Convergence vs. Generation（收敛 vs. 生成）
在 Agentic Engineering 的演进中，交付逻辑正在经历从“概率生成”向“确定性收敛”的范式转移。
| 维度 | 生成式（Generative） | 收敛式（Convergent） |
|---|---|---|
| 核心假设 | 模型越强，产出质量越高 | 约束越严，产出偏差越小 |
| 逻辑起点 | 模型一次性产出结果 | Harness 驱动多轮迭代 |
| 错误处理 | 寄希望于下一代模型的幻觉减少 | 将报错回灌（Feedback），带错纠正 |
| 成功判据 | 语义相似度、肉眼观察 | 自动化判据（协议、产物、环境） |
| 典型代表 | Vibe Coding、简单 Copilot | 约束驱动工程、Qwen 实验 |
核心差异
1. 质量的来源
- 生成式: 认为质量来自模型的内在参数和随机采样的幸运值。
- 收敛式: 认为质量来自对无效路径的不断排除。如通义实验室（2026）所言：“质量不是生成的，是被闭环收敛出来的”。
2. 人类/Harness 的角色
- 生成式: 人类是“提示词工程师”，通过调整输入来寻找最佳输出。
- 收敛式: Harness 是“控制系统”，通过注入硬约束（如 像素事实）和分层验收，强制系统向目标状态逼近。
3. 长程任务的鲁棒性
生成式逻辑在长程任务中容易因错误累积而“翻车”；收敛式逻辑通过每一阶段的“当场截断”和“残局重续”，能够支撑数小时甚至数天的连续自动化交付。