二稿 Agent 模式：为什么“先探索再交付”优于“自我批判”

当单次尝试（single-pass）的智能体（agent）不再足够好时，默认做法是将其包装在一个自我批评循环（self-critique loop）中。生成、批评、修正、重复。我接触的大多数团队都假设评估（eval）的提升将与修订轮次呈大致线性关系，并止步于此。但数据往往并不如人愿。到第三轮自我批评时，准确率仅提高两三个百分点，而 Token 成本却增加了 3–4 倍，而且第一轮没发现的失败模式（failure modes），在第三轮通常也发现不了——因为产生错误答案的上下文，正是被要求找出错误的那一个。

另一种形式效果更好且成本更低：让第一轮作为“浪费式”的探索，将其丢弃，然后在干净的上下文中基于学到的经验运行第二轮。称之为“二稿模式”（second-draft pattern），或“先探索后提交”（explore-then-commit）。第一稿允许草率、走弯路、堆积草稿产物、追逐最后证明是错误的假设。第二稿是受限的——它获取提炼后的发现（distilled findings），并产出干净的执行。在那些倾向于使用自我批评的任务中（如多步推理、涉及多个文件的代码、研究综述），这种双轮形式在质量和成本上通常都优于 n 选 k 的自我批评。

一旦你见过这种模式，它看起来几乎显而易见，但正确运行它的操作纪律——哪些东西被保留，哪些被丢弃，第二轮允许做什么——才是大多数实现方案失败的地方。与单次尝试和自我批评相比的评估增量（eval delta），决定了你的特定任务是否值得投入二稿模式的预算。它不是免费的，也并不总是值得。

为什么自我批评令人失望

自我批评循环以一种可预测的方式失败。产生答案的模型正是那个被要求找错的模型。它的上下文窗口已经包含了导致该答案的思维框架（framing）。它的注意力锚定在相同的检索结果、相同的局部计划、相同的工具调用上。要求它批评自己的输出，就像要求一个人在写完文档二十分钟后进行校对——他们读到的是他们想写的内容，而不是页面上实际的内容。

在评估中，你会看到一条先平缓后崩塌的曲线。第一轮自我批评通常能发现明显的错误：遗漏的步骤、命错名的变量、不存在的引用。第二轮能抓住一些漏网之鱼。到第三轮时，模型大多在编造问题以证明修改的合理性，你的评估分数开始持平或下降。当然，成本曲线是单调递增的。

还有第二种失败模式，在综合评估分数中较难察觉，但在追踪级（trace-level）审查中却很明显。自我批评会加剧错误的框架。如果第一轮走错了解决路径，第二轮通常不会回溯到另一条路径，而是对错误的路径进行润色。输出变得更自信、更清晰，但也更错误。模型可以修正答案的表面，但很少重新质疑它在几千个 Token 的推理中建立起来的前提。

带有受限上下文的干净第二轮避免了这两种失败模式。它不阅读自己的草案。它阅读第一轮发现和未发现内容的简短综合（synthesis），然后从零开始工作。锁定错误前提的推理过程在交接（handoff）中不会存续。

“先探索后提交”具体是什么样的

这两轮有不同的任务和不同的提示词（prompt）。将它们视为同一个智能体的两次对话是最常见的错误——这会退化回自我批评。

第一轮是探索。 它的任务是了解问题的轮廓。允许的行为：阅读比最终答案所需更多的文件，运行比最终引用所需更多的检索，尝试一个假设，放弃它，再尝试另一个。第一轮的评分标准是它的发现，而不是产出。它的输出不是最终答案的草案，而是一组精简的发现。

发现载荷（findings payload）是承重部件。 保持其简短且结构化：尝试了哪些方法，排除了哪些以及原因，哪些文件或来源被证明是相关的，在探索减少了不确定性后，问题的实际轮廓是什么。发现应该控制在几百个 Token 以内。如果你的第一轮产生了一个 4,000 Token 的发现文档，第二轮将继承其思维框架，模式又退回到了自我批评。

第二轮是执行。 它的提示词是原始任务加上发现载荷，不包含第一轮的其他任何内容。没有推理链，没有中间输出，没有检索到但被丢弃的代码片段。第二轮拥有受限的范围和干净的上下文，这正是核心所在。它直接生成答案，发现载荷起到的作用类似于同事的站会更新：“这不是我的草稿，请修改”，而是“这是我了解到的问题情况，现在开始执行吧”。

交接格式至关重要。发现应该是机器可读的，足以强制其形状（这样第一轮就无法偷偷塞进完整的草案），同时又要易于人类阅读以便在出错时进行检查。预定义的章节——approaches_tried、dead_ends、relevant_artifacts、problem_shape——为第一轮提供了填充内容，而不是邀请它去写答案。带有空槽位的模式（schema）远好于自由格式的摘要提示。

能够告诉你何时值得投入预算的评估增量

二稿模式（second-draft pattern）的 Token 成本大约是单次运行的 1.5–2.5 倍，具体取决于第一轮探索的深度。这是否值得，不是一个凭感觉（vibes）就能回答的问题。在同一个评估集上运行三种变体，并观察曲线：

• 单次生成基准：一次生成，无批判。
• k 选 n 自我批判：生成、批判、修改，k 取值范围为 3。
• 探索-执行模式：第一轮产生调研发现，第二轮产生最终答案。

你需要寻找的诊断指标是，二稿模式的“单位 Token 质量”（quality-per-token）相对于其他模式所处的位置。在那些答案形式显而易见且出错成本较低的任务中，单次生成在成本调整后的质量上更具优势，二稿模式则显得大材小用。而在探索能显著降低不确定性的任务中——如多文件重构、根因与症状不在同一处的调试、跨多源的研究综述——探索-执行模式展现出的质量提升是自我批判无法企及的，且其 Token 成本与 2 选 n 或 3 选 n 相当甚至更低。

有趣的情况出现在中间地带，此时评估增量很小，成本约束变得至关重要。注意以下信号：

• 单次生成基准在多次运行中表现出高方差（这表明模型正在寻找不同的初始构思，而探索可以使其收敛）。
• 自我批判的效果迅速趋于平缓（这表明“同上下文问题”占主导地位）。
• 对自我批判运行的链路级审视显示，模型是在修饰错误答案的表面，而不是进行回溯（这暗示了“构思锁定”故障模式）。

加载中…