来源
- 原始链接：https://www.youtube.com/watch?v=UPwGaM2MKHY
- 来源类型：视频逐字稿
- 来源标题：日志就是 Agent
日志就是 Agent 高亮
文本来源是 AI Engineer 频道视频《日志就是 Agent》的中文可读转写稿。下面按汉松兴趣画像优先保留机制解释、反常识判断和可复用 workflow，而不是做普通摘要。
一、评估、反馈与故障闭环
背景
这组高亮抓住《日志就是 Agent》里最值得保留的反馈闭环：Agent 系统的可靠性主要来自可观测、可复现、可评分的外部结构，而不是一次性把 prompt 写得更漂亮。
因为你会停止把 log 当成系统排出的废气，而是把它当成系统本身。这非常重要。
这一点非常重要，因为真实世界中的 agent 系统必须以这种方式承受真实故障：worker 会崩溃，机器会重启，sandbox 会消失，工具调用会 timeout，provider 会失败，用户会连接。
但关键点在于，compaction 不是魔法，它也不会推翻日志就是 agent 这个主张。compaction 是有损的。
兴趣匹配度很高。它对应汉松持续关注的 Agent 工程化主线：把非确定性系统放进可反馈、可回归、可复盘的闭环里，真正的壁垒在 harness、eval、trace 和人类分诊。
二、上下文、记忆与检索边界
背景
这里讨论的是 Agent 能否拿到正确材料的问题。对汉松有价值的点在于，它把上下文从背景信息变成系统的运行材料：可索引、可缓存、可审计，也可被重新组织。
如果它运行在别人的基础设施上，受他们的策略约束，并且可以被他们的系统查询，他们就不只是托管你的 agent。他们拥有它。
Claude Code 和 Codex 会把这些混乱的 JSONL 文件写到本地磁盘；即使在 Claude SDK 模式下，这些写入也是 fire-and-forget，也就是说，如果因为某种原因写入失败，数据就没了。OpenCode 是另一个例子，它们把状态存在 SQLite 文件里，GitHub 上有很多 issue 都在讨论状态损坏和数据丢失。
多年以来，数据库看起来像一种不透明的系统，里面有表、索引和物化视图，难以推理。但每个严肃数据库的底层都有一个 log。
兴趣匹配度很高。这是上下文工程的核心问题：不是给模型更多字，而是让模型在正确边界内获得正确材料，并让材料本身可维护、可验证、可复用。
三、工具、系统与工程约束
背景
这组摘录偏工程实现。它关心的不是模型能力的抽象上限，而是工具、接口、基础设施和生产约束如何决定 Agent 最终能不能稳定工作。
所以，这正是当你的 agent 架构里 log 不是 agent 时会出现的迹象。当 log 是 agent 时，executor 可以失败。
这很重要，因为这意味着 agent 的身份不绑定在 runtime、模型或工具上。那些东西都只是在解释 log，并向 log 追加内容。
一个 worker 可以 claim 一个 session，读取 log，把 agent 向前推进一步，写入结果，然后完全消失。之后任何其他 worker 都可以接手。
兴趣匹配度高。这里能迁移到实际团队建设：工具选择、数据流、权限、成本、延迟和部署形态，往往比单点模型参数更能决定系统上限。
四、人类判断、组织与协作方式
背景
这部分把人放回系统设计里。Agent 越强，越需要人类承担领域判断、目标选择、风险边界和协作组织，而不是把全部责任交给模型。
既然我们已经确立 log 就是 agent，那么最强形式的 lock-in 并不是模型 lock-in。模型可以替换。
每个 agent 都可以在每一轮从 log 重建自己的状态，而且不需要绑定到任何单台机器或任何单个 worker。这让 failover 变得很简单，也让扩展只变成增加更多 worker 的问题。
不同模型可能需要 log 的不同投影，不同 runtime 可能需要不同 schema，但这些都只是工程问题。它们不是身份问题。
兴趣匹配度高。它符合汉松的人机共生框架：AI 承担生成和探索，人类承担判断、责任、品味和组织设计，把人的稀缺性放在更高杠杆的位置。
五、Prompt、规格与行为设计
背景
这里的重点是行为设计。Prompt 不是一句魔法咒语，而是一套分层约束、规格、角色、语气和上下文组合出来的系统界面。
这些东西当然重要，它们会和角色交互，也会运行这个角色，但它们都不是你的角色。你的角色是数据。
今天，agent 再次被当作复杂而不透明的系统，里面装着模型、prompt 和工具调用。但对于一个持久 session 来说，log 应该是一等公民。
但 log 的职责是记录 agent 做了什么、看到了什么、什么发生了变化，以及它继续运行需要什么。它存储这个身份，这就是它的目的。
兴趣匹配度很高。它把 prompt 从技巧提升为系统设计问题，适合沉淀到汉松的 AI 协作和 agent workflow 方法论里。
整体判断
这篇内容最值得保留的是它把《日志就是 Agent》从一次视频分享转成了可迁移的系统判断。核心素材集中在评估、反馈与故障闭环、上下文、记忆与检索边界、工具、系统与工程约束。对汉松后续写作和团队实践来说，它可以作为 AI Agent 工程化素材库的一块：不是追逐单个工具功能，而是持续追问系统如何获得上下文、如何被评估、如何进入生产闭环，以及人类判断应该放在哪些关键节点。