与 AI 合作、与他人对话，“复利”这个词经常出现在我的想法里。这些过程中，有些是让我很赞赏的：沉淀的工作可以不断被复用。有些是让我觉得很难受的：在以造传统软件的方式创建一些工具，解决一些非常局限的问题；或者以等同于“许愿”的方式，寄希望于 agent 能自动解决 xx 问题。
本来想梳理下自己的思考。结果，给了 codex 几个关键字，他把整篇内容都写出来的。我整理了一下，贴在了分割线下面。
关于“反复利：更快地制造负债”的描述尤其让我担心。以悲观主义的视角来看，系统天然趋向熵增的方向发展，即使有部分在朝着好的方向推进，但更多的产出在让系统变得混乱。与 AI Agent 合作是必然的，人人都在使用 AI。长期演进的结果，要么是整个系统崩溃、要么是系统里那些制造混乱的个体被淘汰。
复利不是收益率，而是结构
很多人谈复利时，容易把注意力放在收益率上。收益率当然重要，但它不是全部。
真正决定复利能不能发生的，是结构：
- 这次产出能不能被保存下来？
- 保存下来的东西，下次能不能被复用？
- 复用时会不会降低下一次行动的成本？
- 多次复用之后，会不会让系统本身变得更强？
如果答案都是肯定的，那它就是复利结构。反过来，如果一件事做完之后只留下“完成了”这个状态，没有留下任何可复用的资产，那它更像单利，甚至只是一次性消耗。
传统软件工程里的复利
传统软件工程里，本来就有很多复利资产。
代码是复利资产。一次抽象、一个函数、一个模块，如果边界清晰、质量可靠，就会在之后被不断调用。
测试是复利资产。每次写下一个测试，都是在未来替自己挡住一次回归。
文档是复利资产。它把一个人的理解从脑子里拿出来，变成团队可以共享的上下文。
工程化工具也是复利资产。脚手架、CI、lint、发布流水线，这些东西本身不直接产生业务价值，但它们不断降低后续交付的摩擦。
所以，好的软件工程一直都不是只追求“把这次需求做完”。它追求的是：这次做完之后，系统有没有比之前更容易被理解、更容易被修改、更容易被验证。
AI Agent 改变了什么
AI Agent 出现之后，很多事情的形态变了。
以前写代码，人的主要成本在“亲手做”。现在很多局部任务可以交给 agent 做：查资料、读代码、改文件、跑测试、修报错、整理结论。
这会带来一个很明显的变化：一次性完成任务的成本下降了。
但也正因为如此，我们更容易掉进一个新陷阱：让 agent 帮我们完成了很多事情，却没有留下任何可积累的东西。
比如：
- 问了一次 agent，得到一个答案，然后答案散落在聊天记录里。
- 让 agent 修了一次问题，但没有把根因、测试方法、约束条件沉淀下来。
- 让 agent 生成了一段代码，但没有把可复用模式提炼成脚本、规范或模板。
- 每次都从零开始描述背景，而不是把项目知识变成稳定上下文。
这些事情看起来很高效，实际上可能只是把“一次性劳动”加速了。它们提高的是瞬时速度，不一定提高长期能力。
AI Agent 时代的新复利资产
在 with AI Agent 的环境下，我觉得复利资产会发生一些变化。
第一类是高质量上下文。
如果一个项目有清晰的 README、AGENTS.md、代码规范、运行方式、常见问题、架构决策记录，那么 agent 每次进入项目时就不是从零开始。上下文本身会变成生产力。
第二类是可执行的验证。
测试、lint、类型检查、构建命令、最小复现脚本，这些东西在过去就重要，在 agent 时代会更重要。因为 agent 可以很快做修改，但判断修改是否正确，不能只靠“看起来合理”。可执行验证越强，agent 的工作越容易闭环。
第三类是可复用的工作流。
过去我们可能把经验存在脑子里：遇到某类问题先看哪里，怎么排查，怎么验证。现在这些经验可以变成 prompt、脚本、检查清单、自动化流程，甚至变成一个定制 agent。
第四类是项目知识库。
一个项目的复杂度，很多时候不在代码本身，而在那些隐含知识里：为什么这样设计，哪些地方不能改，线上有哪些历史包袱，哪些接口看似没用但有人依赖。把这些知识结构化下来，就是给未来的自己和未来的 agent 存本金。
反复利：更快地制造负债
AI Agent 也会放大反复利。
如果一个人只是不断让 agent 生成代码，却不验证、不整理、不沉淀，那么系统可能会变得更快地膨胀，也更快地失控。
代码多了，但边界没有更清楚。
功能多了，但测试没有跟上。
文档多了，但没有人维护真实性。
聊天记录多了，但知识没有进入项目。
这种情况下，agent 提高的不是复利速度，而是技术债增殖速度。它让我们更快地堆东西，也更快地遗忘为什么要这样堆。
我的判断
我现在越来越相信，AI Agent 时代的差距，不只来自谁更会提问，也不只来自谁用了更强的模型。
更大的差距来自：谁能把每一次 agent 的工作，转化成下一次工作的本金。
同样是让 agent 修一个 bug，有的人只得到一个修复提交；有的人会顺手得到一个回归测试、一段排查记录、一个更清晰的模块边界、一条可以复用的操作路径。
前者是在消费 agent 的能力。
后者是在用 agent 构建自己的系统能力。
这两件事短期看差别不大，长期看完全不同。
我想怎么实践
以后每次和 agent 协作完成一个任务，我想多问几个问题：
- 这次产生了什么可以复用的东西？
- 下次遇到类似问题，能不能更快开始？
- 这次踩过的坑，有没有进入测试、文档、脚本或规范？
- 项目的上下文有没有比之前更清楚？
- 这个流程有没有可能自动化？
如果每次任务都能留下哪怕一点点这样的资产，时间拉长之后，它就不只是“用了 AI 提效”，而是在建立一个会自我增强的工作系统。
这可能就是我现在理解的复利：不是某一次做得多快，而是每一次做完之后，下一次是否站得更高。