给Agent增加工具、同伴或训练样本，通常被视为提升能力的直接办法。今天几份材料提醒我们再看近一点：它看到的动作怎样排列、已有对象怎样表示、失败以后被要求重做什么，也会改变它实际做出的选择。接口已经参与了任务本身。
MICA 给出了较严格的证据：保持可执行能力一致，MCP与命令行仍产生不同轨迹，而且没有一种接口在所有环境都占优。游戏实验则提供可回看的现象：名单首位成为协调中心，脚本共享带来分工，避免误送的规则又可能扩张为审批负担。这两类证据强度不同，但共同提示我们，观察到的行为需要沿运行条件追溯。
Figma 把这一点用在具体产品上：让模型理解已有设计的结构，练习可直接应用的局部修改，而不只是生成好看的结果。微软合成企业环境则把问题推进到组织和时间关系。想理解方法，先读这两篇和MICA；想看看构建的乐趣，nesformer 展示了借助现成编译器与测试把CPU放进网络的尝试。
观点部分保留两种有用的追问。Lambert承认自己曾低估产业调整的代价，却没有因此放弃对开放生态的期待；推理优化讨论则问，总分接近以后，还需要什么证据才能放心采用。它们都要求把支持某条路线的理由，与已经测到的效果说清楚。
当日材料
- Figma 的专用模型，学的是怎样改好已有设计
- MICA：能力相同，MCP 与命令行仍会改变 Agent 的选择
- nesformer 把 NES 的 CPU 与内存编译进神经网络
- 50个 Agent 的 Minecraft 村落：会分工，也会被自己的流程困住
- 微软先造一家公司，再让 Copilot 回答它的问题
- Lambert 修正了“没问题”这个说法，仍支持开放模型
- 推理快了、总分近似不变，就能说质量不变吗？
- Lambert 推荐的 RL 方法表：先看它纠正哪一种偏差