，速度达到 300 tokens/s。国产GLM大模型快速摆脱国外代差。

半年来，我一直反复介绍的四个原则： 原则1，AI时代的第一性原理：LLM一定会越来越聪明，benchmark越来越高，context window越来越大，reasoning越来越长，价格越来越便宜，inference速度越来越快， 这是scaling law今天依然持续的具体方向，不用你质疑，这是你唯一的信仰和行业最大共识。 原则2， 管理学设计红利：从我提出“自动编程机”、行业提出vibe coding、SWE-Agent以来，从cursor到manus到metaGPT到claude code， 人们逐渐把LLM Agent抽象成人，把软件管理、工程管理、管理学等等所有方法论直接套在multi agent workflow上面，严格按照人类管理学的方式去拆分、review、执行、反馈、循环， 这一波很快红利也吃完了，因为 a. LLM Agent毕竟不是人，存在着memory有限、执行力有限、function calling工具有限等等局限；b. 人类用于管理学的各种方法，直接套在LLM Agent上有利有弊，红利迅速挖掘完，剩下的弊端大量存在，比如过度交流、七手八脚、随时停工等等。 原则3，LLM Agent的职位和定位：绝大多数人，把claude code当做一个工具，最终的产品是用工具来完成的，最终的代码也是人与SWE Agent一步一步interactively迭代产生、迭代review、迭代部署的， 而我反复告诉过所有人，也是我又一条首次提出的原创观点，multi agent未来越来越会变成本身的一个runtime，这个runtime就运行在production里面，产品和面向的对象消费的，不只是软件或者SaaS本身，而是这个runtime实时产生的内容， 所以claude code/opencode/codex/openclaw这些agent，本身将会越来越多地被嵌入到产品本身，在产品关键逻辑和决策中发挥作用， 而绝对不仅仅停留在开发层面，把产品仅仅局限在SWE Agent单向产出和部署的代码和服务上。 原则4，也是我一直强调的，就是当人们试用了SWE Agent这种强大工具之后，人们还有哪些low hanging fruits可以寻找？SWE Agent目前最适合解决哪类问题？ 我反复讲过的一点是，对于一个设计复杂、环境复杂、场景复杂、用户复杂、体量复杂、范式复杂、一切开放、一切无解的超级复杂系统，这并不是SWE Agent最擅长的领域，相反这些场景需要人去和环境、客户、场景、性能一点点迭代才能打磨好的产品， 比如微信的100种功能，Facebook的一大堆功能模块和十几年来迭代出来的极其复杂的infra，支付宝后面成千上万的基金和风控，这些都不是AI Agent能一次性解决的问题，相反这些场景和问题不仅高度开放，更高度依赖人的观察、人的设计、人的反馈、人的定义。 AI Agent最适合的场景，甚至是我原创提出goal driven（ a. 定义简单、干净、封闭（一道数学系、一个确定性最小系统、一个编译器、一种算法、一个lean证明、一个电路或者信号模拟、蛋白质模拟和预测、CAD设计与仿真、游戏关卡测试、行为经济学仿真，都是well-defined problems，都有非常明确且封闭的边界） b. 解决问题的搜索空间巨大（可能有100~10万种天马行空的解决方案，并且绝大多数都是错的） c. 容易验证，容易verify，验证的成本是设计成本的千分之一（比如编译器，设计可能需要几万行甚至几十万行，验证只需要2000个test case全面覆盖，或者一道数学题，解决需要100步，验证答案只需要带入或者lean编译这一步） 当然，写一段简单的代码，定义一个封闭、完整、定义完全的编程问题，符合上面这些定义， 但是设计一套巨大、复杂、开放、与现实世界深度绑定、高度耦合的系统，让这个系统复杂迭代、添加功能、沟通、review、工程管理、产品管理，这些问题都远远超出这个范畴，很明显是不符合这个要求的。 人们未来探索这些multi agent产品和场景的最关键出路，在于继续挖掘这一类问题，而不是盲目把agent比作一个人，乱套各种管理学方法。 原则5，这一点我先保密，之后我再讲。

CodeX最具性价比的使用方式出现了 根据DeepSWE 排行榜最新数据：GPT-5.6 Luna Max 以 67% 得分，平均成本只要 $0.61 登顶最具性价比的模型，兼顾了性能和成本 所以现在最高效的玩法是： 主线程用 GPT-5.6 Sol 做整体规划和拆解，把边界清晰的子任务全部丢给 GPT-5.6 Luna Max 并行执行 直接把下面这段提示词复制给 Codex： ─── 请在 ~/.codex/agents/luna-worker.toml 创建一个名为 luna_worker 的自定义代理。 使用以下设置： model = "gpt-5.6-luna" model_reasoning_effort = "max" 为它写一个清晰的 description 和 instructions，专门用于处理边界明确、可独立完成的委派任务。保留我现有的其他配置不要动。根据我当前安装的 Codex 版本校验配置是否兼容，展示修改的 diff，然后后续子代理任务优先使用 luna_worker。 ─── 设置完之后，Sol 负责思考和决策，Luna Max 负责大批量落地执行。一个长 goal 下来，额度消耗会明显下降，速度却更快 也可以不建自定义文件，直接让 Sol 在主线程里为每个子任务单独开 Luna Max 线程，结果会自动汇总回来

如何能让你的Codex拥有无限子弹？ 将子代理设为luna-max。复杂任务用sol去做方案设计，用luna-max去并行执行 具体设置方法： 在Codex对话中输入下面的提示词： 在 ~/.codex/agents/luna-worker.toml 创建一个名为 luna_worker 的自定义代理。 使用以下设置： model = "gpt-5.6-luna" model_reasoning_effort = "max"