Summary
衰减（Attenuation）与放大（Amplification）是控制论中实现 human-on-the-loop 的两个核心机制。衰减 = 过滤 Agent 系统的高多样性输出，避免人类过载；放大 = 将人类的决策和策略规模化传递给 Agent 系统。
Key Points
衰减（Attenuation）
通过过滤或聚合，降低 Agent 系统侧的多样性，使其在人类认知带宽内可控：
- 聚合报告：将高频输出浓缩为仪表盘（代码质量趋势、Agent 任务成功率）
- 异常升级：仅在预设阈值被触发时向人类告警（如测试成功率 < 98%）
- 自我管理：促进 Agent 系统内部的局部自治（类似成熟敏捷团队无需管理层日常介入）
核心思想：人类不应该阅读 200 个 QA 日志，应该只看到”测试成功率跌破阈值”这一个信号。
放大（Amplification）
将人类侧的多样性规模化传递给 Agent 系统：
- 策略编码：将架构决策和准入规则写入 AGENTS.md / DESIGN_PRINCIPLES.md
- 知识注入：为 Agent 提供统一的业务领域或技术规范知识库
- 分布式控制：将控制权分散给多个人类角色或平台工程团队
- 思维模型深化：通过培训提升人类对系统整体状态的理解
核心思想：一个开发者编写的策略文件，通过注入所有 Agent 的上下文，将个人技术影响力放大百倍。
与 Harness Engineering 的关系
衰减与放大是 harness-engineering 的两个核心操作维度：
- Harness 的可观测性组件 = 衰减（dashboard, alerts, aggregation）
- Harness 的策略注入组件 = 放大（AGENTS.md, resolver, skill files）
- harness 本身就是衰减+放大的技术载体
康南特-阿什比定理的要求
找到合适的衰减与放大方法，要求人类对 Agent 系统拥有足够精确的模型（Conant-Ashby Theorem）。如果模型不准确，衰减可能过滤掉关键信号，放大可能传递错误策略。
Open Questions
- 衰减过度（过滤掉关键信号） vs 衰减不足（信息过载）的最优平衡点？
- 放大策略的版本管理和 A/B 测试方法？
- 如何设计反馈机制让 Agent 系统自动调节衰减/放大参数？
Related
- human-on-the-loop — 衰减与放大是 HotL 的核心控制机制
- ashbys-law — 必要多样性定律决定了为什么需要衰减/放大
- harness-engineering — Harness 工程是衰减/放大的技术实现
- harness — Harness 框架承载衰减/放大功能
- gemba-go-see — 现地现物验证衰减/放大是否有效