为什么你用同样的模型做 Agent，跑三步就陷入上下文腐烂？
因为你把说明书当成了架构。
把 Karpathy 在斯坦福讲的图上消息传递投射到今天的软件工程里，你会看清一条极度冷血的准则，

这套被后人借势提纯出来的「AI 工程成熟度梯子」，结结实实戳中了全行业最痛的死穴：

• 10% LLM：选一台运行时可重编程的计算机；
• 30% Prompt：用自然语言写程序（只管这一拍说什么）；
• 50% Agent：给预测接上工具与记忆（只管这一拍调什么）；
• 70% Loop：把“做完”从“生成”里彻底拆出来（只管这一拍怎样算做对）；
• 100% Graph：决定哪些任务存在、谁并行、结果回流给谁（管这一拍该不该存在）。

全网 90% 的团队至今卡在 30%–50% 的泥潭里打转：
一次生成漂移了就拼命改提示词，一出环境幻觉了就怪模型不够聪明；
然而真正的工业级生产力，全被后两层统治：

1️⃣ 边是真实数据依赖，绝不是叙述顺序：
很多人画的工作流根本不是图，只是把说明书写成了流程框（“先搜、再读、然后写”）；
在严密的 Graph 架构里，删掉所有无意义的“然后”！
只有当 B 必须读取 A 的产出时才允许连线；能扇出并行的一律扇出，能合并校验的一律合并，一条 4 次串行的链改成扇出往往只要一回合；
2️⃣ Loop 和 Graph 必须物理分离：
Loop（循环）负责单节点内部的正确性——生成、校验、报错、修补，直到绿灯；
Graph（图）负责顶层的拓扑存在性。
你之所以天天被迫肉眼盯梢，是因为你的图根本没有在宏观上定义“哪些步骤根本不该发生”；
3️⃣ 终结上下文腐烂（Context Rot）：
长链条 Agent 最终全被中间草稿和工具垃圾泡烂。
能活下来的从来不是更长的系统提示词，
而是稀疏、契约化、各司其职的数据总线。

Karpathy 讲透的底层同构就在这里：
大模型只是节点内的计算相（MLP）；而图拓扑（Graph），才是系统唯一的骨架。
https://t.co/Mpru0MmfrZ