把 OpenMythos 的遞迴思維借到 AI Coding，真正缺的不是更強模型，而是抗熵治理

這串 Threads 最值得記錄的，不只是 OpenMythos / RDT 這套模型架構，而是作者做了一個更有意思的轉譯：把「遞迴、循環、穩態控制」這套思路，直接搬進 AI coding 與 agent orchestration 的治理問題。

它真正想回答的不是「模型怎麼更強」，而是另一個更痛的現場問題：為什麼 AI 明明越來越會寫，專案卻還是越改越亂？

一、RDT 的啟發，不只是省參數，而是把「深度」從堆層數改成重複打磨

作者先從 OpenMythos 借來一個核心概念：RDT（Recursive Depth Transformer）。

和傳統 feed-forward transformer 把資料一路送過不同層不同，RDT 的重點是讓資料在同一組參數中反覆循環、反覆打磨，用重複運算換推理深度。再搭配穩定機制，避免多輪循環發散。

這個觀點的重要性，不只在模型效率，而在它提醒我們：能力提升不一定只靠把系統做大，也可以靠讓系統在更受控的節律下反覆推演。

二、AI coding 的真正問題，常常不是智力不足，而是系統開始熵增

作者接著把這個想法轉回 Claude Code 這類 AI 開發場景，指出一個多數人都踩過的坑：

• 做了 A 功能，B 壞掉
• 修了 B，A 又壞
• 新模組與舊模組彼此脫節
• 速度越快，技術債堆得越快

這裡的關鍵不是模型「不夠聰明」，而是外部 prompt loop 很強，系統級穩態控制卻很弱。

也就是說，很多團隊其實只在做「一直叫 agent 修改」，卻沒有給它：

• 全域地圖
• 明確邊界
• 單一事實來源
• 風險攔截機制
• 寫入主權分配

當這些東西不存在時，agent 越能幹，往往只是越快把專案推向軟體廢土。

三、作者提出的解法，本質上是在替 agent 補上治理層

Threads 裡提出一個很值得記下來的三件組：Hook、Skill、Loop。

1. Hook：把 AI 從自由書寫，拉回可監管系統

Hook 可以理解成神經攔截層或警報器。

它的作用不是幫 agent 加速，而是在關鍵節點強制插手，例如：

• 寫入前做 pre-flight 檢查
• 報錯時進入暫停與止血模式
• 高風險變更時先攔截再放行

這其實是在補上 agent 系統最常缺的東西：不是更多 autonomy，而是可被介入的治理節點。

2. Skill：把 prompt 翻成穩定可重用的劇本

作者把 skill 看成專家器官，這個講法很準。

Prompt 本身往往是一次性的、模糊的；skill 才是把流程、規則、索引與約束沉澱成固定能力模組。尤其當 skill 能被 hook 條件式強制調用時，它就不再只是備忘錄，而是治理的一部分。

文中提到的 Skill_Global_Indexing，本質上就是為 agent 建立單一事實來源（SSOT），讓它知道 A 與 B 的依賴關係、哪些檔案是權威來源、哪些區域不能亂碰。

3. Loop：把內部推演和外部執行分開

這是整串內容最值得吸收的部分之一。

作者主張在真正下手寫 code 之前，先讓模型做 2 到 3 輪的內部 RDT 式推演，先評估成本、風險與影響面，再決定是否進入外部執行。

這其實是在把「先想清楚再動手」制度化。

很多 agent 系統出事，不是因為不會行動，而是太快進入行動；中間少了內部模擬、風險預演與替代路徑比較。

四、最實用的落地原則，不是多 agent 並寫，而是單一寫手主權

作者最後收斂成一條很硬，但很實戰的原則：Single Writer Sovereignty。

可以讓多個 agent 同時分析、查資料、找 bug、做評審，但整個系統在任一時刻只能有一個 agent 擁有寫入權限。

這背後的邏輯很直接：

• 分析可以並行
• 寫入必須序列化
• 思考可以分散
• 主權不能分散

這比一味追求 multi-agent 並寫更接近真實工程管理。因為真正毀掉大型系統的，往往不是單次錯誤，而是多個 agent 在沒有共享邊界、沒有統一憲法的情況下，同時改動同一個世界。

作者再往前推一步，加入 BDD First 與 Shadow Auditor：

• BDD 先寫，不只是測試，而是先定憲法
• Shadow Auditor 專門監控實作是否違反既定邊界

這代表 AI coding 的主體，開始從「模型會不會寫」轉成「整個寫入體系有沒有治理」。

五、這串 Threads 真正的洞見

這串內容最值得收進 Allen KB 的，不是它是否完整證明 OpenMythos、RDT 或 Museon AIOS 的全部技術細節，而是它抓到一個很重要的方向：

下一階段 AI coding 的競爭，不只是在比誰的模型更強，而是在比誰更會控制系統熵增。

真正高階的 agent 工作流，會越來越像這樣：

• 先有邊界，再有生成
• 先有索引，再有修改
• 先有內部推演，再有外部執行
• 先有單一寫手主權，再談多 agent 協作

如果沒有這一層治理，所謂 agentic development 很容易只是把產能放大，同時也把混亂放大。

六、我的結論

我會把這串 Threads 的核心總結成一句話：

OpenMythos 值得借鏡的，不只是遞迴式模型深度，而是它提醒我們，AI coding 真正缺的常常不是更多 token、更多 agent、更多自動化，而是一套能夠抗熵的治理結構。

模型越強，越需要憲法；agent 越多，越需要主權；速度越快，越需要在動手前先做內部推演。

這可能才是從「AI 幫你寫 code」走向「AI 能穩定參與系統開發」之間，真正的分水嶺。

來源：{source_url}