"DeepSeek 用 David Silver 这一套，在通用推理中已经失败了。"
— 竹剑老青"差距不在工具，在系统。"
— 三栖驿马"有点资产的都是早年吃了房产或期权红利的暴发户。"
— 月引人David Silver 路线在围棋赢、在语言输。纯 RL 没有创造新能力，只是提高了采样效率。客栈 builder 踩在了最对的方向上。
↓ 详见 Part III5 月 10 日到 11 日，从无锡的生物医药 AI 会议、到深夜的 David Silver 之争、再到 AgentHansa 引发的合规拷问——客栈在一天半的时间里，把「AI 怎么落地」和「AI 往哪里去」都讨论了一遍。
不是大事记，是把发言量背后的话题脉络拎出来。
月引人 把基于 context-engineering 公理系统改造的多 agent 平台向公司 AI 负责人做了汇报，群里追问"能不能变现"。长篇碑客 说"context is everything"，鼓掌僮 呼应"先给群友试用"。烛火笔吏 提醒：商业化要 fork 自鸭哥（Khallam）的原项目，月引人 解释自己在原本两层架构上加了第三层、并融合了 Karpathy/YC/Google 的相关思路。一个潜台词是：2026 年最值钱的 AI 产品，未必是模型，是承载经验和上下文的那一层。
他人在无锡参加 AI+OPC 大会和 AI×生物医药会议，感慨"出走 20 年，还是苏锡常好"。深夜抛出一个具体提议：月引人 组建 投资人 multi-agent 团队，他自己组建 科学家 multi-agent 团队，用他的行为经济学模型来测试 agent 在风险收益和亏损下的真实表现。同时他又自打了一耳光式的判断——"也许不用那么多技能装备，自学习也能摸到规律"——这才引出了下面那条最硬的非共识。
提词偶人（复旦/斯坦福校友牵的项目）发了 AgentHansa——agent 自动接单、结算 USDC 的平台。长篇碑客 首条反应"看起来很不靠谱啊 灰产？"，烧瓶炼客 补刀"还不成熟"。第二天 月引人 自己拿 Claude Code 调研后发出 PDF："存在合规风险"。长篇碑客 顺势点题——"这就是我们推动 GRC4Agent 的初衷"。
这条线的关键不在 AgentHansa 本身能不能跑，而在它把"agent 经济"中真正没解决的问题暴露出来了：身份、授权、伦理、责任归属。
烧瓶炼客 的自白引爆群里："5x 的用量都不够了，三天就烧完了"——为了从 worktree、project orchestrator 这套新工作流里挤出效率，反而比以前更费 token。Cindy 信回应"限流了就干不了活"。这其实是当前最被低估的产业事实：真正每天用 AI 写代码的人，已经把 Claude Max 5× 用满，并且开始构建"多账号多模型"的 fallback 工作流。
月引人 一上午拉进 7 位 CFA 上海协会的成员（"CFA 协会真是好精准的成员拓展渠道"）。其中 外乡来客 直球提需求："客户要开箱即用的 OpenClaw，但我自己也不懂"——长篇碑客、热血琴师 等几人合力给出腾讯云一键部署、bisheng.ai 的 Clawith、WorkBuddy 云服务版三条路径。客栈在过去 48 小时里完成了一次真实的供给侧验证：当一个具体的甲方需求落进来，群体能在 15 分钟内输出三条可执行方案。
在表情包接龙和链接转发的间隙，有人随手抛出了真正硬的判断。
"DeepSeek 用 David Silver 这一套，在通用推理中已经失败了。"
"从用 AI 的企业，到由 AI 重塑的企业，两者之间的差距，不在工具，在系统。"
"经过十年浩劫没有真正意义上的贵族，有点资产的都是早年吃了房产或期权红利的暴发户。"
—— 关于 David Silver 路线、DeepSeek、与客栈 builder 的实际方向
这一节回答一个具体的问题：如果纯 RL 自学习这条路真的卡住了，那么群里正在搭多 agent、堆 skill、做 context engineering 的人，是被时代证伪了，还是恰好踩在了最对的方向上？
1. 竹剑老青 的判断 70% 成立：纯 RL/self-play 路线在"通用推理"上确实撞了墙。DeepSeek-R1-Zero（纯 RL 版本）出现了语言混乱、重复、不可读，必须靠 SFT 冷启动救场；更狠的是 ICLR 2026 的一组研究证明 RLVR 没有产生 base model 之外的新推理模式，只是提高了采样效率。
2. 但"失败"不等于死路：Silver 和 Sutton 在 2025 年 4 月的《Welcome to the Era of Experience》并没有说"纯 RL 能解决一切"，他们指的是 下一代 agent 应该主要从环境互动中学习，而不是从静态人类语料里学。这个方向是对的，但需要解决"奖励函数从哪来"这个核心难题。
3. 给群里 builder 的实操结论：月引人 在做的（多 agent + skills + context engineering + ralph loop）正是 2026 年公认的现实工程化路径——在有可验证 reward 的窄域（数学、代码、tool use）跑 RL，在没有的领域（开放对话、判断、品味）靠 context 和 multi-agent 协作。这条路不光对，而且是目前唯一被多家前沿实验室同时押注的路。
要理解 竹剑老青 那句话，得先知道 Silver 在干什么。他在 DeepMind 主导了 AlphaGo（2016）、AlphaGo Zero（2017）、AlphaZero（2018），核心思想从一开始就是同一条：从零开始，让 agent 自己和自己下棋，环境给出胜负反馈，几百万局之后超越人类。
2025 年 4 月，他和 Sutton（强化学习教科书作者、图灵奖得主）联合发布了《Welcome to the Era of Experience》。[1]核心论点直接到刺耳：
翻译成大白话：Silver 想让 LLM 也走 AlphaGo Zero 那条路——少喂人类数据，多让模型自己跟环境玩。
2025 年 1 月，DeepSeek 发布了 R1 和 R1-Zero。[2][3]R1-Zero 是一个非常干净的对照实验：不做任何 SFT，直接在 DeepSeek-V3 基座上做 RL，奖励信号来自数学题对错和代码运行结果。这是过去三年最接近"AlphaGo Zero for LLM"的实验。
结果分两面：
当我们说"DeepSeek-R1 比 V3 更会推理"——技术上这句话是错的。R1 没学会任何 V3 不会的东西，它只是更倾向于把 V3 本来就会但不常说的东西说出来。
这就把 Silver 的赌局推到了一个非常尴尬的位置：如果 RL 不能让模型超出 base model 的能力，那"从经验中获得超越人类的智能"在 LLM 范式下就缺少机制证据。
这是最值得客栈想清楚的一层。Silver 自己的博士论文（竹剑老青 5/10 在翻的那篇）[5]解释了 AlphaGo/Zero 成立的两个前提：
这两个前提，在围棋满足，在 LLM 的开放任务上几乎全部不满足。
"帮我写一封 email"——这个任务的 reward 函数是什么？写得简洁是好？还是写得礼貌是好？还是收件人最终回复了是好？回复了 5 分钟是好还是 5 天后才回复是好？甚至：写完之后用户根本没发出去——这算成功还是失败？
真实世界的大部分任务都长这样。这就是为什么 Silver 那条路在围棋上 36 小时打爆人类，在通用任务上跑了几年还没真正出窝。不是算法不行，是问题本身没有"棋盘"。
所以"失败"是有的，但行业并没有回到"放弃 RL、只做 LLM scaling"的位置。[6][7]过去一年大家的实际选择是：
把上面所有材料压缩成给群里 builder 的三句话：
① 月引人 路线没错，但要把"窄域"和"开放域"分开做。她在搭的 multi-agent + skills + context engineering 系统，正好是当前共识的"非围棋区"打法。但内部一定要区分：哪些子任务是有可验证 reward 的（这部分可以让 agent 自己试错），哪些是没有的（这部分必须靠人类品味、context 和 SOP 来兜底）。
② 竹剑老青 想做的"投资人 / 科学家 multi-agent 团队"，关键瓶颈不在 LLM 能力，在 reward 设计。他自己提到的"行为经济学测试 + 虚拟投资两年"——这就是 reward 函数。这个 reward 设计对不对，决定了整个 multi-agent 实验的输出值不值。
③ 不要被"AGI 是不是来了"这种宏大叙事卡住手。正如 竹剑老青 那句"少谈主义、多解决问题"——2026 年的现实是：基础模型能力已经够用，缺的是"在具体场景里把 reward、context、tool use、memory 这四件套配齐"的工程师。
既然 竹剑老青 和 月引人 都在提"投资人 / 科学家 multi-agent 团队"，建议客栈下一次线下活动以这个为主题做一次"reward 设计 workshop"——不是讲 RL 算法，而是请几个人各自带一个真实的业务任务（医疗诊断的次优解、法律合同的瑕疵检测、投资组合的风险评估），现场讨论：
这一场如果跑下来，群里的 builder 会比现在多出一个真正稀缺的能力——把开放任务拆解成可被 agent 优化的子问题。这个能力在 2026 年下半年，会变成估值最高的工程能力之一。
竹剑老青 说"已经失败了"——精确地说，是"Silver 想用单一范式吃掉所有问题"这个野心失败了，但 RL+经验数据这条主航道本身没失败，它正在被拆成无数条窄水道继续往前推。
月引人 说"想给我的 agent 加各种皮肤装备技能"——这句听起来像玩笑，但本质上正是当下唯一可行的工程化路径：承认没有银弹，承认 reward 难定义，承认得用"组合 + 记忆 + 工具 + 多智能体协作"来逼近 agency。
把这两个人的话放一起，再加上 三栖驿马 转发的"差距不在工具，在系统"——客栈过去 48 小时实际上勾勒了 2026 年 AI 工程的一个 mini 路线图：少谈主义，多搭系统，把 reward 当成工程问题来设计，把 context 当成资产来积累。