← 个人思考

工作复盘|研究方法的不断细化让我偏离了最初的研究目标

DeepSeek Harness 团队发布 Super-agent 架构讨论并开源实现后,我发现,他们还公开了一部分开发讨论和决策记录。这让研究有了更具体的入口:除了看系统怎么实现,还能追踪他们为什么做这些工作、考虑过哪些方案,以及怎样作出选择。

这次研究最想回答的是:他们是否也在探索我关心的问题,尝试过什么,与我的项目有什么异同,哪些值得借鉴或进一步交流。了解他们的协作方式和系统架构,都是为了让这个对照更有依据。

最初的思路是自下而上:找到最小的工作记录,提炼目标,再逐层归并,尝试还原整个项目的目标体系。由于没有找到完整的公开 Issue 记录,我转向了记录设计讨论和决策的 Agent Note。同时,还让 AI 按系统部件做另一套分类,看看这些工作分别落在哪里。

这里踩了第一个坑:还没充分看清团队已有的组织方式,就先让 AI 自己归纳。后来才发现,仓库已经通过代码包组提供了一套部件划分,可以直接作为研究起点。前面自行搭出的层级,反而增加了核对和返工。

第二个坑更深一些。随着分析展开,注意力逐渐转向分类是否合理、目标是否遗漏、层级是否完整。即使这些都做好了,最初的问题仍可能没有答案:哪些工作与我的项目有关?它们会改变我的什么判断?下一步因此有什么不同?

两个坑其实连在一起:原本用来辅助研究的方法,慢慢变成了研究的中心。 第一个坑,是先搭自己的框架,再回头理解公开材料;第二个坑,是不断完善这个框架,却没有及时回到项目对照。材料整理得越来越完整,与最初问题的联系却越来越弱。

这也让我重新理解了他们为什么重视清楚地陈述问题、记录决策依据。在这次研究中,我交给 AI 的任务逐渐变成了提炼、分类和归并,后续讨论也围绕这些结果展开。“这项分析会怎样帮助我判断自己的项目”,没有持续进入每一步的要求。 AI 接到的局部任务越来越清楚,整项研究的目的却逐渐淡出了讨论。目标就是这样丢掉的。