一个策略，将 DeepSeek V4.1 Flash 在长任务中的能力提升 30%。
做开发的同学应该都体会过 AI 最大的痛就是给它一张任务清单。
前几个任务做得很好，跑着跑着开始偏离目标。
或者更离谱的是：
它告诉你“已经完成了”。
你一检查：
实际上只完成了 50% 不到。
经过多个项目实践，我发现了一个非常有效的策略：
任务原子化 + 上下文隔离。
AI 做小 Task 时，完成度往往接近 100%。
但 Task 一旦变长，完成度会明显下降。
所以第一反应通常是：
“那就拆任务”。这个方向没错。
但如果只是简单地把一个大任务拆成几十个 Todo，反而可能让问题更严重。
因为你只是把：
一个长任务
变成了：
一条更长的 Todo List。
AI 仍然需要在一个不断膨胀的上下文里，因为它要记住：
做了什么、没做什么、下一步做什么、哪些事情不能忘。
时间一长，还是会偏。
真正有效的方式是：
拆任务 + 隔离上下文。
比如一个大任务：
A → B → C → D → E
执行 A 的时候，只让 AI 关注 A。
A 完成之后：
立刻清空上下文。
不需要把整个 A 的执行过程继续塞给 B。
丢掉之前的上下文会带来一个新的问题，必要的关键信息也会被丢掉。
所以需要维护一套公共 Cache，将必要的信息放进cache中：
```text
/cache
├── task-A.md
├── task-B.md
├── architecture.md
└── decisions.md
```
接下来执行Task B 时：
重新建立一个干净的上下文。
只读取：
> 完成 B 所需要的必要状态。
于是整个执行过程变成：
Task A → Cache → 新 Context → Task B → Cache → 新 Context → Task C
而不是：
Task A → A+B → A+B+C → A+B+C+D → ……
这其实和 Context Compression 有点像。
但有一个非常重要的区别：
Context Compression 是“压缩历史”。
Context Isolation 是“直接切断历史”。
这是两个完全不同的思路。
因为 Agent 的上下文压缩，即使做得很好，多次压缩以后，仍然可能出现一个问题：
重要信息的权重会不断下降。
最后模型记住了大量“发生过什么”，
却忘了：
“什么事情绝对不能漏。”
而 Context Isolation 的思路是：
不要让模型一直背着历史往前跑。
把历史变成结构化状态。
把状态放进 Cache。
让下一次 Agent 从一个相对干净的上下文重新开始。
所以真正重要的不是：
让 AI 记住更多。
而是：
让 AI 在每一个阶段，只记住当前真正需要的信息。
这可能是 AI Agent 长任务工程化里，一个非常重要的设计原则：
不要让 Context 成为记忆。
让 Cache 成为记忆。
让 Context 只负责当前任务。
3
1
322
Claude Opus 5.5，正在重新驾驶阿波罗11号登月舱。
基于阿波罗11号登月舱原始汇编 Luminary099，把1969年的 AGC制导逻辑重新跑起来了。
在此基础上，完整复刻 P63制动 → P64接近 → P66着陆 → P68触地确认，同时加入二次制导律和变质量油门回路，让飞船的减速、抬头、转竖直，全部按照物理模型计算。
于是，阿波罗11号动力下降的12分钟，被压缩成了一段7秒、可以循环播放的动图。
画面上方，是不断推进的下降轨迹；左下，是实时变化的DSKY；右下，则是宇航员当时的舷窗视角。
随着任务推进，DSKY从 V06N63 → V06N64 → V06N60，期间还原 1202程序警报；与此同时，飞船姿态不断变化，直到地平线升起，月面最终进入视野。
也就是说，从程序、仪表、轨迹到舷窗视角，都在跟着同一套制导逻辑同步变化。
1969年的登月计算机逻辑，今天被AI重新跑了一遍。
2
374
炸了！罗福莉深夜发文，看来这次是拿到了大结果啊！
DeepSeek 和MiMo这俩是提前商量好的吗？两个大模型玩家在“把推理成本打下来”这件事上居然达成了一致。
就在刚刚，MiMo-V3发布了全新的缓存架构HySparse2。解决的核心痛点是：代理式推理里，每轮动作很短，但返回的观察可能很长，而且后面上下文还不断增长，导致预填充贵、KV 缓存变大、长上下文检索困难，三件事同时卡在这个关键路径上。所以米子家就采取了一个两级 KV 共享的方案：让跨解码器全注意力层从自解码器隐藏状态构建 K/V，再让稀疏层复用前序全注意力层的 KV 缓存和选择索引；同时用令牌级选择替代块级选择，并让本地和全局令牌共用一个 KV 缓存。这样所有跨解码器 KV 都来自自解码器，自解码器算完，预填充就能停。
因为采取了这样的方案，性能得到了很大的提升：相比 MiMo-V2.6 的 Hybrid SWA，在 1M 令牌时预填充计算量降低 5.02 倍、KV 缓存缩小 4.5 倍，MRCRv2 和 RULER-v2 更高，AgentPPL 和 LongPPL 更低。所以它和 DeepSeek 的思路很像：都在优化存储和内存成本，让大模型更便宜、更能扛长上下文。
2
387
兄弟们！
一起近距离感受下 MiMo-V2.6 Pro + MiMo Code 的原生体验到底怎么样？
今天用它俩实现了一个非常 cool 的 3D 汽车展厅。
整个过程中，最大的感受就是：
这模型是真的挺聪明。
我只是给了一个大致需求，它自己帮我下载了一个 3D 汽车模型，然后设计了一套比较完整的交互。
可以切换不同的车身颜色、调整观察方向，整个展厅的交互也基本搭起来了。
最关键的是，最终完成度还挺高。
其次，MiMo Code 有一个我觉得非常好用的地方：
下载之后，可以自动发现其他 Agent 已经配置的 MCP 和 Skill。
基本做到了：
下载 → 安装 → 开箱即用。
这对于 AI Coding 来说其实挺重要的，不需要再花大量时间折腾环境。
另外，在编码展示上也有一些可圈可点的地方。
它采用了新旧代码分屏展示的方式，可以非常直观地看到 AI 到底修改了什么代码，找变更会方便很多。
当然，实际用下来，缺点也比较明显。
第一，真的挺吃 CPU。
我用的是 M2，运行 MiMo Code 的时候能明显感觉到机器发热，而且电量掉得比较快。
第二，速度还是有点慢。
实现这样一个完整的汽车展厅，前前后后差不多用了 1 个小时。
第三，成本还是略微有点高。
这一个项目下来，大概花了 5 个大洋。
所以整体体验下来，我觉得 MiMo-V2.6 Pro + MiMo Code 已经开始有点接近我理解中的 Agent Coding 了。
107