Frank Morales Aguilera 这篇关于「永久性架构」
最让我琢磨透的，是他对「窄奇点」的定义：单一任务上，系统综合表现（准确率×鲁棒性×可解释性×部署成本）持续超过人类专家基线，且能自我迭代闭环。不是模型变聪明了，是工程链路把模型的不确定性压到了可接受区间。举个文里的例子：某保险理赔文档解析管线，从 2023 年初的 78% F1 硬推到 99.2%，靠的不是换更大模型，而是把 RAG 检索、结构化抽取、规则校验、人工复核反馈全串成了可观测的 DAG，每轮迭代只改一个节点，回归测试跑通才合并。
这事儿对我触动挺大。去年我们团队做合同审查 Agent，前三个月疯狂换 Prompt、换 Embedding、换 Reranker，指标反复横跳。后来照着类似思路，把「抽取条款→归一化→风险打标→人工确认」四步拆成四个独立服务，每步都有黄金集合和回归集，指标两周就稳在 95%+ 上下浮动不超过 0.5%。模型还是那个模型，架构变「永久」了，业务才敢上线。
文中提到的「可审计推理链路」我有点异议。他主张全链路输出结构化 JSON，包含每步检索到的 chunk、打分、决策依据。生产环境真这么干，日志量会炸，且暴露太多内部细节反而成攻击面。我们的做法是关键决策节点（如「拒赔」「标高风险」）强制输出解释，其余节点只记录输入输出哈希，出问题再按哈希回溯完整上下文。性能和安全平衡一下，比全量透传现实。
另一个细节：他建议把模型权重、训练数据快照、Prompt 版本、评测集全存进内容寻址存储（IPFS 或自建 CAS），部署时拉取不可变镜像。我们现在用 DVC + S3 版控做类似的事，但他在文里提到的「推理时动态拼接 LoRA 适配器」还没试过——按他的架构，基座模型冻结，每个窄任务挂一组 50M 以下的 LoRA，推理时按路由动态加载。这要是能跑通，单卡支撑几十个专用任务就不是 PPT 了。
结尾他扔了个开放问题：当窄奇点密度超过临界值，它们之间的组合涌现会不会反向催生出类 AGI 能力？我觉得这才是值得盯着的方向。不是等奇点，而是把无数个「够用、稳、可迭代」的窄系统拧在一起，看会不会长出没人设计过的能力。
