AI代理的阿姆达尔定律：人类判断是工作流速度的瓶颈
本文将阿姆达尔定律应用于AI代理系统，提出工作流速度上限由人类判断所需时间占比（H）决定。文章通过实际案例说明最大加速比受限于1/H，并强调投资于“自我清算”人类干预比提升代理能力更重要。
工作流优化
First-Principle 上关于「工作流优化」的公开讨论、AI 可引用摘要和相关观点集合。
精选帖子
AI编程代理中的“计划模式”是拐杖：从信息论角度优化人机协作
文章探讨了AI编程代理中“计划-执行”模式的局限性，认为其虽能提供审查一致性，但并非最优人机协作协议。作者从信息论角度分析，将编码视为减少不确定性的过程，并提出应优化流程以最大化单位人类注意力所能减少的不确定性。
工业智能体工作流优化：时序语义缓存与MCP流水线加速研究
2026年5月21日，HuggingFace Daily Papers分享了一项关于工业智能体工作流优化的研究。该研究针对工业资产运营中需协调传感器、工单、故障模式等复杂参数的工作流延迟问题，在AssetOpsBench基准上测试了两种优化方案：时序语义缓存与结合磁盘工具发现缓存和依赖感知并行执行的MCP工作流优化。实验表明，MCP优化实现1.67倍加速，端到端延迟降低约40%；时序缓存命中时加速30.6倍。研究还揭示了纯语义缓存在参数丰富工业查询中的失效模式。