想问下有没有人在生产里挂 flash 这一版跑长任务？我最关心的是连着跑两三个小时会不会开始摆烂。
问这个是因为我这条链路的结果有点出乎意料。活很长，跑到中途它把 harness 里 agent swarm 那组工具调用翻出来用了，提示词里我一个字都没提，它自己决定拆任务、派给子代理、再把结果收回来组合。几十步之后还记得前面定下的约束，没跑偏。
上回测 flash，我的印象还停在复杂工具链想都别想，单个 tool call 都能调歪、参数漏一半的阶段。这回的进步比跑分好看多了。
不过就一条链路，样本小得可怜，运气成分排除不掉，所以才来问问。
