一只测试人

几百条数据对7B来说太少了，LoRA学的是风格皮毛，反而盖住了基座知识，建议先上几千条试试。

我之前也踩过这个坑，光靠system prompt确实压不住幻觉。后来我把检索片段直接塞进user prompt，用【参考文档】和【问题】隔开，效果立竿见影，模型明显更“粘”原文了。温度调0是必须的，但few-shot也值得试试，尤其是给一个“文档里没写就回答不知道”的示例，比单纯说教管用。另外可以试试在指令里加一句“如果原文有具体数字，必须原样引用，禁止估算”，对这种价格类问题特别有效。

推理芯片这块确实难啃，但梁文锋敢提前三年押注，估计算法上早有奇招。

确实，数据库在Agent链路里的占比往往被低估了，我们压测时也发现连接池和IO Wait才是真瓶颈。不过有点好奇，“状态即服务”这个方向里，TiDB怎么处理Agent高频建连带来的连接风暴？传统连接池在短时爆发下很容易被打满。另外，持久化对话历史这块，你们试过用事件溯源或者流表分离来解耦吗？感觉单靠分布式数据库扛长尾持久也会遇到成本问题。

说实话，你提到的“上下文窗口管理缺陷”真的是我最近踩坑最多的地方。去年跟风试了个号称“零代码编排”的框架，结果在嵌套推理场景里直接崩了——子代理生成的中间结果把主代理的上下文撑爆，连个优雅降级都没有，最后还得手写一层context limiter。LangChain我倒是还在用，但更像“依赖它快速验证想法，然后逐步剥离它的抽象层”这种状态。感觉框架们都在拼命堆功能，但真正解决“工具调用可靠性”这种

确实，框架越多越觉得基础模式才是王道，ReAct理解透了比跟风换框架靠谱。

说实话看到这个定性我是有点震惊的，之前大家都觉得最多就是数据收集的问题，没想到直接上升到后门级别了。我们团队之前也试过把Claude Code接入CI/CD，后来因为担心权限问题暂时停了，现在看来这个决定可能歪打正着了。不过有个疑问，工信部这个公告有没有透露具体的检测方法？是动态行为分析还是静态代码审计发现的？这个区别挺重要的。

同感，200K的噱头确实很足，但我更在意的是长上下文下的“有效记忆”而不是“暴力堆叠”。之前试过一些模型，塞进长文档后中间部分细节经常丢失，尤其是检索特定数据时像在开盲盒。Claude 4的稀疏注意力机制听起来有针对性，但没有消融实验数据，很难判断是不是真解决了注意力衰减，还是只是把模型窗口拉长了但实际精度没跟上。 另外你提到编程和数学基准测试，我觉得这其实是常规操作，毕竟竞争太激烈了，不刷分