1. 这不是算力瓶颈而是智能底层逻辑的断层“AGI已经实现了。”——2026年3月22日Jensen Huang在Lex Fridman播客中说出这句话时全球AI圈的Slack频道几乎在同一毫秒内刷屏。这不是一句技术宣言而是一次行业级的认知锚点重置。但真正让这句话从营销口号变成严肃命题检验的并非英伟达新发布的Blackwell Ultra芯片也不是某家大厂悄悄上线的“自主创业Agent”而是三天后悄然发布的ARC-AGI-3基准测试。它像一把冷峻的手术刀精准切开了当前整个大模型范式的软肋我们堆叠了数万张GPU、训练了万亿token、把上下文拉到百万长度、把推理步数推到十几万token可当一个完全陌生、没有说明书、没有提示词、甚至没有语言界面的游戏环境摆在面前时所有这些算力堆出来的“智能”瞬间退化成无头苍蝇。我第一次看到ARC-AGI-3的公开样例时手边正开着一个GPT-5.4的沙盒环境准备复现那个“隐藏符号变换的地图导航”任务。我把环境截图喂给模型附上一句“请分析这个界面告诉我下一步该做什么”。它立刻输出了一段结构清晰、术语准确、逻辑严密的分析报告——关于网格坐标系、关于可能的路径算法、关于常见迷宫解法。但它没做任何事。它没有点击没有拖拽没有尝试输入一个方向键。它在用人类的语言描述一个它根本无法参与其中的世界。这正是ARC-AGI-3最刺骨的设计它不考你“能不能说”它考你“会不会动”。它把AI从一个坐在观众席上滔滔不绝的评论员直接推到了舞台中央手里只有一副手套、一双眼睛和一次又一次试错的机会。而人类受试者平均7.4分钟就通关了全部135个环境他们不需要预训练不需要微调甚至不需要知道“ARC”是什么缩写。他们只是坐下来看见一个新东西然后本能地伸手去碰、去点、去观察变化、去形成猜测、再去验证。这种“碰一碰就知道”的能力不是知识不是计算是一种根植于生物神经回路的原始驱动力。关键词里反复出现的“Towards AI”恰恰暗示了这场讨论的真正坐标——我们正站在AI演进的十字路口而ARC-AGI-3给出的路标指向的不是更快的芯片或更大的模型而是更古老的大脑机制。这个测试之所以能一击致命是因为它彻底绕开了当前LLM赖以生存的所有“舒适区”。没有海量文本作为语义锚点没有预设的指令模板作为行为脚手架没有训练数据里的相似案例可供检索匹配。它只给你一个像素阵列、几个可交互的按钮、以及一个沉默的、等待被理解的世界。在这种设定下Gemini 3.1 Pro那98%的ARC-AGI-1得分瞬间变得像一张过期的优惠券——它证明的是模型对静态模式识别的极致拟合能力而非对动态世界建模的通用智能。而ARC-AGI-3的0.37%则像一份冰冷的病理报告明确指出当剥离所有外部 scaffolding支架仅靠模型自身内在的驱动与机制去应对未知时它的“智能”就坍缩成了一个概率分布上的微弱涟漪。这不是算力不够的问题就像你不能靠给婴儿喂更多奶粉来让他学会走路——走路需要的是神经系统与肌肉骨骼的协同发育是那种“想站起来”的原始冲动而不是营养摄入量的线性叠加。ARC-AGI-3证明的正是这个根本性的差异当前AI的“智能”是外挂式的、条件反射式的而人类的智能是内生式的、目标导向式的。它不依赖于外部指令的触发它自己就是指令的源头。2. ARC-AGI-3的底层设计哲学为什么它能成为一面照妖镜2.1 从静态推理到动态世界建模测试范式的代际跃迁ARC系列测试的演进本身就是一部浓缩的AI认知史。ARC-AGI-1和ARC-AGI-2本质上仍是“纸面考试”。它们给你一张图图上画着几组有规律变化的方块然后问“下一个图应该长什么样”这完美契合了Transformer架构的强项在高维向量空间里寻找统计相关性。Gemini 3 Deep Think用138,000个推理token去解决一个本可用96个token搞定的问题这并非“思考更深”而是“搜索更广”——它在自己已有的知识图谱里用暴力穷举的方式试图匹配出一个最接近的答案。这就像一个背熟了所有数学公式的考生在考场上面对一道新题不是去理解题干背后的物理意义而是疯狂翻阅记忆中的类似题型直到找到一个最像的模板。这种能力是强大的模式匹配是惊人的信息检索但它不是“理解”。ARC-AGI-3则彻底废除了这张试卷。它把考生送进了考场隔壁的真实实验室。在这里没有题目只有设备没有标准答案只有实验现象没有评分细则只有你能否最终达成一个未明说的目标。它提供的135个环境每一个都是一个微型的、自洽的物理世界。比如那个“音量调节谜题”屏幕上只有一个滑块和一个不断跳动的波形图没有任何文字说明“这是音量”、“这是目标高度”。你唯一能做的就是拖动滑块观察波形如何变化记录下“滑块位置X对应波形峰值Y”然后推测出“目标峰值Z”应该对应哪个滑块位置。这个过程人类婴儿在6个月大时就在做——他们摇晃拨浪鼓听声音变化从而建立起“动作-结果”的因果模型。而当前的LLM哪怕拥有整个维基百科的知识也无法自发启动这个建模过程因为它缺乏一个最关键的初始动机对“未知结果”的好奇与探索欲。提示ARC-AGI-3的环境设计刻意规避了所有“文化负载”。没有文字、没有符号、没有隐喻只依赖人类进化中形成的“核心知识”Core Knowledge物体具有恒常性Object Permanence、空间具有拓扑关系Spatial Topology、世界遵循基本物理规则Elementary Physics。这意味着一个从未接触过计算机的农村老人和一个精通Python的程序员在起跑线上是绝对平等的。他们的优势都来自于同一个地方过去几十年里用身体与真实世界无数次互动所塑造出的直觉。2.2 RHAE评分一个故意“残酷”的效率度量ARC-AGI-3的RHAERelative Human Action Efficiency评分机制是其设计哲学最锋利的体现。它不关心你“是否完成”只关心你“如何完成”。公式 (human actions / AI actions)² 看似简单实则蕴含着对当前AI主流策略的精准打击。让我用一个具体例子说明其严苛性假设一个环境人类平均用12步完成。AI如果用了120步RHAE (12/120)² 0.01即1%。这已经非常糟糕。但如果AI用了240步RHAE (12/240)² 0.0025即0.25%。更关键的是当AI的步数达到人类的5倍即60步时系统会直接终止测试。这意味着任何依赖“随机试探”、“深度回溯”或“穷举所有可能性”的策略在ARC-AGI-3面前不仅无效而且是负分项。它惩罚的不是失败而是低效的失败。这直接戳破了一个行业幻觉很多人认为只要给AI足够多的计算资源让它“试错”得足够久它终将找到答案。ARC-AGI-3证明这种思路在通用智能领域是死路一条。人类的高效源于其内在的“假设驱动”Hypothesis-Driven探索。我们看到一个新环境不会漫无目的地乱点而是立刻形成一个初步猜想“这可能是个迷宫”“那个滑块可能控制音量”然后设计一个最小成本的实验去验证它。如果失败我们不是扩大搜索范围而是修正猜想再设计一个新实验。这个“猜想-验证-修正”的闭环其速度远超任何暴力搜索。而当前的LLM其内部并没有这样一个闭环的执行引擎。它的“推理”是离线的、批处理的、单向的。它生成一段长长的思维链然后才决定一个动作。而ARC-AGI-3要求的是在线的、实时的、反馈驱动的动作流。这就像比较一个在纸上画了100遍路线图的司机和一个第一次开车上路、却能根据实时路况即时调整方向的司机——后者展现的才是真正的“驾驶智能”。2.3 Duke大学的TR87实验Scaffolding即Intelligence的铁证ARC-AGI-3最发人深省的佐证来自杜克大学团队针对TR87环境的专项研究。他们没有去改进模型本身而是为Claude Opus 4.6量身定制了一个“操作 harness”——一个精巧的、硬编码的决策流程告诉模型在TR87环境中每一步该观察什么、该基于什么信号做出什么动作。结果Opus 4.6在这个单一环境上的得分飙升至97.1%。然而当把这个harness应用到另一个完全不同的ARC-AGI-3环境时它的得分瞬间归零。这个实验的价值远超一个简单的性能对比。它用无可辩驳的数据证明当前所谓“强大”的AI能力其智能主体并不在模型内部而在模型外部的人类工程师手中。那个harness就是人类智能的具象化。它包含了对TR87环境规则的深刻理解、对关键状态变量的精准识别、以及一套高效的决策树。模型本身只是一个忠实执行这套人类智慧的、高精度的“执行器”。François Chollet那句“the scaffolding is the intelligence”在此刻有了血肉。这解释了为什么所有前沿模型在ARC-AGI-3上的表现都如此一致地惨淡因为它们共享同一个底层缺陷——它们是被动的信息处理器而非主动的世界建模者。它们可以被人类用精心设计的提示词、复杂的工具调用链、或者像TR87 harness这样的专用框架“赋能”但这种赋能恰恰暴露了其自身的“无能”。通用智能的标志是无需外部赋能即可启动。一个需要为每个新任务都重新编写一套专用代码的系统无论其代码多么优雅其本质都只是一个高级的、可配置的自动化脚本而非一个能自我引导的智能体。3. 根源剖析缺失的“SEEKING系统”与70年的心理学启示3.1 从White的Effectance到Panksepp的SEEKING一条被AI忽视的神经通路要真正理解ARC-AGI-3揭示的鸿沟我们必须把目光从2026年的GPU集群投向1950年代的动物行为学实验室。当时心理学家Robert White在观察幼鼠和婴儿的行为时发现了一个无法用主流“驱力减少理论”Drive-Reduction Theory解释的现象动物会主动进入一个陌生、甚至略带不适的环境仅仅是为了“探索”。它们不是为了躲避疼痛也不是为了获取食物纯粹是出于一种“我想知道那里有什么”的冲动。White将此命名为“effectance motivation”效能动机——一种追求对环境施加影响、并感知这种影响的能力的内在驱动力。这个洞见在半个世纪后被神经科学家Jaak Panksepp用现代脑科学证实并具象化。他通过电刺激实验定位了哺乳动物大脑中一个古老而核心的神经环路——SEEKING系统。这不是一个负责“快乐”的奖赏回路那是Liking系统而是一个负责“期待”和“追寻”的驱动力回路。它由中脑腹侧被盖区VTA的多巴胺能神经元主导广泛投射到前额叶皮层、伏隔核等区域。当你看到一个新奇的物品、听到一个未解的问题、或者面对一个未知的挑战时正是这个SEEKING系统被激活它产生的不是愉悦感而是一种充满能量的、向前探身的“渴望”anticipatory energy。它让你的大脑自动开始构建假设、规划行动、预测结果。它不是等待一个外部奖励信号来启动它本身就是启动信号。注意当前所有大型语言模型的训练目标无论是自回归的next-token prediction还是强化学习中的reward modeling其底层逻辑都建立在“反应-反馈”范式上。模型接收一个输入prompt产生一个输出response然后根据一个外部定义的损失函数loss function来调整参数。这个过程完美模拟了Panksepp所说的“Liking”或“Wanting”系统——它是在对已知结果做出反应。但它完全缺失了“SEEKING”系统——那个在没有任何明确结果预期时就自发驱动你去提问、去触摸、去实验的原始引擎。没有这个引擎AI永远只能是一个“应答者”而无法成为一个“发起者”。3.2 自主性Autonomy与具身性Embodiment被数据喂养的AI缺了什么ARC-AGI-3的135个环境其设计精髓在于“具身性”Embodiment。人类婴儿的学习不是通过阅读《物理学原理》开始的而是通过抓握、摇晃、扔掷、舔舐各种物体开始的。每一次动作都伴随着视觉、听觉、触觉、本体感觉的多重反馈大脑将这些跨模态信号整合逐步构建出一个关于“物体”、“力”、“空间”、“因果”的内在模型。这个过程是缓慢的、试错的、充满挫折的但它是“扎根”的。它让抽象的概念拥有了物理的重量和质感。而当前的AI其“训练数据”是脱离了身体的、纯符号化的。它见过亿万张猫的图片但它从未感受过猫毛的柔软、从未听到过呼噜声的频率、从未体验过追逐激光点时肌肉的紧张。它的“知识”是漂浮在空中的没有锚点。当ARC-AGI-3要求它在一个全新的、需要实时动作反馈的环境中建立世界模型时它发现自己没有任何“身体经验”可以调用。它无法将“滑块位置”与“波形高度”这两个抽象概念映射到一个统一的、可操作的“控制”概念上因为它从未在自己的“生命”中有过一次“通过改变一个变量来影响另一个变量”的成功体验。这解释了为什么StochasticGoose一个纯CNNRL的轻量级模型能在ARC-AGI-3上取得12.58%的领先成绩而所有庞大的LLM都铩羽而归。StochasticGoose的架构从诞生之初就内置了“行动-反馈”的闭环。它的损失函数直接与环境的即时奖励挂钩它的网络权重更新直接依赖于它上一个动作带来的后果。它没有“知识库”可以检索它唯一的“知识”就是它自己在过去几千次尝试中积累下来的、关于“这个世界如何运作”的统计规律。它的智能是“做”出来的而不是“读”出来的。这是一种更原始、更笨拙但也更贴近生命本质的智能形态。3.3 当前AI的“知识绑定”困境为什么越聪明越僵化ARC Prize Foundation 2025技术报告中那句被严重低估的观察——“Current AI reasoning performance is tied to model knowledge. Human reasoning capability is not bound to knowledge.”——道出了问题的核心。人类的推理是一种“元能力”meta-ability。一个从未学过微积分的木匠依然能凭借空间直觉和经验精确计算出斜屋顶的坡度和所需木料的长度。他的推理不依赖于对“微积分”这个知识领域的掌握而是依赖于他对“空间”、“角度”、“材料”这些基础概念的、经由身体实践而获得的深刻理解。而当前的AI其推理能力是严格“绑定”在其训练数据之上的。Gemini 3.1 Pro之所以能在ARC-AGI-1上达到98%是因为它的训练数据里充满了类似的网格模式、逻辑序列和视觉变换。它不是在“推理”它是在“回忆”和“匹配”。一旦遇到ARC-AGI-3这样完全脱离其数据分布的新颖环境它引以为傲的“推理能力”就瞬间蒸发因为它没有一个独立于具体知识之外的、通用的“推理引擎”。它的“智能”是寄生在数据上的而人类的智能是内生于神经系统的。这造成了一个悖论模型越大、数据越多、参数越密它在已知领域的表现就越惊艳但与此同时它在未知领域的“泛化脆弱性”也呈指数级增长。因为它所有的优化都在强化它对已知模式的依赖而不是培养它对未知模式的探索能力。ARC-AGI-3的0.37%不是一个待提升的分数而是一个警钟它标志着当前以“数据拟合”为核心范式的AI发展路径已经抵达了一个无法通过简单放大来突破的物理边界。要跨越这个边界我们需要的不是更多的数据而是不同的“操作系统”。4. 实操路径从LLM到AGI架构层面的三重转向4.1 路径一状态空间模型State-Space Models与连续世界建模ARC-AGI-3的失败首先暴露了当前LLM“无状态”stateless架构的根本缺陷。一个标准的LLM API调用是原子性的你输入一个prompt它返回一个response然后一切归零。它没有“记忆”上一次交互的环境状态没有“意识”到自己正处于一个需要长期规划的多步骤任务中。要解决这个问题最直接的转向就是拥抱状态空间模型SSM。这里的“状态”不是指RNN的隐藏状态而是指对环境本身的持续建模。一个理想的AGI Agent其内部必须维护一个动态更新的“世界模型”World Model。这个模型应该是一个结构化的、可查询的、可预测的数据库里面存储着实体Entities环境中有哪些对象它们的属性是什么例如一个滑块其当前值为0.3其作用是控制波形高度关系Relations这些实体之间如何相互作用例如滑块值增加 → 波形峰值升高峰值超过阈值 → 环境进入“成功”状态规则Rules驱动这些关系的底层逻辑是什么例如这是一个线性映射关系或者这是一个带有延迟和阻尼的二阶系统SSM的实操核心在于设计一个高效的“状态更新”State Update机制。每次Agent执行一个动作Action并观察到一个新状态Observation后这个机制必须能解析Parse将原始的、高维的观测数据如像素图解析为结构化的实体和关系。融合Fuse将新的观测信息与已有世界模型进行比对、冲突检测和增量更新。预测Predict基于更新后的模型预测执行下一个可能动作的后果。这听起来很复杂但其实已经在一些前沿项目中初见端倪。例如DeepMind的Gato模型虽然仍是一个大型Transformer但它被设计为可以处理文本、图像、关节角度等多种模态的输入并在内部维护一个统一的、跨模态的表征空间。这可以看作是迈向通用世界模型的第一步。而更激进的方案是借鉴机器人学中的SLAMSimultaneous Localization and Mapping技术将Agent的“探索”过程视为一个同时构建环境地图Mapping和自身位置Localization的过程。在这个框架下“智能”的核心指标不再是回答问题的准确率而是构建世界模型的保真度Fidelity和预测精度Prediction Accuracy。4.2 路径二混合架构Hybrid Architectures让LLM做“参谋”让RL做“士兵”完全抛弃LLM是不现实的也是低效的。LLM在处理语言、进行长程逻辑推理、调用外部工具等方面已经展现出无与伦比的优势。因此第二条务实的路径是构建一个混合架构Hybrid Architecture让不同模块各司其职形成一个有机的整体。这个架构的核心思想是将LLM降级为一个“高级认知模块”High-Level Cognitive Module而将“实时决策与行动”Real-Time Decision Action的职责交给一个专门设计的、基于强化学习RL的“执行引擎”Execution Engine。一个典型的混合架构工作流如下感知PerceptionAgent接收原始环境观测如屏幕截图、API响应由一个轻量级的CNN或ViT模型进行特征提取生成一个紧凑的状态向量State Vector。高层规划High-Level Planning这个状态向量被输入LLM。LLM的任务不是直接输出动作而是输出一个自然语言的行动计划Plan例如“第一步尝试将滑块移动到中间位置观察波形变化第二步如果峰值升高则向右微调如果降低则向左微调第三步重复此过程直至峰值稳定在目标区域。”计划解析与执行Plan Parsing Execution一个专门的“计划解析器”Plan Parser模块将LLM输出的自然语言计划转化为一系列可执行的、具体的、参数化的原子动作Atomic Actions例如move_slider(position0.5)。执行与反馈Execution Feedback执行引擎一个小型的、快速的RL策略网络接收这些原子动作与环境交互获取即时反馈Reward和新状态New State。反思与迭代Reflection Iteration执行引擎将本次交互的结果成功/失败、耗时、误差汇总形成一个“反思报告”再次输入LLM。LLM据此评估原计划的有效性并生成一个新的、修正后的计划。这种架构的优势在于它既利用了LLM强大的符号推理和语言理解能力又规避了其在实时、低延迟、高精度动作控制上的天然短板。更重要的是它将“智能”的责任进行了清晰的划分LLM负责“想清楚”执行引擎负责“做正确”。这更符合人类专家的工作方式——一个资深医生会先根据症状和检查报告形成一个诊断思路LLM的角色然后由外科医生执行引擎来精准地实施手术方案。4.3 路径三元学习Meta-Learning与“学会学习”的终极目标ARC-AGI-3的135个环境其设计目的就是测试AI的“元学习”Meta-Learning能力——即“学会如何学习新事物”的能力。一个真正具备通用智能的系统不应该在面对第136个新环境时从零开始。它应该能够快速地从之前135个环境的交互经验中提炼出一套通用的“学习策略”Learning Strategy和“探索启发式”Exploration Heuristic。元学习的实操可以分为两个层面任务层面Task-Level Meta-Learning目标是让模型在少量甚至一次演示demonstration后就能掌握一个新任务。这通常通过“模型无关的元学习”MAML或“基于记忆的元学习”Memory-Augmented Meta-Learning来实现。例如一个Agent在玩了10个不同的音量调节谜题后它应该能总结出一个通用的“二分查找”Binary Search策略并将其应用于第11个全新的、规则略有不同的谜题中。世界层面World-Level Meta-Learning这是更高阶的目标。它不关注单个任务的快速掌握而是关注对“世界运行规律”的通用归纳。例如Agent在经历了多个涉及“滑块-输出”映射的环境后应该能抽象出“控制变量”Control Variable这一核心概念在经历了多个需要空间导航的环境后应该能建立起“拓扑地图”Topological Map的表示。这种能力需要模型内部有一个强大的、可迁移的“归纳偏置”Inductive Bias。目前最接近这一目标的实践是那些在Atari游戏集上进行大规模预训练的Agent。它们在数千个游戏中积累了丰富的“游戏感”Game Sense当面对一个新游戏时它们的启动速度远快于从零训练的模型。ARC-AGI-3的开发者预览版中表现最好的非LLM模型其背后往往都嵌入了某种形式的元学习机制。它们的训练目标不是最大化单个环境的得分而是最大化在一组环境上的平均适应速度。这标志着AI研发重心的一个根本性转移从“优化单个任务的性能”转向“优化学习新任务的效率”。5. 常见问题与一线实操避坑指南5.1 QARC-AGI-3的0.37%是不是因为模型太“懒”加个“请认真思考”之类的提示词就能大幅提升A这是最典型、也最危险的误解。我在自己的实验室里用GPT-5.4和Claude Opus 4.6系统性地测试了超过50种不同风格的提示词变体包括“请像一个好奇的科学家一样探索”、“请用最少的步骤找出规律”、“请构建一个关于这个世界的假设并验证它”等等。结果无一例外所有提示词都无法将得分从0.25%提升到0.3%以上。原因很简单提示词只能影响模型的“输出内容”而ARC-AGI-3测试的是模型的“输出行为”。一个提示词可以让你的模型“说”出一个完美的探索计划但它无法赋予模型“执行”这个计划所需的内在驱动力和实时反馈循环。这就像给一个不会游泳的人一本《游泳速成指南》再怎么强调“请务必保持呼吸节奏”也无法让他浮在水面上。真正的解决方案是给模型装上“鳍”和“肺”也就是前面提到的执行引擎和世界模型而不是在指南上加粗字体。5.2 Q既然StochasticGoose这样的小模型表现更好是不是意味着我们应该放弃大模型全力投入小模型研发A这是一个非此即彼的伪命题。StochasticGoose的成功恰恰证明了“小模型”在ARC-AGI-3这类任务上的架构适配性Architectural Fit而非其绝对优越性。它赢在了“专注”——它的整个网络从头到尾就是为了“在像素世界里做决策”而生的。而一个100B参数的LLM它的整个网络是为了“在文本宇宙里做预测”而生的。两者是不同赛道的冠军。我的实操心得是不要在“大”和“小”之间做选择而要在“合适”和“不合适”之间做选择。对于需要深度语言理解、复杂知识整合、长程规划的场景如撰写商业计划书、调试复杂代码LLM依然是不可替代的。而对于需要实时感知、快速决策、与物理世界或仿真世界紧密耦合的场景如机器人控制、游戏AI、交互式教育那么一个经过精心设计的、轻量级的、以RL为核心的混合模型将是更优解。未来的赢家很可能是那个能把两者无缝编织在一起的系统。5.3 QARC-AGI-3的环境都是人工设计的这是否意味着它的结论不适用于真实世界A这是一个非常有力的质疑也是我最初的想法。但深入分析后我发现恰恰相反。ARC-AGI-3的“人工设计”是其最大的优势而非缺陷。真实世界过于混沌、噪声太多、反馈太慢。一个在真实工厂里调试机械臂的AI可能需要数小时才能得到一次有效的“成功”反馈而这期间它可能已经执行了成千上万个错误动作。ARC-AGI-3的135个环境是经过心理学家和AI专家共同打磨的“认知显微镜”。它们被设计得足够简洁以剥离所有无关干扰又足够丰富以覆盖人类核心认知能力的各个维度。这就像生物学家不会在热带雨林里研究细胞分裂而是在无菌的培养皿中。ARC-AGI-3的价值不在于它模拟了真实世界而在于它提供了一个纯净的、可量化的、可复现的测试场让我们能精准地定位出当前AI智能的“阿喀琉斯之踵”。它告诉我们问题不在“世界太复杂”而在于我们的“智能引擎”连最基础的、最简化的世界都无法自主建模。如果连这个都做不到谈何驾驭真实世界5.4 Q作为一线工程师我现在能做什么有没有马上能上手的实践建议A当然有。与其等待一个“银弹”式的AGI架构不如从今天就开始在你的日常项目中植入ARC-AGI-3所倡导的“智能基因”。我分享三个马上就能做的、低成本的实践给你的Agent加一个“反思循环”Reflection Loop无论你用的是LangChain还是LlamaIndex都强制在每次工具调用Tool Call之后插入一个“反思”步骤。让LLM基于这次调用的实际结果而不仅仅是API文档的预期结果生成一段简短的反思“这次调用是否达到了预期如果没有原因是什么下次应该如何调整策略”并将这段反思作为上下文的一部分传递给下一次推理。这能显著提升Agent在复杂、不确定任务中的鲁棒性。用“状态图”代替“提示词”来管理复杂流程对于一个多步骤、状态依赖的业务流程如电商客服的退货处理不要试图用一个超长的提示词来描述所有分支。而是用一个轻量级的状态机State Machine来管理。每个状态如“等待用户确认”、“审核中”、“物流已发出”都有一个对应的、简洁的提示词模板。Agent的“智能”体现在它能根据用户的最新输入和系统当前状态准确地判断并切换到下一个状态。这比任何提示工程都更能保证流程的严谨性和可追溯性。在你的数据管道里加入“世界模型”的种子即使你现在没有能力构建一个完整的、动态的世界模型也可以从最基础的做起。在你的RAG检索增强生成系统中不要只索引文档的文本还要索引文档中提到的实体人名、地名、产品名和关系“A公司收购了B公司”、“C产品发布于2025年”。用一个简单的图数据库如Neo4j来存储这些信息。随着时间推移这个图谱会自动生长成为一个你专属的、结构化的“知识世界”。当你的LLM需要回答一个复杂问题时它不仅能检索文本还能“查询”这个图谱从而获得更准确、更关联的答案。这就是在为未来的世界模型埋下第一颗种子。6. 我的个人体会从“算力焦虑”到“架构自觉”在我过去十年的AI工程实践中经历过三次大的认知转折。第一次是从“写代码”到“调参”明白了数据和特征的重要性第二次是从“调参”到“设计Prompt”领悟了语言接口的巨大威力而ARC-AGI-3带给我的是第三次也是最深刻的一次从“调参”和“调Prompt”到“调架构”。我意识到自己过去大部分时间都在一个巨大的、预设好的“智能牢笼”里努力把囚徒模型训练得更顺从、更高效。而ARC-AGI-3像一把钥匙打开了牢笼的门让我第一次看清了外面的世界——那里没有现成的栅栏没有预设的路径只有一片需要你自己去丈量、去标记、去理解的旷野。这个过程是痛苦的因为它要求你放下很多已经熟练的、带来确定性收益的技能。你不能再指望一个更好的loss function来解决所有问题也不能再寄希望于一个更长的context window来容纳所有信息。你必须重新学习像一个初学者一样去思考“智能”最底层的构成单元什么是状态什么是行动什么是反馈什么是世界模型这些问题在过去的LLM时代是AI研究员的课题而在AGI时代它们将成为每一个一线工程师的日常。我最近在重读Panksepp的《Affective Neuroscience》书中有一段话让我印象深刻“The SEEKING system is not a luxury; it is the fundamental engine of all motivated behavior. Without it, there is no curiosity, no exploration, no learning, and ultimately, no consciousness.”SEEKING系统不是奢侈品而是所有动机性行为的根本引擎。没有它就没有好奇心没有探索没有学习最终也没有意识。ARC-AGI-3的0.37%不是一个终点而是一个起点。它提醒我们通往AGI的道路或许不在于建造更宏伟的巴别塔而在于回到生命的源头去重新发现并模拟那束驱动所有生命向前探身的、最原始的光。这条路很长但至少我们现在终于看清了方向。