郑博元访谈深读：Kimi K2 之后，Agent 竞争进入系统工程

核心判断：Agent 的新瓶颈不是“再大一点”，而是把系统做成可学习的世界

郑博元给出的最小定义很干净：Language Model 接收输入、输出答案，过程可以结束；Language Agent 处在一个环境里，先观察，再生成并执行动作，环境改变后继续循环。Coding、搜索、工具调用和 Computer Use 只是不同的 observation space 与 action space。

2:20:45 内容地图：从 Agent 定义到“延伸大脑”

一、Agent 的边界在环境，不在“会不会思考”

访谈把 Agent 从模型中剥离出来的关键，是一个可反复改变状态的环境。Coding Agent 看到代码库、运行日志和测试结果；Search Agent 看到网页、检索结果和待核对的来源；Tool-Use Agent 看到工具的 schema、返回值与错误；Computer Use Agent 看到截图、HTML 和点击后的新页面。它们的共性不是名字，而是 observation → action → feedback 的循环。

因此“Agent 爆发”必须分场景讨论。Coding 已经拥有较短的反馈链，Browser/Tool Use 的难点则转移到环境基础设施、权限和长程恢复；不能用前端代码生成的体感，替代对真实世界行动风险的判断。

二、两条路线不是二选一：Context Engineering 与端到端训练各自买什么

Manus 的路线是把现有模型的 In-Context Learning 能力调到极致：角色拆分、提示词、工具、Filesystem、状态管理和多 Agent 编排可以快速迭代，适合产品先跑起来。Kimi K2、Qwen3-Coder 等则把特定场景的轨迹、奖励和环境写回训练，使模型在 Coding、Tool Use 或 Browser Use 上获得更强的原生倾向。

三、Kimi K2 的关键贡献：把 Agent 训练写成一条“数据编译器”

官方资料把 Kimi K2 描述为约 1T 总参数、32B 激活参数的 MoE 模型，并报告了大规模预训练与 Muon 优化器。访谈没有把优化器本身神化，而是把注意力放到两个与 Agent 更直接相关的贡献：大规模 Agentic Data Synthesis Pipeline，以及结合可验证奖励与 Rubric 自评奖励的 RL 框架。

这套思路的深层含义是：数据不再只是静态文本，而是由任务规格、工具目录、模拟器和评价器共同编译出的训练样本。模型公司真正需要规模化的，可能不是“再爬一遍互联网”，而是把新环境转换成多样、保真、可回放、可验证的学习轨迹。

四、从 MCP 工具到任务 Rubric：Agent 数据怎样被“制造”出来

访谈中最具工程含量的部分，是对工具数据管线的拆解。工具不是简单列一个 API 清单，而是先从约三千个 MCP 工具出发，合成更丰富的工具集合，再为任务配置角色、系统提示、用户目标、成功标准、人物/风格和模拟器；随后在真实世界或沙盒里运行、过滤并留下可训练的轨迹。具体规模和比例属于节目讲解口径，应与官方报告的公开实验设置分开阅读。

任务合成的难点是多样性。若让同一个模型在有限网站上自动提出任务，它很快会重复自己的先验；引入人工任务、不同模型、角色、工具组合和难度控制，才能扩大状态覆盖。难度也不能一味拉高：过简单没有学习信号，过困难则只有噪声和超长失败轨迹，最佳区间应由训练曲线和真实迁移共同决定。

安全是这条管线的一部分，而不是上线前的独立闸门。工具权限、系统提示、恶意网页、错误参数和不可逆动作都必须在任务生成、执行、过滤和部署时分别处理。

五、RL 的价值来自“可验证”与“可探索”的组合

对代码、数学和逻辑任务，是否编译、测试是否通过、证明是否成立，能提供相对清晰的 verifiable reward；对开放式写作、研究和交互质量，单一答案往往没有唯一标准，才需要 Rubric、自评、互评或用户反馈。Kimi K2 采用二者组合的思路，正是承认现实目标既有硬约束，也有软质量。

访谈还提到一组训练稳定性工程：控制 rollout 长度和预算、加入长度惩罚、用 PTX loss 保留预训练知识、逐步调整温度，以及处理并发、环境服务、部分 rollout 和 stale trajectory。它们常被忽略，但决定了“论文里能跑”是否能变成“产品里稳定”。

六、ChatGPT Agent：把研究、浏览与行动合成一个产品动作空间

官方介绍把 ChatGPT Agent 描述为能够研究、浏览网页、使用工具并执行任务的产品，并强调用户控制、确认和安全边界。访谈把它理解为 Operator 与 Deep Research 等能力的合流，这是一种基于产品行为的解释，不等于 OpenAI 公布了完全相同的内部实现。

无论内部架构如何，产品层的变化很重要：用户不再只接收一段回答，而是把目标交给一个会访问网页、读取信息、调用工具、形成中间状态的执行者。于是“回答是否正确”必须升级为“它在谁的权限下做了什么、哪些动作需要确认、失败后能否回滚、结果如何审计”。

Computer Use 的安全边界比纯文本回答更具体：一个错误点击可能改变外部账户状态，一千个并行代理则可能变成对网站的集中压力。防护不应只依赖“模型更聪明”，还需要 action guard、速率限制、沙盒、审批和可撤销设计。

七、Qwen3-Coder：长程 Coding 的增量主要在环境和工具

Qwen 官方博客公开了 Qwen3-Coder 的大规模 MoE、长上下文、代码生成、浏览器和工具使用方向，并提供 Qwen Code CLI 等使用入口。节目中提到的具体并行环境数量属于嘉宾讲解口径；可确认的机制是：为了训练长程 Coding/Browser Agent，需要大量彼此隔离、可重置、能返回真实反馈的环境服务。

“Hard to solve but easy to verify”解释了 Coding 为什么适合 RL，却不能掩盖工程成本。每一个环境都要处理依赖、权限、网络、超时、状态清理、数据泄露和正确性判定；并行数越大，调度、监控与存储就越像一个分布式系统，而不是一段训练脚本。

八、Manus 的 Context Engineering：记忆管理其实是计算管理

Manus 的公开经验不是“提示词写得更长”，而是围绕 KV Cache 组织上下文：稳定前缀、追加式写入、在不删除内容的情况下用 mask 隐藏暂时不用的部分，再借助 Filesystem 与 Todo 文件把长期状态移到模型外部。这样既复用缓存、降低推理成本，又给 Agent 一个可读写的工作区。

但这条策略有一个内在张力：上下文越长，缓存越能复用，模型却可能越难把注意力放到真正重要的内容。解决方案不是把所有东西都塞进 prompt，而是让状态有结构：目标、当前计划、已验证事实、失败记录、待确认事项和权限分开存放；错误不能因为摘要而消失，应该保留来源和可回滚版本。

九、自我提升闭环：Agent 先学会寻找自己的课程

访谈最后把问题推向更远处：如果 Agent 能在网站、代码库和工具环境中自主探索，它是否可以自己发现适合训练的任务、奖励和环境？Kimi K2 中由研究人员挑选 GitHub Pull Request/Issue 并搭建沙盒，仍是人类设计课程；更自动的路线则是让 Agent 先提出候选任务，再由人或验证器筛选，最后把成功轨迹压缩成可复用的 Skill、API 或程序知识。

这个闭环的难点不是“能不能自己点网页”，而是奖励发现：Agent 必须区分真正的新任务与重复噪声，判断环境是否安全，理解何时应该提问以消除歧义，并把一次成功压缩成对未来有效而不过拟合的程序。自我提升如果没有独立验证，可能只是自我评价的循环。

最后的“Agent family”也可以用系统工程理解：一个人把 Coding、写作、长文档整理、批评和检索交给不同 Agent，个性差异来自模型、系统提示、奖励和上下文的组合。多 Agent 不等于多人开会；只有当角色、状态和交接协议减少了错误，分工才有必要。

进一步推演：这期报告导读留下的八条 Insight

1. Agent 竞争的基本单位已经从模型变成闭环。 模型、环境、动作、反馈、状态和权限缺一不可；榜单分数只是其中一个局部测量。
2. 数据合成正在变成训练编译器。 工具目录、任务规格、角色、模拟器和评价器把开放世界编译为可训练轨迹，数据工程因而接近模型工程的核心。
3. 可验证性是稀缺资源。 Coding 领先不是因为它“更像人类工作”，而是因为编译、测试、版本控制提供了相对便宜的裁判；没有裁判的场景会被迫支付更高的人类评价成本。
4. 环境应按训练硬件定价。 一个 GPU 小时如果没有产生有效、可迁移的反馈，就是低质量算力；环境的可重置性、覆盖度、延迟和真实迁移应进入训练账本。
5. Context Engineering 是状态治理。 长上下文不是无限记忆；它需要工作集、外部存储、压缩、来源、权限和回滚机制。
6. 系统工程把“手艺活”变成可复制产品。 Prompt、工具、角色和参数细节确实需要老师傅经验，但版本化、基准、故障注入和自动回归可以把个人手艺逐渐变成组织能力。
7. 自我提升的第一步是发现奖励，而不是自动写更多代码。 能找任务、找环境、问清目标、拒绝不安全探索，才是从执行者走向学习者的门槛。
8. Agent 家族的个性来自目标函数和记忆。 “尖锐”“温和”“长文档强”不是神秘人格，而是数据、Rubric、系统提示、上下文与用户选择的合成结果；可调性也意味着责任不能归咎于模型性格。

怎样推翻或修正这套判断

• 若单纯扩大模型规模就能在不同环境中稳定获得长程可靠性，环境、Harness 与状态治理的边际价值会被高估。
• 若合成轨迹在跨网站、跨工具和真实部署中与真实数据同样有效，本文对 simulator/real gap 的担忧应收缩。
• 若 Rubric reward 长期与独立用户价值、事实正确性和安全结果高度相关，人工/多评估器的成本可以下降。
• 若长上下文无需结构化记忆、来源和回滚就能稳定维护目标，Context Engineering 的“状态治理”解释过重。
• 若 Agent 能自主发现训练任务并在无外部验证下持续提升且不奖励投机，自我提升闭环才算真正成立。

证据边界与资料索引

本笔记以 Zhang Xiaojun Podcast #110 的完整逐句转录为主材料，连续覆盖 11 个章节，并把访谈中的解释与公开一手资料分层。Kimi K2 的参数、训练规模与优化器等事实以官方仓库/论文为准；Qwen3-Coder、ChatGPT Agent 与 Manus 的产品和工程描述分别链接官方资料。节目中关于并行环境数量、公司内部实现、性能体感和未来预测，保留为嘉宾口径或本文推演，不当作独立审计事实。

• Zhang Xiaojun Podcast #110 视频；小宇宙节目页：节目原始入口与章节大纲。
• MoonshotAI：Kimi K2 官方仓库；Kimi K2 技术论文：模型规格、训练与 Agentic 设计。
• OpenAI：Introducing ChatGPT agent；ChatGPT agent system card：产品动作、用户控制与安全边界。
• Qwen：Qwen3-Coder 官方博客：Coding、Browser Use、工具与 CLI 的公开说明。
• Manus：Context Engineering for AI Agents：KV Cache、Filesystem、Todo 与上下文管理经验。
• Mind2Web、WebArena、OSWorld：Browser/Computer Use 的环境与评价背景。

证据顺序：节目原始入口与官方技术资料 → 访谈逐句材料 → 本文机制抽象与可证伪推论。本文提供结构化深读，不复刻整期逐字稿。