一次没有采用的 AI 提速方案

先固定“怎样才算更好”

问题很具体：在保留场景查询与引用检查的前提下，一份候选方案能否让 AI 工作流更快？在比较前，同时保留性能门槛和场景检查；不能只挑改善的样本。

本次使用 3 类合成场景、2 个引擎、2 个版本，每种组合重复 3 次，共 36 次。基线与候选各 18 次，场景与重复次数相同。

样本是合成输入，公开记录仅保留汇总；不包含私人数据或内部系统入口。

局部变快，检查通过数却下降

部分场景耗时改善，但候选没有同时通过性能与场景检查。这里没有把未通过的结果排除，也没有把局部提速概括成整体成功。

决定：保留原方案

先定位未通过的组合，再决定是否调整候选。要比较的应当是从任务开始到结果可验收的完整过程；如果快出来的时间又花在纠错上，收益就需要重新计算。

这份记录能说明什么

上述通过数是预设查询 / 引用检查的结果，不是完整答案质量或生产成功率。36 次合成样本不能外推生产性能，也不足以代表全部任务。

这是独立的工作流对照，不是对“Agent 与界面如何分工”的直接验证。两条路径共享验证方法，结论仍各自保留边界。

公开版说明：历史记录的匿名汇总，原始输入与完整运行证据未在本站开放，因此这不是可独立复现的公开基准。