大家好，我是十三！欢迎来到十三Tech。
第四讲聊完设计坐标系后，课程正式进入第一个能力模式组：感知。
刚看到这个模块的名字时，我其实很好奇：感知到底在解决什么问题？它和我做服务端时熟悉的输入校验、数据清洗是什么关系？为什么课程要把它单独拎出来作为一个完整的能力模式组？
看完导论后，我才意识到自己之前对"感知"的理解太浅了。
这一讲没有急着讲具体模式，而是先把"感知"从"prompt 之前的简单预处理"里拽出来，立成一个独立的架构问题。它给出的判断很硬：模型不在真实世界里推理，它只在你喂给它的那一小块上下文里推理。
感知层负责的，就是替 Agent 守这道闸。它看到什么、按什么顺序看、压缩到什么粒度看，决定了后面所有推理的上限。
一、感知站在 PRA 循环的入口
课程里用了一个 PRA 循环来定位感知的位置。
PRA = Perception / Reasoning / Action。行动负责把决策变成对外部世界的影响；感知站在另一头，负责把外部世界压缩成模型能处理的上下文；推理只能加工已经进入上下文的材料，不能凭空补回没看见的事实。
这个循环给出的判定很硬：感知决定看见什么，看见什么决定能想什么，能想什么决定能做什么。感知站在整个循环的入口，决定了后面两个阶段的可用素材。
Anthropic 给的定义更精确：上下文工程是"在恰当的时刻，把恰当的信息放进上下文窗口的精细工艺"。感知工程师的工作，就是找出"使下一次推理质量最大化的最小高信号 token 集合"。
这句话的工程含义是：感知层不是"多塞"的问题，而是"选什么、压缩到什么粒度、按什么顺序放"的问题。
二、窗口变大，不代表不必筛选
很多人觉得长上下文出来了，窗口够大，就不用筛信息了。
但 Liu 等人在 TACL 2024 的研究里发现：模型使用长上下文时，对开头和结尾更敏感，中间的关键信息更容易被忽略。窗口变长只是把"没检索到"变成了"检索到了但没用上"。
一个中等模型读干净的 30K token，往往比最强模型淹在 180K 噪声里更可靠。差距不一定来自模型能力，而是来自它到底看到了什么。
课程里用了一个退款的例子把这个判断落到代码层面。
粗糙版感知：
context = search_docs(query="退款", top_k=50)
answer = llm(question, context)
改进版感知：
context = [
order.status, # 订单当前状态
order.delivered_at, # 是否已签收，签收多久
user.refund_history, # 是否有异常退款记录
current_refund_policy, # 当前生效的退款规则
sku.refund_exceptions, # 这个商品有没有特殊限制
]
answer = llm(question, context)
粗糙版的问题不是"找少了"，而是"找多了且找脏了"——top_k=50 里混着旧版退款政策、无关 FAQ、其他品类规则。改进版做的事不是堆资料，而是判断这一次推理真正需要的证据集合。
三、感知工程不是新东西，是老问题换了载体
这一讲最让我停下来的是一段类比。
LLM 像 CPU，上下文窗口像 RAM，文件系统像磁盘。
沿这个类比看，感知工程和我做服务端时熟悉的那套纪律几乎是同一件事：
问题没变，只是载体变了。以前优化查询计划、内存页面、缓存命中率，现在优化上下文窗口、attention 预算和推理质量。
这个判断让我对 Agent 系统的工程化突然有了坐标系——感知层不是新知识，是老问题在新载体上的回归。以前做服务端时熟悉的 P0/P1/P2/P3 分级思路、热数据冷数据分层思路、缓存命中率优化思路，几乎可以平移到感知层。
四、选压探融：后面四讲的地图
感知模块不是一个名词，而是一条流水线上的四个关卡。
- 选（分诊）：哪些信息进 Context，哪些挡在门外——拓扑是 Router
- 压（压缩）：进来了但占地方，怎么压——拓扑是 Chain
- 探（发现）：不知道在哪，怎么找——拓扑是 Loop
- 融（多模态）：图、表、日志异类数据怎么变 LLM 友好——拓扑是 Parallel
四种模式分别绑定四种执行拓扑。这不是随意的功能分类，而是第三讲的双轴框架在感知层的具体落地。
五、没有 Perception Trace，就是在黑盒里调"猜"
这一讲最后一条判断我特别认同：没装 Perception Trace 的 Agent 系统，本质上是在黑盒里调"猜"。
Perception Trace 记录的不是模型最后说了什么，而是"模型在开始推理之前经历了什么"：读了哪些文件，检索到了哪些内容，选中了哪些片段，丢弃了哪些材料，关键证据最终落在上下文什么位置。
普通日志只能告诉你"该订单已超过退款期限"。Perception Trace 能告诉你：检索命中 47 条，进入 context 只有 6 条，关键证据 refund_policy_V3.md 被排序到第 38 位，未进入 Context，实际进入的是旧版 refund_policy_V1.md。
和我做服务端时加 APM、加链路追踪是同一个道理：没有可观测性就没有工程化，感知层也不例外。后续几讲里陆续出现的 budget_usage、dropped_count、compression_ratio 等感知指标，本质上都是 Perception Trace 的不同切面。
这也是整个感知模块给我最大的认知收获：我以前以为 LLM 时代来了以后，做服务端时熟悉的那套工程纪律要么被"长上下文"消解掉，要么需要一套全新的方法。这一讲给出的判断很硬——问题没变，只是载体变了。
课程入口
关于十三Tech All in AI Agent方向的架构师，专注AI工程实践。 相信AI是程序员的最佳搭档，帮助每一位开发者驾驭AI。
联系方式：569893882@qq.com GitHub：@TriTechAI
