（来源：上观新闻）
论文发现🕝了一个“🍆🇰🇾倒 U 型”曲线🌡： 成🇺🇲GOOGLE优化本水平🐗准确率趋🎫💁♂️势低成本准📦确率较低（可能投🇻🇦入不够✳）中等成本准确🌈率往往最🇬🇫🔣高高成本准确🇧🇧🛸率不升反降，🔣进入"饱🌕和区间" 🐺为什么会这样？论🧸🎉GOOGLE优化文通过分析 Ag🗓ent 的具体💂🇲🇾操作给出了答🦏案——🛂🍛 高成本的运行🇸🇨中，Age🚭nt 🇲🇭🉐大量时🛒间花在了“重🙇♀️◽复劳动”上👨⚕️。
许多 Agen👨👧👧🌇t 的应对方⚪🐢案很粗暴：把所有☎⛎历史塞进上下文窗🇸🇯口，指望模型🇲🇵自己分🇲🇲清主次🚹➖。做完之后👡🏳回头想，👠这几张👨⚕️🔱知识卡片背🍕后是什么👰🧸？ 表面是A🐐I生成的内🐯🎖容，底🌭层是Vibe👨👨👧👧 Codi🇳🇴ng；AI读🌉♍懂了我🎯的需求，⚱👐写了一段代码🔌⬇，渲染🦃🇹🇨出了我想要的样子🏨🌝GOOGLE优化。同时解决💞🏴了‘标准🥶🧾不统一🕎🇳🇫’和‘老师评价🇲🇵🏍压力大🇳🇷🕡效率低’🇰🇭⚪GOOGLE优化两个问题🎨👸。想象一下这个场景📆： 你👰📩让 AI A😶👩🏭gen🇬🇹⏪t 帮你修一🇩🇿🛐个代码 B🦉📭ug🎲。
