你的编程代理并没有变差。你只是从未测量过第一个版本。

在最近关于代理的讨论中，我反复看到一个模式：有人报告他们的编程代理在几周之内“变差”了。回复分为两派：“是的，模型更新搞砸了”与“你在想象，模型没变”。两派都忽略了真正的问题所在。模型可能确实没变。但你今天运行的代理实例与六周前的那个不同：上下文窗口内容不同、会话历史不同、框架配置不同，这些细微的累积决策相互叠加。同样的模型，不同的行为。而你没有可比较的基线，因为你从未测量过最初的版本。 这就是我们当前部署编程代理时的结构性问题：我们将模型名称视为度量单位。“我们使用 Claude Code”或“我们切换到 Codex”，仿佛模型名称能告诉你那个特定代理在上一轮冲刺中在你的单体仓库（monorepo）里具体做了什么。它并不能。两位工程师在相同的代码库上运行相同的模型，但由于框架设置和会话模式不同，他们实际上运行的是不同的代理。当其中一个实例“变差”时，正确的问题不是“模型改变了吗？”，而是：该实例的行为特征发生了什么变化，你又是如何察觉到的？ 对此看得最清楚的工程师是那些在实例层面保留记录的人。他们不会说“Claude Code 擅长重构”，而是会说“这个实例、在这个代码库上、经过这 30 个会话，它在这些地方赢得了信任，在那些地方没有”。 你目前是如何跨会话跟踪代理的行为漂移的？