RE-TRAC：递归压缩每条轨迹，把深度搜索 agent 从「重复试错」改成「渐进学习」

本文素材：arXiv 2602.02486（PDF 18 页 / 836KB / 2026-02-02 提交 / 预印本 v1）。20 位作者：Jialiang Zhu、Gongrui Zhang、Xiaolong Ma、Lin Xu、Miaosen Zhang、Ruiqi Yang、Song Wang、Kai Qiu、Zhirong Wu、Qi Dai、Ruichun Ma、Bei Liu、Yifan Yang、Chong Luo、Zhengyuan Yang、Linjie Li、Lijuan Wang、Weizhu Chen、Xin Geng、Baining Guo。机构脚注：6 所高校（东南大学 / 早稻田 / 清华 / 布朗 / 浙大）+ Microsoft；带 † 标注的几位「this work was done during the internship at MSRA」。arXiv 内文未显式标注 ICML 录用，录用信息以会议公告为准。

本文目的：把 RE-TRAC 的工程动机、状态结构、训练流程、关键数字如实讲清楚，不做综述、不外推。所有数字均对应 paper 的具体表格/图（Table 2-13 / Fig 2-6 / §4.1-4.4）。需要你自己复现时，对照 Table 7-8 的超参与 Fig 9-11 的 prompt。

一、Pass@8 远高于 Pass@1：模型不笨，探索没管理

深度搜索 agent（Deep Research Agent）正在成为 2026 年 AI 工程的主战场。它能自主开浏览器搜几千个网页、把碎片信息揉成报告——OpenAI 的 Deep Research、Google 的 Gemini Deep Research、Perplexity 的 Deep Research、xAI 的 Grok DeepSearch 都是这条线的产品级实现。

但它们都有一个工程上很扎眼的反直觉现象：Pass@8 远高于 Pass@1。

论文 Figure 2 把这件事画得很清楚：在 BrowseComp 上让同一个模型独立跑 8 次（采样温度 1.0），挑最对的那次当成上界。o3 模型 Pass@8 的上界约 81%，而 Pass@1 不到 60%。中间有 20 多个百分点的「本可以做到」没做到——这不是模型的智力上限问题，是探索管理失败的问题。

RE-TRAC 这篇论文的论点可以浓缩成一句话：

问题不是模型不会搜索，是同一个模型的多次独立尝试之间不互通信息。每条轨迹都在重复同一段已经走过的弯路——把多次独立试错改成渐进式学习，是 test-time scaling 的真正未开发空间。

它做的事很朴素：每条轨迹跑完之后，把「我现在知道什么、还差什么、下一步该去哪」压成一个结构化状态，传给下一轮。下一轮不是从零开始，是从这个状态继续。

听起来像 KV-cache 优化？不像。它优化的是「思考流程」，不是计算复用。

二、失败的轨迹到底是怎么失败的：Appendix A 的 5 类行为标注

论文 §3 给出一组失败轨迹分析（详细 prompt 在 Appendix A 的 Figure 6），把失败模式分 5 类：

• A：模型给出了最终答案（或者问用户要更多信息），但过程中规划过的分支没全部走完。
• B：模型给出了最终答案（或者问用户要更多信息），过程中规划过的分支全部走完了——这是合格失败。
• C：模型碰到 context 长度上限，在某个分支卡了很久，没切换。
• D：模型碰到 context 长度上限，仍在多个分支之间探索，直到撞墙。
• E：以上都不是。

分析用的分类器是 GPT-5，让它对失败轨迹打标。

论文的核心观察：A、C、D 这三类占了绝大多数——模型规划能力是有的，问题是它规划完会忘，或者它忘了切换，或者它撞墙就放弃。B 类是少数的「想清楚了再死」。

这件事在你贴的摘要里被翻译成「83%-93% 的失败轨迹存在『计划了却没走完』」。这个比例数字 paper 主体没给精确值，附录也没有公开汇总（Figure 6 的 prompt 是分类 prompt，不是统计表）。我用「绝大多数」来描述是安全的；要更精确的数字需要你贴的版本——本文不擅自补。

RE-TRAC 解决的恰好是 A/C/D 三类共同的根：轨迹结束时的状态没有结构化地传给下一轮。

三、方法：每条轨迹被压成一个 5+3 块的状态

RE-TRAC 的核心机制是「轨迹 → 结构化状态 → 下一轮的输入」：

S_t ← Compress(τ_t, S_{t-1}; C)

其中 τ_t 是第 t 轮的 ReAct 轨迹，C 是固定的压缩规范，S_t 是下一轮的初始 user message。

3.1 Base 版本（给小模型 / SFT 用）：5 块

附录 C.3.1 给出两套 prompt。给基础模型的版本固定 5 块：

1. Current Answer — 目前为止最佳支撑的部分答案，或者 None（无结论证据）。
2. Facts & Evidence Collected — 这条轨迹发现的所有事实条目，带来源标注与验证状态。
3. Analysis & Conclusions — 从证据推导出的逻辑结论，显式链接到事实。
4. Source Inventory & Verification Status — 所有访问过的来源 + 当前验证状态。
5. Uncertainties, Limitations, Gaps — 未知变量、数据歧义、阻塞最终决策的失败模式。

这 5 块的工程含义是：它把「我查到的事实」「我推出来的结论」「我还没解决的疑问」三件事显式分开。ReAct 失败的最大根因之一就是这三件事在自然语言轨迹里混在一起，越往后越糊；RE-TRAC 用固定 schema 强制让模型自己先做这一步分类。

3.2 Full 版本（给 frontier LLM 用）：5 块 + 3 块 audit

给强模型（o3、GPT-5、DeepSeek-V3.2、GLM-4.7 等）用的版本多加 3 块审计 facet：

6. Failed Attempts — 已经放弃、走不通、或者到 rollout 末尾没进展的具体计划。
7. Uncompleted Proposals — 在工具输出里冒出来但没追的潜在线索（URL、实体、数据点、关键词）—— 因为 token 限制、焦点转移、或者模型自己的遗漏。
8. Discarded Possibilities — 候选答案或关键证据因为未经核实的假设、幻觉、逻辑跳跃被丢掉的东西。

这 3 块是 RE-TRAC 真正想塞进去的「反向价值」。ReAct 的惯性是「我得到了 X，所以我走 X」；RE-TRAC 强迫模型把**「我得到的 X，但没追的 Y、丢掉的 Z」也写下来**，下一轮读到的就不是「当前最好的答案」，而是「当前最好的答案 + 所有未走过的岔路」。

3.3 状态作为下一轮的输入

§4.2 给的状态注入方式很直接：状态被 prepend 到下一轮的 user message，紧跟在 system prompt 之后。这避免了 prompt 模板级别的复杂集成——任何 ReAct agent 都能接上。

论文同时强调一个微妙的设计：「状态保留多个未解决候选」——它不强制单一路径，避免探索塌缩。这跟 Best-of-N 的「最后选最优」逻辑正好相反：Best-of-N 把多条独立轨迹归约到一个答案，RE-TRAC 把多条轨迹融合到一个候选清单。

四、递归执行：frontier 模型直接当测试时扩展

§4.3 写得很朴素：

Re-TRAC 作为一种免训练（training-free）的 prompt 策略，适用于推理阶段的前沿模型，无需微调。

执行流程：

1. 定义一个 deep research query，设定最大轮数 N（默认 8）。
2. 第一轮用标准 ReAct 跑出完整轨迹。
3. 用专门设计的 prompt（Fig 9 / Fig 10）压缩成结构化状态。
4. 把状态作为下一轮的初始 user message，紧跟在 system prompt 之后。
5. 模型再次跑 ReAct，依此类推，直到第 N 轮。
6. 最后一轮的答案就是最终输出。

RT@8 这个记号就是这么来的——第 8 轮的答案当成最终答案。

4.1 测试时扩展的基线：四种投票方法

§5.2 把 RE-TRAC 跟四种 test-time scaling 方法放在一起比：

• Pass@1 — 单次出答案，基线。
• Re-TRAC (RT@n) — 第 n 轮答案。
• Majority Voting (MV@n) — n 次独立解，投票取最多的。
• Weighted Voting (WV@n) — n 次独立解，模型给每个解一个置信度，按置信度加权投票。
• Best-of-N (Best@n) — n 次独立解，取置信度最高的那一个。

投票类方法的共同假设是「n 次独立」——每次都要从头跑，不复用历史。RE-TRAC 把这一点打破：每次复用历史，但保留分支多样性。

4.2 BrowseComp300 跑分（Table 3）：RE-TRAC 在所有模型上最优

BrowseComp 全集太大，作者从里面随机抽 300 题作为 BrowseComp300 子集（论文说子集表现与全集很接近）。Table 3 给出 5 个模型 × 4 种方法的对比：

几个能直接读出来的信号：

• RT@8 在五个模型上全部胜出——这是 paper 的最强主张。
• GLM-4.7 在 MV@8 上几乎没涨（37.7→41.7，+4 pp），而 RE-TRAC 把同一模型推到 60.7（+23 pp）。论文对此的解读是：GLM-4.7 的 self-judgment 能力跟 o3/GPT-5 有差距，所以投票类方法对它基本无效——但 RE-TRAC 不依赖 self-judgment，它依赖的是「把历史写下来」这件事。
• o3 Pass@1=54.9、RT@8=69.8、Pass@8=81.7——RT@8 已经接近 Pass@8 上界 81.7%（差了 12 pp）。剩下 12 pp 是 AP@N（accuracy prefix）的空间——意味着 RE-TRAC 内部 8 轮之间其实有不少正确答案出现，如果换更好的选择策略还能再涨。

4.3 效率证据（Figure 5）：token 与工具调用单调下降

投票类方法的天花板是资源随 n 线性增长——n 次独立解就是 n 倍 token。

RE-TRAC 不一样：因为状态把搜索空间逐步收窄，token 与工具调用随轮次单调下降。Figure 5 给出 5 个模型的对照（GLM-4.7 / DeepSeek-V3.2 / GPT-5-medium / o3 / o4-mini），每张图都是 token 用量（x 轴）vs 准确率（y 轴）的散点 + 趋势：

• 投票类（MV / WV / Best-of-N）的散点是「往右平移」——更多 token、差不多准确率。
• RE-TRAC 的散点是「往左下方走」——更少 token、更高准确率。

论文给出的工程结论：RE-TRAC 用约一半的资源达到更好的性能。

这件事的工程含义比看起来重。当下 deep research agent 的部署成本里，token + tool call 调用费占大头，RE-TRAC 把成本曲线从「线性增长」变成「先增后减」，对一个每晚跑几千次的产品来说，是直接省钱的。

五、SFT 训练小模型：把 GLM-4.7 的 RE-TRAC 轨迹蒸馏下来

§4.4 干了一件 RE-TRAC 工程里最聪明的事：用 GLM-4.7 自己当老师，给小模型当师傅。

5.1 数据合成：33k 问答对的 entity-tree 方法

合成数据跟 InfoAgent（Zhang et al., 2025）一样：抓 Wikipedia 实体当根节点，沿着相邻关系建树，每个根到叶的路径转成一个问题，再用 o3 把子问题做 fuzzification（提高难度）。

结果：33k 个 QA pair。

5.2 蒸馏 GLM-4.7 的 RE-TRAC 4 轮轨迹

让 GLM-4.7 用 RE-TRAC 框架跑 4 轮，每轮上下文独立，所以一道题的解轨迹可以摊成 4 个训练样本 → 132k 原始样本。

过滤规则：

1. 含无效工具调用的样本丢掉；
2. turn 数少于 15 的样本丢掉（避免太短的轨迹）；
3. 无有效最终答案的样本丢掉。

过滤后剩 104k 高质量样本——用 SFT 训练 Qwen3-4B-Instruct 和 Tongyi-DeepResearch-30B-A3B。

SFT 超参（Appendix Table 7）：

这组超参值得记一下：batch size 512 + max length 65536——意味着训练用的硬件至少 8 张 80GB 显存的卡跑张量并行才撑得住，这不是个人 GPU 玩得起的训练。

5.3 SFT 出来的两个 RE-TRAC 模型

• RE-TRAC-4B —— base Qwen3-4B-Instruct
• RE-TRAC-30B-A3B —— base Tongyi-DeepResearch-30B-A3B（30B-A3B 是 MoE 架构，3B 激活）

六、五个 benchmark 全图（Table 2）：同尺寸全最优

论文在五个 deep research benchmark 上把 RE-TRAC-4B / 30B 跟所有可比模型对照（Table 2）：

• BrowseComp（Wei et al., 2025）— 浏览检索的 hard subset
• BrowseComp-ZH（Zhou et al., 2025）— 中文版
• GAIA（Mialon et al., 2023）— 通用 AI 助手 benchmark
• XBench（Chen et al., 2025b）— 真实职业任务
• HLE（Phan et al., 2025）— Humanity’s Last Exam

按模型尺寸分四档：

6.1 闭源模型档（参考线）

6.2 大开源模型档（> 70B）

6.3 中等开源档（15B~70B）

6.4 紧凑开源档（< 15B）

6.5 三个能直接读出的结论

① 同尺寸内全最优：

• RE-TRAC-30B-A3B 在 BC / BC-ZH / GAIA / XBench 四个 benchmark 上比 Tongyi-DeepResearch-30B-A3B（之前最强的 30B 基线）涨 8-10 pp；HLE 涨 -1.4 pp（退步）。
• RE-TRAC-4B 在所有 < 15B 模型里全 benchmark 全最优。

② 30B 反超 358B 与 685B：

• RE-TRAC-30B-A3B 在 BC 上 53.0% > GLM-4.7-358B 52.0%。
• 论文 §5.1 明确写：“the RE-TRAC framework is able to compensate for the lack of model intelligence by manually expanding its search space.”

③ 30B 在 GAIA 上 78.2% 超所有闭源模型：

• Claude-4.5-Sonnet 71.2 / o3 70.5 / OpenAI DeepResearch 67.4 / GPT-5-high 76.7 / Gemini-3-pro 74.8。
• 论文 §5.1 把这个结果解读成 “small models equipped with the Re-TRAC framework can replace those expensive proprietary products, serving as advanced on-device search agents.”

这是 30B-A3B 的 MoE 架构（30B 总参、3B 激活）带来的额外红利——单卡可部署。

6.6 HLE 是 RE-TRAC 的弱项

Table 2 里 RE-TRAC-30B-A3B 在 HLE 上 31.5%，比 Tongyi-DeepResearch-30B-A3B 的 32.9% 还低 1.4 pp；RE-TRAC-4B 在 HLE 上 22.2%，虽然在 < 15B 档还是最优，但绝对值远低于 GPT-5-high 42 / Gemini-3-pro 38.3。

论文 §6 / §5.1 没正面解释这个现象。HLE 的设计是「极难的、需要真知识的题」，跟 BrowseComp 的「检索 + 多步推理」不太一样——可以推测：RE-TRAC 的核心机制是「管理多轮探索」，如果一道题用一轮就能答完，那 RE-TRAC 的状态就退化成「重写一遍题目」，没有增益反而有损。这是一个值得未来工作继续追的盲区。

七、Ablations：SFT / Free-use prompt / Summarizer 三组实验

7.1 SFT 的真实增益（Table 4）

Qwen3-4B-Instruct 没经过深度的 deep research 任务预训练，它的初始 RT@8 成绩极低：

BrowseComp 从 2.7% 到 30.0%——10 倍以上的增益。这个数字本身就是 paper 最硬的工程证据：RE-TRAC 框架 + SFT 数据的组合拳，让一个本来不会做 deep research 的小模型变成能做的。

7.2 Free-use prompt（Table 5）：状态会不会让模型卡在旧路径

论文发现一个有趣的失败模式：模型过度依赖总结、卡在前一轮的搜索路径上、不肯扩展。他们加了一个 prompt 显式告诉模型「自由使用总结，主动扩大搜索空间」。

o3 在 BrowseComp300 上的 8 轮对照：

每轮 free-use 版本都赢，8 轮累计 +2.8 pp（68.9 → 71.7）。这是 paper 里对「AI 容易被自己的总结骗到」的一个具体反制：显式让 AI 怀疑总结、主动扩大搜索。

7.3 Summarizer 替换（Table 6）：4B 的压缩能力是天花板

让 RE-TRAC-4B 用 GLM-4.7 当总结者（summarizer）：

RE-TRAC-4B 换 GLM-4.7 当总结者涨 8.5 pp（30.0 → 38.5）；RE-TRAC-30B-A3B 换 GLM-4.7 没变化（53.0 → 52.4）。

论文对此的解读很老实：4B 模型的压缩能力弱，它的搜索能力没有被充分发挥；30B 模型的压缩能力已经够用。换更大的 summarizer 不会让它更好。

但这条结论的另一面是：RE-TRAC 的状态质量直接绑定模型的压缩能力。这条结论会被两种不同的解读带偏：

• 乐观：换更强的模型当 summarizer，能立刻让 4B 涨 8.5 pp。
• 悲观：模型既能执行、又要总结这件事是 RE-TRAC 框架的内在依赖，模型压缩能力不强的 agent 用 RE-TRAC 收益有限。

论文选择把这个留给 future work。这是个诚实的工程态度——但也是「RE-TRAC 不适合所有 agent」的提醒。

八、Round-by-round 微观：Table 9-13 给的 8 轮细节

附录 Table 9-13 给出 5 个模型在 BrowseComp300 上 8 轮的逐轮成绩，包括 Acc%、Pass@N、RT@N、AP@N、MV@N、WV@N、Best@N 共 7 个指标。挑两个最有信息量的看：

o3（Table 10）：

o3 的 RT@8 是 69.8，但 Pass@8 是 81.7——还有 11.9 pp 是被「最后一轮的答案不是最好的那个」吃掉的。AP@8 = 71.1（8 轮里至少有一轮答对），跟 RT@8 = 69.8 几乎贴在一起，说明 o3 大部分时候最后一轮是它的最佳轮次。

o4-mini（Table 9）：

o4-mini 的 Pass@8 = 57.3，RT@8 = 46.8，AP@8 = 47.8——Pass@8 比 RT@8 高 10.5 pp。这意味着 o4-mini 的 RT@8 离它的理论上限还远，未来用更好的选择策略（不只看最后一轮）还能再涨。

九、作者对 RE-TRAC 在 2026 年 deep research 谱系里的位置

论文 §6 给出三个方向的 future work：

1. 集成强化学习——用 RL 进一步优化「经验生成过程」。
2. 跨更多 agentic 任务的扩展——不限于 deep research。
3. 提升 summarizer 能力——回应 §7.3 的发现。

作者自己承认的两个局限（§6 + §5.1 隐含）：

• HLE 提升有限：RE-TRAC 框架对「需要真知识 + 单轮推理」的题型不擅长（Table 2 数据反向证明）。
• 串行多轮的延迟代价：论文没评测 8 轮 RE-TRAC 的端到端延迟，理由是 TTS 方法默认延迟不是核心指标——但生产部署里 8 × 单轮延迟是个真问题。

9.1 与你贴的「系列定位」的对照

你提到 RE-TRAC 与 ContextRot / AgentSwing / ACE / GAM 形成一个 deep research agent 演进谱系：

• ContextRot 诊断「为什么必须管理历史」
• AgentSwing 解决「单条轨迹内何时切换策略」
• ACE 解决「每个历史步骤以什么形态进上下文」
• RE-TRAC 在「轮次之间」做文章，把每轮探索压成状态传下去

这些对照是论文 Related Work 里没明确列出的——paper 自己的引用是 IterResearch（Chen et al., 2025a，Markovian state reconstruction）、Resum（Wu et al., 2025，context summarization）、MemAgent（Yu et al., 2025，multi-conv RL-based memory agent）、InfoAgent（Zhang et al., 2025）。你提到的几个名字是外部视角的延伸定位，不是论文本身的 Related Work。我把这个解读保留下来供对照，但作为严谨边界，本文不擅自把那些 paper 跟 RE-TRAC 之间的细节关系讲死。

9.2 RE-TRAC vs GAM：你贴的「有趣对照」值得展开

GAM（如果你指的是 General Agentic Memory 一类的近期工作）主张「别提前压缩，把所有历史留在上下文里，让模型自己管理」。这条路在大模型 context window 越来越大的今天显得合理。

RE-TRAC 反过来：显式压缩 + 显式结构化。

两种思路在「什么粒度管理历史」上有结构性差异：

• GAM 路：信任大模型的 in-context 学习能力，不压缩、不分块；成本随对话长度线性涨。
• RE-TRAC 路：把状态写死成 5+3 块，下一轮只看状态不看历史；成本随轮次先增后减，但引入「summarizer 能力依赖」的耦合。

两个思路在工程上对应不同的部署形态：

• GAM 适合 context window 大（> 400k）、summarizer 弱的场景；
• RE-TRAC 适合 context window 中等、summarizer 强（或者能 SFT 一个强 summarizer）的场景。

RE-TRAC 的 §7.3 ablation 给出了这个边界的硬证据：4B 模型的 summarizer 太弱，RE-TRAC 收益就小；30B 模型的 summarizer 够强，RE-TRAC 全胜。这跟 GAM 的「信任 in-context 能力」是相反方向的工程假设。

十、复现清单：Table 7 + Table 8 + Fig 9-11

如果你想自己复现 RE-TRAC，下面三组信息是关键：

训练超参（Table 7）：

number of samples: 104k
learning rate: 2e-5
batch size: 512
max length: 65536
warmup ratio: 0.05
scheduler: constant
weight decay: 0.1
Adam β1 / β2: 0.9 / 0.95

推理超参（Table 8）：

工具接口（Appendix C.1）：

• search(query)：Google Search Web API，返回 5 条结果。Tongyi 模型可接受 list 参数做批量搜索。
• visit(urls, goal)：抓网页 → Trafilatura 抽正文 → GPT-4o-mini 摘要。Tongyi 用单数 url；GLM 用 open(url, pattern)，输出只有 summary。

评估验证器（Appendix C.2）：用 o4-mini 当 verifier，按 BrowseComp 的 prompt（Figure 8）判定最终答案对错。

十一、一句话总结

RE-TRAC 的工程贡献不在「提出新压缩算法」——它做的事朴素到接近「让 ReAct 跑 8 次，每次把状态写下来传给下一次」。它的工程贡献在用一组结构化的状态 schema，强迫模型把『我知道的 / 我推出来的 / 我没追的』三件事显式分开，让深度搜索从「独立的多次试错」变成「带记忆的渐进学习」。

这件事在 BrowseComp 上对 o3 兑现了 54.9 → 69.8（+14.9 pp）、对 o4-mini 兑现了 25.7 → 46.8（+21.1 pp）的 Pass@1 提升，token 与工具调用随轮次单调下降。它的本质成本不是算法——是 prompt 的纪律。

当你下次让 AI agent 跑一个长程任务时，记住一件事：它的 Pass@8 通常远高于 Pass@1。问题是它不分享。RE-TRAC 想做的事，就是把这个「不分享」修掉——靠的不是更强的模型，是更清楚的笔记。

附：来源核验

本文所有数字对应到论文具体位置（paper 内文 + 附录）：

• §4.1 + Appendix C.3.1：5+3 块状态结构定义
• §4.2：状态作为引导式搜索更新
• §4.3 + Appendix C.3.3：默认 8 轮、最大轮数 N
• §4.4 + Appendix B：33k QA → 132k raw → 104k 过滤
• Table 2：5 个 benchmark × 4 档尺寸
• Table 3：BrowseComp300 上 5 模型 × 4 方法
• Table 4：SFT 前后 4B 对比
• Table 5：o3 八轮 + free-use 提示效果（68.9 → 71.7）
• Table 6：4B 换 GLM-4.7 总结者（30.0 → 38.5）
• Table 7-8：训练与推理超参
• Table 9-13：5 个模型 8 轮逐轮数据
• Figure 2：Pass@K 曲线
• Figure 5：token / tool call 用量 vs 准确率
• Figure 6：Appendix A 失败分类 prompt
• Figure 9-11：状态 prompt 模板

需要自己核实时，去 arXiv https://arxiv.org/abs/2602.02486 看 v1 PDF（2026-02-02 提交版）。

写在最后：RE-TRAC 给 2026 年的 deep search agent 工程带来的不是新模型——是新方法论。多轮独立是浪费，多轮递归是累积。前者把同一条搜索路径跑 N 次，每次都是新的起点；后者把上一轮的状态作为下一轮的起点，每次都是上次的最优继续。

这件事的边界很清楚——HLE 退步、串行延迟未评测、summarizer 能力依赖。但它的核心主张——用一个固定 schema 强迫模型做笔记——是任何团队都能在周一早上动手试的事。下一个跑长程任务的 agent，给它加上这 5 块结构化笔记，你大概会看到跟你预期不一样的结果。

这件事的本质，跟 OpenSpace 给 skill 加质量层、跟 leader 给 AI 写任务书、跟 Khazix 一句话描述 RE-TRAC 都能成立——AI 时代的工程护栏，越来越多长在「结构化的中间表示」上。模型够强、prompt 够结构、状态够清楚，三件事一起做，工程就能往前挪一格。