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：

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：

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。

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：

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。

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。

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：

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：