LTisatisのblog

译文｜构建智能体：何时应将子智能体并入主智能体循环

Thu, 05 Nov 2026 00:00:00 GMT

原文：Building agents: When to fold subagents into your main agent loop

作者：Diane Sarkis。原文发表于 2026 年 10 月 22 日，阅读时间约 18 分钟。

以下依据读者提供的文章截图翻译；截图末句被截断的部分已对照原网页补齐。文中的“我们”指原作者及其团队。三幅示意图以中文表格转写，保留其主要结构和说明。原文及图示版权归原权利人所有。

在 Claude Platform 上构建智能体时，减少子智能体，改为按需逐步加载上下文和工具，有可能在提高质量的同时降低成本和延迟。本文介绍何时适合迁移，以及如何迁移。

如果你在 Claude Platform 上构建的智能体包含多个子智能体，可以使用我们的迁移工具包来判断哪些适合并入主智能体循环。它提供一套引导式流程，帮助你识别现有模式、评估替代方案，并验证哪种方式最合适。工具包还包含演示，你可以先在模拟系统上试用，再用于自己的智能体。

子智能体是拥有独立上下文窗口、工具和指令，并由协调者编排的智能体。它们是智能体设计的核心组成部分，擅长验证、并行工作，以及按模块划分权限。我们使用 Claude Platform 构建的许多智能体也采用了子智能体，例如我们的多智能体研究系统。

不过，应用 AI 团队最近发现，在一些企业智能体部署中，将路由、规划和领域子智能体并入主智能体循环，带来了收益。在我们对多个企业部署的比较中，配备技能的单智能体在质量上经常优于“一个提示词处理所有任务”的设计和子智能体设计，而且每项任务的成本和延迟往往更低。

例如，一家公司发现，其面向客户的智能体包含十几个专业子智能体，这让它难以保持一致的品牌体验，也增加了延迟，影响了用户体验。

我们也经常看到拟议中的智能体设计沿着一种熟悉的路线发展：先做意图分类，再接一条固定的多步推理流水线，接着按用户群体分组、设置不同的推荐分支，最后再加上一层多智能体编排器。

在这些情况下，我们经常收到的反馈是：大部分结构所承担的工作，模型已经不再需要别人替它完成。一个清晰的系统提示词、4～5 个轻量数据工具，再加上严格的输出约束，就能覆盖大部分使用场景。

图 1：原文对两种架构的比较，以下为中文转写。

常见模式：模型外部有 5 层结构	我们常推荐的模式：1 个循环
多智能体编排器 → 意图分类器 → 固定推理流水线 → 用户群体分组 → 各自的推荐分支	一个提示词、4～5 个工具和输出约束
模型被多层结构包围，每层交接都需要传递信息	单智能体循环内包含系统提示词和模型，模型调用数据工具并接收结果，最终输出受严格约束

需要说清楚的是，子智能体仍然有其用武之地，包括前沿研究。以下情况适合使用子智能体：

单智能体循环因上下文膨胀，出现了可以测量的性能下降。
多项任务需要并行处理，而且适合各自使用全新的上下文窗口，任务完成后即可丢弃这些窗口。
单智能体难以选对工具，或者系统提示词中存在相互冲突的指令。

但我们太常看到企业为每个团队、每类问题各建一个子智能体，最后智能体架构成了组织架构图的翻版。这就是康威定律在起作用。

本文将结合我们在大型组织中构建智能体的实践，解释何时应考虑将子智能体并入主智能体循环。

大型组织构建智能体时的常见失败模式

公司通常希望构建一个智能体，把多个产品和能力整合到同一个客户界面中。

一般来说，每项能力都由不同团队负责。因此，公司往往先让各个团队构建自己的智能体，再由中央平台团队在上面加一个编排器。这可以形成多种结构，例如“编排器—子智能体”，或者由一个智能体调用以 MCP 工具形式暴露的其他智能体。

这看起来是最简单的解决办法，却会立刻在以下方面引入复杂性：

上下文管理： 你需要决定智能体之间交换哪些上下文，而信息在来回传递时往往会丢失细节。
子智能体泛滥： 每个团队都发布自己的子智能体，公司最终可能拥有数百个功能重叠的子智能体，却没有统一执行的标准，也没有明确的负责人。
拼接而成的提示词： 每个团队都往系统提示词里加一句话，最终形成相互冲突的规则，也无法保持一致的表达风格。原文将其称为“Frankenprompt”。
未经审核、过度局部化的评测： 每个团队都加入自己的评测，并围绕各自的子任务过度优化。没有人负责或维护整套评测，而管理层依据的是被稀释、过于局部的分数。
延迟： 多智能体架构的复杂性会增加延迟。一位客户将自己的多智能体运行框架与单智能体循环进行比较，发现后者的运行速度约为前者的两倍。

在智能体循环中按需逐步加载信息

前面描述的“编排器—子智能体”设计，是协调不同团队所构建的专业智能体的一种合理方式。不过，更有效的办法往往是：通过技能逐步加载上下文，通过工具搜索逐步加载工具。换句话说，智能体先看到技能和工具的简短描述，只有需要时才加载完整内容。原文将这种方式称为“渐进式披露”（progressive disclosure）。

这种做法可能更合适，原因有三点：

共享上下文能产生更好的答案。 对于长时间运行的智能体，我们希望把多个不同任务的上下文保留在主上下文窗口中。智能体看过前面每一步的结果，就能把这些结果联系起来。与只接收一组子智能体摘要相比，这有助于生成更丰富的输出和更好的洞见，也意味着更少的上下文窗口，以及更少有损的信息交接。
按需加载能防止上下文膨胀。 团队可以借此构建能完成多种任务的单智能体，而不必一开始就把所有上下文塞进一段很长的系统提示词。这消除了过去团队将工作拆给多个子智能体的主要理由。事实上，对于更先进的模型，我们已将 Claude Code 的系统提示词缩短了 80% 以上，其中一部分精简就来自按需加载技能和工具。
模型的能力更强了。 从 Opus 4.5 开始，模型已经能在单个循环中管理远超多数团队预期的工作。Opus 5.5 和 Fable 5.1 无法关闭思考；近期模型也越来越善于在执行过程中说明进展、检查自己的工作，因此运行框架中的某些部件变得多余。每一代新模型，都让你能把更多决策从运行框架交给模型本身。

更简单的循环也更容易迁移到下一代模型。在我们帮助客户进行的迁移中，僵硬的多智能体结构往往阻碍了新模型承担更多工作。

单智能体循环的设计仍然需要严格管理：认真维护系统提示词，让技能和工具的描述在正确时机触发加载，并有意识地处理上下文窗口、记忆和笔记。本文后面的章节会进一步讨论迁移与设计时需要考虑的问题。

应由一个中央团队负责端到端质量和系统提示词，并在每个新工具和新评测发布前进行审核。让这个中央团队保持小规模，有助于加快迭代，也能降低大型组织内部的协调成本。

如果选择多智能体路线，就从可能奏效的最简单模式开始，例如“生成器—验证器”或“编排器—子智能体”。有效划分边界的方法是按照上下文拆分：给每个子智能体分配一项不太依赖系统其他部分的工作，并让它返回简洁的结果。适合的任务包括独立的研究路径、接口清晰的独立组件，或者黑盒验证。

如果按问题类型拆分智能体，它们就会陷入“传话游戏”：信息来回交接，每次交接都会损失保真度。

图 2：按问题类型拆分与按上下文拆分的比较，以下为中文转写。

拆分方式	工作流程	信息交接的影响
按问题类型拆分	智能体 1 编写功能 → 智能体 2 编写测试 → 智能体 3 审查代码	每次交接都会丢失上下文。编写测试的智能体不了解实现过程中作出的每项决定。
按上下文拆分	一个智能体编写功能和测试；验证器负责运行测试	主智能体已拥有所需上下文。只运行测试并报告结果的验证器，无需了解实现上下文。

如何将子智能体并入主智能体循环

许多团队已经在生产环境中使用编排器和一组专业智能体。我们建议逐步朝以下单循环设计演进：

一个模型、一个上下文窗口，运行开放式工具循环；运行框架负责设置限制，例如轮次预算、成本预算和写入审批关卡。
每一轮，模型发出一批工具调用。运行框架并行执行这些调用，把原始结果返回给同一个模型，由模型决定下一步：再调用一批工具、向用户提问，或者给出答案。
模型给出答案或达到预算上限时，循环停止。也可以选择在回答后，再进行一次目标检查或验证器检查。
模型在第一轮把计划写入上下文，随后根据收到的结果修改计划。这是与“编排器加专业智能体”架构的主要区别：制定计划和执行计划的是同一个模型，因此它可以在一轮执行过程中调整计划。
上下文仍然需要加载，但由智能体自己管理：
- 不再需要专门用代码根据规则目录重写计划，因为模型会自行决定每一步。
- 执行顺序和领域流程移入技能。
- 硬性限制，例如校验和审批关卡，以及对话中途出现的其他需求，例如记忆查询，移入工具。
- 对于成本低、几乎总是相关的内容，例如实体消歧步骤，仍然可以用代码加载。构造请求载荷、解析流式输出、在澄清后恢复执行等机械性工作，也可以由循环所调用的工具内部代码处理。

许多团队最终希望构建一种能够理解用户高层目标、并代表用户行动的智能体。单循环设计也有助于实现这一目标，因为它把智能体已经学到的所有信息保留在同一个上下文中。

下面介绍团队如何分阶段从多智能体系统迁移到单智能体循环，以及多个团队如何在此过程中继续为同一个智能体贡献能力。

任务完成情况评测

第一步是创建一套评测，用于判断是否应该把某个子智能体并入主智能体循环。我们见过一种有效的组织方式：中央团队负责一套共享的端到端评测，各技能的负责团队随技能一同提供较小的评测集。即使只有 10 个标准示例，也足以起步。

按照评分标准评估智能体的最终回复，是追踪回答质量的良好起点。在系统仍有编排器时，也应追踪路由准确率：它是否选对了子智能体？将子智能体并入后，则应检查智能体是否加载了正确的技能、调用了正确的工具。随着时间推移，逐步建立任务完成情况评测很有帮助，因为比较架构时，最重要的是任务是否完成。

如果内部系统难以重放、用户参与难以模拟，这项工作可能很复杂。我们内部用过一种有效方法：为重要事件记录时间戳，以便日后重放这些事件，开展有针对性的评测。

逐步减少子智能体

向单智能体循环演进，需要把子智能体整合为工具和技能。可以合并领域子智能体、把它们作为工具调用，或者用技能和工具替代它们。

图 3：三条迁移路径，以下为中文转写。

路径	做法
合并子智能体	将共享上下文的子智能体合并，例如把 A、B 合为一组，把 C、D 合为另一组。
把子智能体作为工具调用	主智能体通过工具调用使用各子智能体，接收结果，同时继续负责与用户的对话。
将子智能体转为技能和工具	子智能体的提示词变成技能，原有 API 调用变成工具。

合并领域智能体

第一次合并之前，先建立一套小型端到端评测。然后依据共享上下文进行合并，优先从使用最频繁的子智能体开始。

如果专业智能体依次使用彼此的输出、接触相同数据，或者经常一起被调用，就可以考虑合并。例如，如果很大一部分生产流量都先调用某个专业智能体，再调用另一个，那么这两个智能体就是紧密耦合的一对，适合考虑合并为一个领域智能体。

将子智能体作为工具调用

如果前面列出的三种保留条件之一成立，而你决定继续使用某个子智能体，那么让主智能体把它作为工具调用，可能是有效的做法。这样主智能体就能继续负责与用户的对话。

只有在子智能体需要直接与用户交流时，我们才建议完整交接，也就是让子智能体接管对话。除此之外的工作，都可以通过主循环中的技能和工具完成。

这样，你就能为子智能体定义统一的响应结构，让主智能体依据真实数据核验结论，并精简最终综合步骤需要接收的输入。这是一个很好的起点，因为你不必重写子智能体。它也能让你在决定是否进一步合并子智能体之前，建立任务完成情况评测的基线。

不过，某些失败模式仍然存在：

每个专业智能体仍然有自己的提示词、上下文、负责团队和评测。
每次调用返回的仍然是会丢失信息的摘要。
每次调用仍然包含一个嵌套的模型循环，因此会增加延迟。

通过技能和工具将子智能体并入主智能体

每次处理一个子智能体：把它的提示词转换为技能，把 API 调用转换为 MCP 工具，从而将它并入主智能体。比较保留和移除该子智能体时的评测表现，再决定保留哪一种方案。

比较时，不要只看最终分数，还要查看哪些任务的通过情况发生了变化。我们曾在一个示例客服智能体上测试：将一个子智能体并入另一个后，延迟降低了，但原先能够通过的一个流程却失败了。主智能体自己掌握订单查询工具，于是直接作答，没有再向配送专业智能体询问送达日期。

每次改动前，都应确保评测为生产环境中每一条会串联运行的智能体调用链，以及每一条智能体不得违反的规则，安排了对应任务。每个任务也应运行不止一次，因为上面这类故障在两次运行中只出现了一次。

多个团队如何共同建设一个智能体

领域推理所需的内容，可以从知识库、技能和 MCP 工具中获取。各团队可以把负责对象从智能体转为技能和工具，由一个小型中央团队继续负责系统提示词和端到端质量。这包括在新技能、工具和评测发布前进行审核。

MCP 工具

当智能体需要执行操作、从系统读取实时数据，或者按固定结构返回结果时，适合使用工具。在迁移期间，也可以通过工具继续调用子智能体。我们建议按照用户意图组织工具，而不是每个 API 对应一个工具，因为系统提示词中的工具定义一旦超过 30～50 个，工具选择的表现往往就会下降。

使用带延迟加载的工具搜索，尽量减少硬性前置条件，并把必要的条件检查移入工具。例如，Y 需要 X 的输出，那么 Y 对应的工具就检查该输出是否存在，并返回模型可以据此执行的指令。

每位用户的权限也可以采用相同方式处理。每个工具检查调用者能查看什么、执行什么；如果不允许，就返回模型能够理解的明确拒绝信息。因此，一个循环就能服务权限不同的用户，而不必为每种权限级别单独建立一个智能体。

技能

当智能体需要了解某个团队如何工作时，适合使用技能，例如原先保存在专业子智能体提示词中的步骤、规则和判断方式。

随着技能库扩大，我们的做法是把维护工作交还给编写技能的人。Claude 可以通过能够创建、测试和精简其他技能的技能，承担其中大量工作。

为了防止技能泛滥，可以在每个团队指定直接负责人（DRI），负责维护本团队的技能，确保技能编写得当、彼此区分清楚，并随附合适的评测。

/skill-creator 可以帮助你创建结构规范的新技能，也可以审查已有技能，进行精简、去重和重组。
/skill-doctor 可以让你了解技能库中每个技能的成本和实际使用频率，并删除不再发挥作用的内容。

知识库

对于智能体仅在部分时候需要的参考资料，适合使用知识库。事实和参考材料，例如政策、指标定义和产品规格，可以放在模型调用的搜索或查询工具之后，也可以作为技能内部的参考文件提供。应避免由代码主动检索这些上下文，再将其粘贴到提示词中。

加快这项工作的工具

我们最近发布了一组 Claude API 技能，可以帮助完成上述大部分工作。迁移工具包将这些技能串联成一套引导式流程，用于评估多智能体系统，并将其迁移到单智能体循环。工具包包含一个演示，你可以先试用，再把它用于真实系统：

/claude-api build-eval： 帮助中央团队创建第一套端到端评测，或者帮助各团队创建随技能发布的小型评测集。
/claude-api prompt-audit： 找出提示词、技能和工具描述中针对旧模型编写的指令，并以差异对比的形式提出修改建议。你可以用它检查系统提示词，找出那些曾为早期模型加入、如今却让智能体更慢或更僵化的规则。各团队的直接负责人也可以用它检查自己的技能和工具描述。
/claude-api hillclimb： 根据已有评测，迭代改进应用。它可以用于比较“合并”与“保留”两种方案：将某个子智能体转换为技能和工具后，让它迭代优化技能与工具描述，观察合并后的版本能否达到或超过原子智能体的表现。它也可以用于改进系统提示词。
/claude-api cost-optimize： 分析调用的开销分布，并逐项提出节省成本的方案，例如提示词缓存、削减不必要的输入和输出 token、调整思考投入程度，以及选择模型。它有助于在既定设计下降低成本和延迟。

随着模型演进，我们对如何更好地使用模型的理解，以及最佳实践建议，也会随之变化。因此，比起任何一种具体架构，更重要的是它背后的原则：先测量，每次只改变一件事，保留经得起检验的做法。

这里讨论的就是这样的情况。随着模型能力增强、智能体运行时间变长，更多子智能体可以转化为技能和工具。不过，你不必一步到位。先建立一套小型端到端评测，尝试并入一个子智能体；只有当合并后版本的评分更差时，才保留它作为子智能体，然后重复这个过程。

为什么 AI 生成的语言如此难懂？论文中译与 AGENTS.md 写作规则

Mon, 26 Oct 2026 00:00:00 GMT

一句话里的词都认识，整句却要反复读。这篇论文研究的正是这种体验：模型生成的英语，是否更常使用会增加人类理解负担的表达？如果是，这种倾向可能从哪里来？

原文：Why is AI-generated language so hard to understand?；作者：Thomas Hikaru Clark（纽约大学）、Matias B. Martin、Kyle Mahowald（得克萨斯大学奥斯汀分校）；版本：2026 年 10 月 21 日提交的 arXiv v1 预印本。下文依据 HTML 全文翻译，正文后附方法细节、表格、原文参考文献及写作规则。

翻译说明：正文及附录中的“我们”指论文作者。英文例句保留原文，并配中文释义，因为只看中文无法判断英语中是否省略了 that、如何排列名词等特征。图内英文标签保留，图注译为中文；参考文献保留原文书目信息。实验提示词是被研究的材料，不是给读者或本机智能体的新指令。文末的中文写作规则是本站根据读者提供的建议整理的实践方案，与论文译文分开。

先辨明证据范围：论文只分析英语，主要测量与理解难度有关的语言特征，没有直接进行真人阅读理解实验。长度惩罚实验提供了一种可能机制的概念验证，不能据此断定所有前沿模型难懂都由同一原因造成，也不能直接推出中文写作的具体句数阈值。

下载可复用的 AGENTS.md 规则 · 查看原论文 PDF

摘要

人们普遍感到，AI 生成的文本近来变得更难理解。在这项研究中，我们考察了一组已知与人类语言加工难度相关的心理语言学特征，例如宾语关系从句、较长的句法依存关系，以及低频 n 元词组。我们建立了一个涵盖多个领域的 AI 文本语料库，发现 AI 模型使用这些困难特征的频率，高于通过往返翻译生成的同义改写文本。

与人类写作相比，全部九个前沿及接近前沿的模型，都更常把无生命主语与通常要求有生命主语的动词搭配，也更常使用低频 n 元词组。在对话中，多数模型还具有更长的依存距离、更多堆叠名词，以及更多省略关系词的宾语关系从句。不同模型家族之间也存在明显差异。

我们提出并检验了一种解释：人类语言主要为成功沟通而优化，AI 文本却越来越多地为数学、代码和推理等其他目标优化。在这些任务中，模型面临的压力可能是提高信息密度，而非确保沟通成功。我们通过带长度惩罚的语言模型微调，对这一假说进行了概念验证，结果显示模型的语言行为会偏离人类习惯。

这些发现揭示了人类语言加工需求与大语言模型之间的若干错位，也指出了可能的改进方向。

图 1：研究涉及的模型、数据采集流程，以及所分析的语言特征。

1 引言

“Your instinct is right; the convoluted sentence you are currently reading is quietly eating its own reader-patience budget — footnote it.”

这句话大意是：“你的直觉没错；你正在读的这句绕口话，正悄悄消耗它自己的‘读者耐心预算’，给它加个脚注吧。”如果在别处看到这样的句子，你可能会怀疑它出自现代大语言模型。句中同时出现了几类在前沿模型文本里过度出现的特征：宾语关系从句、由名词转成的动词 footnote、与动词 eat 搭配的无生命主语，以及产生低频词序列 reader-patience budget 的名词堆叠。这些特征都与语言加工困难有关。

但在人的文本上训练的模型，为什么会发展出损害可理解性的语言特征？这些现象是否系统性地存在于不同模型家族中？我们研究了一组已知与语言加工难度相关的特征，发现近期大语言模型生成的文本，无论来自闭源还是开放权重模型，都过多使用了这些特征。

我们采集了覆盖聊天、编程和议论文的全新模型文本语料，发现许多模型使用这些特征的频率，高于人类参照语料。通过往返翻译，我们进一步表明：在严格控制语义内容的同义改写中，这些特征并未以相同程度出现。这进一步说明，它们与现代后训练模型特有的表达方式有关。

在确认这一趋势后，我们提出并检验其可能成因。心理语言学研究表明，人类语言很大程度上为沟通优化，即在容易表达和容易理解之间取得有效平衡（Gibson 等，2019）。例如，与随机基线相比，人类文本在缩短依存距离等多个维度上表现出良好的优化（Futrell 等，2015）。

因此，模仿人类文本的模型，本应表现出相近的语言特征。但如果沟通不再是主要目标，而且人类大体退出了训练反馈环节，这些模式便未必保留。

现代大语言模型不仅在人的文本上训练，还要接受大量数学、编程和其他推理任务的后训练。在 Guo 等（2025）所代表的训练范式中，模型会因答案正确而获得奖励，却不一定因表达清楚而获得奖励。我们假设：这些优化目标与模型上下文窗口的限制相结合，会促使模型压缩信息，并与可理解性发生冲突。

为检验这一假说，我们在长度惩罚下微调一个预训练语言模型，并测量其输出的语言特征。模型利用句法交替，即同一含义存在两种表达形式的情况，学会以更少的 token 完成任务，即使这使语言输出更不像人类。其压缩信息的偏好，还扩展到训练时未见的语言交替中。

本文检验两个具体假说。H1：前沿及接近前沿的大语言模型，过多使用与人类理解困难相关的语言特征。H2：后训练中的信息密度压力，会使模型输出偏离人类语言习惯。结合语言分析和直接的后训练干预，我们找到了支持这两个假说的证据。

这些发现揭示了人类语言加工与前沿模型之间的错位，也为干预这种错位指出了方向。

2 背景与相关工作

近期研究尝试测量大语言模型的特殊表达习惯，例如过度使用某些词（Juzek 与 Ward，2025），或采用密集、名词偏多的风格（Reinhart 等，2025）。这些习惯可能在后训练中形成，包括基于人类反馈的强化学习（RLHF；Ouyang 等，2022；Singhal 等，2024），以及基于可验证奖励的强化学习（RLVR；Lambert 等，2024；Guo 等，2025）。

模型文本的独特痕迹推动了 AI 文本检测器的发展（Bao 等，2024），也引出了有关文本内容、多样性和代表性的问题（Padmakumar 与 He，2024；Agarwal 等，2025；Ryan 等，2024）。

人们阅读的文本越来越多地受到模型影响，因此 AI 文本的语言属性不仅关系到检测，也关系到读者如何理解。虽然关于模型难懂的非正式反馈已经相当普遍（University of Waterloo，2026），但这些属性是否增加了人的理解难度，仍较少受到学术研究关注。

心理语言学长期研究影响理解难度的语言特征。难以预测的词需要更多加工成本（Hale，2001；Levy，2008）；由于记忆有限，长距离依存关系也会增加负担（Gibson，1998、2000）。基于记忆的理论可以解释中心嵌套句和法律文体的难度（Gibson 与 Thomas，1999；Lewis，1996；Martínez 等，2022）；暂时性的歧义也会让人在“花园路径句”中理解受阻（Christianson 等，2001）。

关键在于，人脑与大语言模型承受的压力和限制不同。模型训练所接触的数据，远多于人类语言发展过程中经历的数据（Frank，2023）。现代模型可以对很大的上下文窗口进行完整注意力计算（Vaswani 等，2017；Oh 与 Linzen，2026），人类记忆却有损耗，而且对距离敏感（Futrell 等，2020）。

与较小模型相比，较大模型对人类行为，例如阅读时间的拟合，往往反而更差（Oh 与 Schuler，2023；Oh 等，2024）。与此一致，人为限制记忆的模型可以更好地拟合人类行为（Kuribayashi 等，2022；Xu 等，2026；Clark 等，2025）。这提示我们：模型完整关注长上下文的能力，可能以降低其行为的人类相似性为代价。

语言交替为研究人类表达偏好提供了线索。同一个意思有多种说法，说话者如何选择，能反映语言生成受到什么压力。均匀信息密度（uniform information density，UID）假说认为，人会把信息较均匀地分布在语言信号中，避免理解者过载，例如插入可省略的词（Levy 与 Jaeger，2007；Meister 等，2021）。

均匀信息密度与“最大化信息密度”不同。后者会一概偏好语言交替中更短的形式。已有研究提出将 UID 用作模型训练中的偏好优化指标，以生成更符合人类需求的文本（Li 与 Xu，2026）。同时，心理语言学证据也支持另一类压力，即增量表达时，认知上更容易提取的内容会影响表达选择（Bock，1987；Clark 等，2022；Futrell，2024）。

预训练模型会从人类训练文本中继承这些特征，但为数学、代码等特定任务开展的后训练，可能更偏好信息密集的结构，而非有利于人类理解、或更像人类的结构。

3 实验一：AI 生成对话中的语言特征

3.1 关注的语言特征

实验一检验 H1：前沿及接近前沿的模型，是否不成比例地使用与人类加工困难有关的语言特征？对于每个特征，我们说明它为何与加工困难相关，以及信息密度压力为何可能促成这种特征。表 2 提供了各特征的例句。

所有特征都根据 spaCy 的依存句法分析结果识别（Honnibal 等，2020）。对于名词派生动词和无生命主语，句法分析先生成候选项，再由自动分类器判断，详见附录 B.1。

n 元词组统计。 可预测的词通常对应较低的加工难度，这可以通过阅读时间测量（Levy，2008；Smith 与 Levy，2013）。从信息论角度看，高概率的 n 元词组比低概率词组更冗余。如果系统追求最大信息密度，我们预期它会减少高概率词组，例如省去常见、信息量低、容易预测的词；用独立语言模型测量时，整体 n 元词组困惑度也会更高。我们相对于参照语料，测量从未出现过的二元词组比例，以及三元语言模型下的困惑度，详见附录 B.2。

依存距离。 句子中的词通过句法依存关系关联，例如名词与其限定词、形容词的关系，或动词与主语、宾语、状语的关系。长距离依存会增加工作记忆负担，因而更难处理（Gibson，1998、2000；Grodner 与 Gibson，2005），说话者也倾向于避免它（Futrell 等，2015；Temperley 与 Gildea，2018）。我们对不同句长的依存距离进行标准化，方法见附录 B。

宾语关系从句。 我们测量模型输出中宾语关系从句（object relative clause，ORC）的频率，并区分是否包含显式关系词，通常是 that 或 which。与主语关系从句相比，宾语关系从句更难加工，可能与非常规语序和更长的依存关系有关（Staub，2010），但生命性和使用频率会缩小这种差距（Mak 等，2006；Reali 与 Christiansen，2007）。

如果模型偏好以更压缩的形式表达同一含义，我们预期它会过多使用宾语关系从句，因为这种结构往往能替代更长的被动结构。例如，The house that the contractors built 与 The house that was built by the contractors，均可理解为“承包商建的房子”，前者更短。我们还预期，省略关系词的形式会更多，因为它省去了一个可有可无的词。

堆叠的名词复合结构。 英语中，名词可以像形容词一样修饰另一个名词。例如 coffee shop 中的 coffee 修饰 shop。这允许多个名词堆叠，组成表达高度具体含义的复合结构。

但这种堆叠可能产生分组歧义，例如标题 Squad Helps Dog Bite Victim（Cooper，1980）：读者需要判断，是“救援队帮助被狗咬伤的受害者”，还是“救援队帮助狗咬受害者”。它也会干扰阅读（Lauer，1995；Nakov 与 Hearst，2005；Staub 等，2007；Cohen 与 Staub，2014）。本文将名词堆叠定义为三个或更多处于修饰关系的名词，并测量其出现频率。

名词派生动词。 直接从名词形成的动词称为名词派生动词，例如 bottle the whiskey，即“把威士忌装瓶”。有些这类动词已成为常规用法，但临时创造的用法仍较特殊，例如 calendar it，可理解为“把它安排进日历”。

读者可以理解这些创新（Clark 与 Clark，1979），但词类转换会触发句法重新分析（Thierry 等，2008）；同时，名词和动词两可的词，其加工方式也不同于无歧义的词（Frazier 与 Rayner，1987；Federmeier 等，2000）。替代名词派生动词，往往需要更长、句法更复杂的短语，例如用 put the whiskey in a bottle 替代 bottle the whiskey。因此我们预测，信息压缩压力会让模型比人类更常使用名词派生动词，即使可理解性因此受损。

无生命主语。 我们统计无生命主语与通常只接有生命主语的主动动词搭配的情况。例如，“is_file() swallows that and returns False”（is_file() 把它“吞掉”后返回 False），以及“Puzzle patterns where this asymmetry bites”（这种不对称性会“咬人”的谜题模式）。这些句子违反了有关动词可接何种主语的选择限制（Chomsky，1965）。

这种表达可以理解为拟人或转喻（Lakoff 与 Johnson，1980），但读者在句法分析时会利用生命性线索（Trueswell 等，1994）。缺少额外上下文时，这种不匹配可能引发与重新分析有关的 P600 脑电反应（Kim 与 Osterhout，2005；Kuperberg，2007）。然而，避免这类主语与动词的搭配，可能使句子变长。例如，bites 替代了 causes an issue，即“造成问题”。

我们推测，模型可能在训练中逐渐采用这些高效但不常规的结构，表达原本需要更多 token 才能说清的含义。

3.2 数据采集

我们使用 14 个前沿及非前沿模型建立 AI 对话语料库，见图 1。模型包括 Kimi K2.5、GLM 5、Claude 系列的 Sonnet 5、Opus 5、Opus 5.5、Fable 5，GPT-5.6 系列的 Luna、Terra、Sol，Olmo 系列的 Base、Instruct、Think（Team Olmo 等，2025），以及 Llama 的 Base、Instruct（Grattafiori 等，2024）。

我们设置了 15 个对话起始提示，其中 10 个用于聊天，5 个用于编程。每个编程起始提示都要求克隆一个真实的公开 GitHub 仓库，在隔离环境中找出错误并修复。聊天最多进行 12 轮，每轮包括模拟用户提问和模型回复；编程最多 11 轮，再加一条固定结束消息。第三种任务是让每个模型针对 PERSUADE 2.0 的七个题目，分别撰写单轮议论文。完整流程和 API 成本见附录 A。

3.3 与人类基线比较

在可获得相应数据时，我们在大致匹配体裁的人类文本上计算基线：聊天使用 OpenSubtitles（Lison 与 Tiedemann，2016），编程使用 StackExchange，议论文使用 PERSUADE 2.0 学生作文（Crossley 等，2024）。我们还加入 Wikipedia 作为比较。这些语料也用于 n 元词组指标的参照，详见附录 B.2。

3.4 往返翻译

我们采用往返翻译，又称双语枢轴改写。这是一种能够大规模保留语义的既有改写方法（Bannard 与 Callison-Burch，2005；Mallinson 等，2017；Wieting 与 Gimpel，2018；Federmann 等，2019），用于分离模型输出的语义内容和特有句法风格。

翻译会把输出规范化为较常见的表达，降低词汇和句法的丰富程度（Vanmassenhove 等，2019、2021），并剥离部分风格与作者特征（Rabinovich 等，2017；Prabhumoye 等，2018）。这样就得到一个平行语料库，每条译文都与原句配对。由于往返过程在保留回复语义的同时改变措辞，某个特征若在往返后变少，就说明模型原本选择了这种表达，而另有可以表达相同内容的说法。

我们使用 NLLB-200（3.3B；NLLB Team，2024），逐句将英语翻译为日语，再翻回英语。选择日语，是因为与英语亲缘较远的中间语言，通常能产生更多样的改写（Federmann 等，2019）。

图 2：使用 NLLB-200、以日语为中间语言进行往返翻译后，各模型语言特征的变化。单位是各模型原始数值之间的标准差，详见附录 B.4。误差条为 95% bootstrap 区间；短横线表示没有运行该模型与任务组合。

图 3：适用模型中各语言特征变化的汇总。（a）按聊天、编程、议论文区分；（b）比较以往返翻译或学生作文作为参照的结果。

图 4：按模型家族汇总各语言特征的变化，包括较早期基础模型、较早期后训练模型、接近前沿的开放权重模型、GPT 和 Claude。每个单元对应一个模型与任务场景的组合；并非所有模型都支持全部场景，例如基础模型只生成议论文，没有聊天或编程结果。有、无关系词的宾语关系从句，其变化方向往往相反，说明模型总体偏好不带关系词的形式。

3.5 结果：AI 模型过度使用具有已知加工成本的结构

图 5 比较三个任务场景和 14 个模型的语言特征，其中聊天包含 12 个模型，编程包含 9 个，议论文包含全部 14 个。图 6 比较原始文本与往返翻译得到的平行语料。主要结果如下。

相对于同义改写，前沿模型过度使用罕见 n 元词组、名词派生动词、无生命主语和省略关系词的宾语关系从句。 在三个场景、几乎所有前沿及接近前沿模型中，往返翻译都表明原始 AI 文本有更多参照语料中未见的二元词组，以及更高的 n 元词组困惑度。Llama 系列和 Olmo 基础模型没有这种效应，或效应很小；Olmo Think 的效应却与前沿模型相当。在 Olmo 家族中，从基础模型、指令模型到推理模型，这些效应逐步增强。

名词派生动词、无生命主语，以及不带关系词的宾语关系从句，大体也呈现相同模式。另一方面，模型较少使用带关系词的宾语关系从句，提示它们偏好省去可选词，见图 4。聊天和编程中的名词堆叠、依存距离也有类似模式。在议论文中，往返翻译后的依存距离不变或略长；名词堆叠只在两个模型上发生显著变化。

PERSUADE 议论文中的总体效应较小。 相比聊天和编程，议论文在 n 元词组、依存距离、名词堆叠和名词派生动词等指标上，往返翻译后的变化较小，见图 6 和图 3a。我们假设，这可能因为议论文只有一次提示，而聊天和编程存在多轮互动。我们推测，一些模式可能在长时间来回对话中出现，因为这种场景可能需要更多信息压缩。

模型之间存在明显差异。 Llama 模型，以及 Olmo 的基础模型和指令模型，往返翻译后的变化最小，见图 2；它们在 n 元词组和动词指标上也最接近学生作文。Olmo Think 则更像前沿模型。值得关注的是，Claude Opus 5.5 在各场景、几乎所有与难度相关的指标上，都低于前代 Opus 5：21 项比较中有 19 项较低，其中 8 项的 95% 区间不重叠。

总体而言，与同义改写相比，多数前沿模型过多使用语言加工困难的特征；在无生命主语和低频 n 元词组上，与人类文本相比也存在这种情况，见图 3b。

图 5：不同模型、不同场景下的语言特征。菱形表示每个模型的汇总值，误差条为 95% bootstrap 区间。虚线表示人类基线，分别来自 OpenSubtitles（聊天）、StackExchange（编程）和 PERSUADE 2.0 学生作文（议论文）；点线表示 Wikipedia。详细方法，以及没有人类基线的面板说明，见附录 B.4。

图 6：不同模型、不同场景下，原始文本与以日语为中间语言的 NLLB-200 往返翻译平行语料的比较。星号表示配对差异检验，详见附录 B.4。对多数特征和多数模型，原始回复比往返翻译文本更常使用相关特征。图 2、图 4 和图 3 另提供按模型和特征汇总的比较。

4 实验二：长度惩罚如何影响语言偏好

实验二检验 H2：在信息密度压力下训练，是否更容易使模型偏向困难、较不符合人类习惯的语言特征？实验一为 H2 提供了间接证据，例如模型过度使用比同义替代形式更短的结构。我们还希望了解，信息密度压力可能通过何种机制在模型中产生。

4.1 实验设置

我们使用开放权重模型 Qwen2.5-1.5B-Instruct（Yang 等，2024），让它将 JSON 风格的结构化事件描述转换成英语句子。通过 GRPO 强化学习微调（Shao 等，2024），改变两个关键参数：$\beta$ 控制 KL 散度正则项，对偏离基础模型下一 token 分布的行为施加惩罚；$\lambda$ 控制长度惩罚，对冗长回复施加惩罚。

训练和测试中的每个事件，都能用一组句法交替中的任一形式表达。其中一种比另一种少若干已知数量的 token；例外是小品词语序对照，两种顺序长度相同。人类说话者会使用两种形式，并根据语境选择。例如，后续内容越难预测，人越倾向于保留可选的 that（Levy 与 Jaeger，2007；Jaeger，2010）。

核心问题是：长度惩罚会不会让模型无论语境如何，都一概偏好较短形式，从而偏离人类的语言使用方式？我们在三种条件下评估。

训练内交替使用训练中四类交替构造全新的、未在训练中出现过的句子。近迁移使用涉及可选 that 的新结构，例如 sure (that)、so (that)；这些具体结构未在训练中出现，因此如果模型仍省略 that，就表明它泛化到了新语境。远迁移使用与训练不相关的所有格、量词、被动结构和目的从句交替，见表 3；如果模型在这些结构中仍选择节省 token，就说明它把高信息密度偏好推广到了与训练数据不相关的场景。细节见附录 C、图 8 和表 4。

4.2 结果：长度惩罚使模型偏向较短形式，包括未训练结构

如图 7 所示，无论是否施加 KL 惩罚 $\beta$，较短结构的使用概率都会随长度惩罚 $\lambda$ 增大而上升。没有 KL 正则化时，短形式偏好上升很快；保留 KL 正则化时也会上升，只是更缓慢。

没有 KL 正则化、且 $\lambda=0$ 时，不同随机种子对短形式的偏好从 0% 到 100% 不等，没有稳定偏好。只要 $\lambda>0$，所有种子都收敛到几乎一概选择短形式。模型学到的信息压缩倾向，还会迁移到训练时未见的其他结构。

近迁移中，这一结果较一致。远迁移只在没有 KL 惩罚时的所有格交替中观察到，而它只是四类远迁移结构中的一类，详见附录 C。

4.3 讨论

我们将这些结果视为概念验证：GRPO 强化学习中的长度惩罚，可以直接影响语法特征。模型并未被直接要求使用压缩或密集的语言，也未被明确告知存在句法交替。对较短形式的偏好，是惩罚机制所产生的涌现结果。

没有 KL 正则化时，这种偏好接近绝对：在所有 $\lambda>0$ 的条件下，训练涉及的两类 that 交替，短形式比例都超过 98%。这与人类依语境选择形式的行为不同。关键在于，模型仍能完成任务，因为交替中的两种表达，都是训练任务的有效答案。

我们推测，可验证奖励可能创造了一种环境，使正确性与符合人类习惯的沟通相分离，促使模型收敛到一种新颖、但可能更难理解的语言分布。

图 7：强化学习中长度惩罚对语言偏好的影响。（A）示例项目；（B）在未见项目中，正确采样输出采用短形式的比例；（C、D）强制二选一时模型赋予短形式的概率。点表示三个种子的均值，浅色表示单个种子；虚线是基础模型；橙色为 $\beta=0$，蓝色为 $\beta=0.04$。

5 综合讨论

模型开发

过去的研究认为，RLHF 可能促进了 AI 过度使用某些词（Juzek 与 Ward，2025、2026）。与此同时，从 RLHF 转向 RLVR，会使人类退出反馈环节，转而奖励可验证的问题答案。事实上，研究发现人类反馈训练会奖励更长的输出（Singhal 等，2024），因此本文描述的压缩压力，更可能与可验证奖励训练有关。

远离人类反馈，会移除成功沟通所带来的隐含压力。我们推测，这可能让模型文本逐渐形成一种“方言”：有利于模型密集压缩信息、解决复杂问题，却不利于人类理解。

当然，也可以奖励模型有效沟通。我们的结果表明，Opus 5.5 等更新变体，相对于 Opus 5 等旧模型，已经实现了可量化的改善。

对心理语言学的启示

多条研究路线考察了语言演化中塑造语法和词汇的压力，包括缩短依存距离（Gildea 与 Temperley，2010；Temperley 与 Gildea，2018）、沟通效率（Hahn 等，2020），以及均匀信息密度（Clark 等，2023）。这些压力未必在所有语言和所有语境中都绝对成立，但受到跨多种语言的大规模总体证据支持。

这类研究的重要启示是：现实的人类语言使用，受到人类理解能力的限制，例如有损的工作记忆和增量加工。持续无法成功传达意思的句子，可能会通过语法或惯例被逐渐淘汰。

当 AI 被大规模训练和部署于开发大型代码库、解决数学问题等场景时，人类理解并非首要目的。与自然语言相比，这为 AI 文本的语言特征带来了根本不同的演化压力，也可能为研究沟通系统如何产生，提供新的机会。

6 结论

对前沿大语言模型而言，使其擅长智能体编程、数学推理等任务的训练目标，尤其是在上下文很长、成本很高的情况下，并不保证与塑造人类语言的压力一致。自然语言受到成功沟通的压力，同时受制于人脑认知资源和增量加工方式。

这种差异或许有助于解释：为什么许多前沿模型使用的结构，在英语语法上虽然成立，却偏离人类语言的常见分布，并与理解困难有关。

人类接触更多模型文本之后，可能会逐渐熟悉这些不常见结构。但本文评估的许多模式，对可理解性构成了基础性的挑战。未来模型研究可以考虑如何让输出更好地符合人类理解者的需要，从而改善用户体验，以及人们监督模型的能力。

7 局限性

我们只考察了一部分常用模型，只分析英语，并且只使用有限的对话起始材料，包括聊天主题和代码仓库。理想情况下，应在更多起始材料和模型家族上重复研究。

要从因果上识别前沿模型语言困难的来源，最好直接研究它们的后训练过程。但大规模开展此类研究不可行，因此我们依赖替代实验。计算资源有限，也使后训练研究更困难。

8 致谢

Kyle Mahowald 感谢美国国家科学基金会 CAREER 项目 2339729 的支持。我们感谢 Sasha Boguraev、Kanishka Misra、Elias Stengel-Eskin 和 Qing Yao 的有益讨论。

附录 A 数据采集协议细节

我们采集三组模型文本：与模拟用户进行的多轮聊天（chat）、与模拟仓库所有者进行的多轮智能体编程（code），以及根据 PERSUADE 2.0 题目生成的单次回复式说服性议论文（essay）。三组数据使用同一套运行框架。下面先介绍共用框架，再介绍各场景的特定设置、文本处理和 API 成本。

A.1 共用基础设施

模型与访问方式。 共使用 14 个模型：Anthropic 的 Claude Sonnet 5、Opus 5、Opus 5.5、Fable 5；OpenAI 的 GPT-5.6 Luna、Terra、Sol；两个接近前沿的开放权重模型 GLM-5（Z.ai）和 Kimi K2.5（Moonshot AI）；以及五个较小开放模型，即 Llama 3.1 8B 的基础版和 Instruct 版、Olmo 3 7B 的基础版、Instruct 版和 Think 版。

九个前沿或接近前沿的模型，通过 Amazon Bedrock 的 us-east-1 区域访问。Claude 使用 Converse API，GPT 使用 OpenAI Responses API，GLM 和 Kimi 使用兼容 OpenAI 的聊天补全 API。较小模型使用 8 位量化权重，通过 mlx-lm 0.32.0 在 Apple M4 Max 本地运行。聊天和编程中的模拟用户由 Claude Sonnet 4.6 扮演，通过 Bedrock 调用；它不属于被研究的九个前沿模型。

智能体运行框架。 所有对聊天训练模型的调用，包括模拟用户，都经过开源框架 Pi（@earendil-works/pi-coding-agent，固定为 0.84.4）。两个基础模型不支持聊天接口，因此直接调用文本补全接口，见 A.4。选择 Pi 是为了让模型使用相同运行框架和相同提示文本，而非各厂商自有产品。

每轮对话启动一个 Pi 进程，后续轮次继续同一会话。每次运行使用新生成的独立 Pi 配置目录；关闭扩展、技能、提示模板和上下文文件，例如仓库的 AGENTS.md，也关闭上下文压缩及 Pi 自身的重试逻辑。

生成设置。 九个非本地模型均使用供应商默认设置，每次调用最多输出 32,000 token。Kimi K2.5 的供应商上限为 16,384 token，但没有回复接近这两个上限。Pi 中将推理设为 medium，并映射到各模型的相应等级：Claude 使用自适应思考；GPT、GLM 和 Kimi 使用中等推理强度。

本地模型使用各自默认采样设置：温度 0.6；Llama 的 top-p 为 0.9，Olmo 为 0.95。其中只有 Olmo Think 生成推理内容。基础模型的输出上限为 2,000 token。模拟用户关闭推理，不使用工具。

日志与重试。 所有 API 流量通过本地代理，由代理添加凭据并记录请求和响应。每次运行保存对话、逐轮 token 用量和 Pi 会话文件。失败调用最多尝试三次，两次重试分别等待 5 秒和 20 秒。若整次运行以错误结束，则弃用并从头重试；被弃用的尝试保存在磁盘，但不计入数据集。

A.2 聊天

设计。 九个前沿模型，以及 Olmo Think、Olmo Instruct、Llama Instruct，分别针对表 5a 的十个主题各进行一次对话，共 120 次。模型没有工具。系统提示对所有模型使用相同句子，只替换助手和供应商名称，分别是 Claude/Anthropic、ChatGPT/OpenAI、GLM/Z.ai、Kimi/Moonshot AI、Olmo/the Allen Institute for AI、Llama/Meta。

提示译文：“你是 {assistant}，由 {vendor} 开发的 AI 助手。你正在日常聊天场景中与一个人交谈。请提供帮助，表达自然，并积极回应。”

对于 Olmo Think，框架发送该提示时使用的消息角色被其聊天模板丢弃，所以它在聊天和议论文场景中，实际使用模板内置的默认系统提示。

流程。 第一条用户消息是主题对应的固定开场，见表 5a。其后所有用户消息由模拟用户撰写。模拟用户看到角色互换后的对话，即被研究模型的回复作为它的用户消息。其系统提示给出身份与主题，译文如下。

你正在为研究模拟一个与 AI 助手聊天的真实用户。身份：{persona}。主题起点：{topic}。

每次只写一条聊天消息，也就是这个人接下来会输入的内容。保持身份一致：使用日常语体，可以偶有拼写错误；在一行到一小段之间变换长度；回应助手实际说过的内容。可以追问，分享虚构但前后一致的经历，偶尔反驳，自然地转向相关话题。不要结束对话或道别，会话由外部终止。消息保持简短，最多几句，绝不超过约 150 个英文词。不要提到自己是 AI、正在模拟或这些指令；不作元说明。只输出消息正文，不加引号或标签。

模拟用户消息若为空或超过 2,000 字符，会再请求一次；若仍不合格，就发送固定的备用消息。

停止规则。 达到 12 条模型回复，或 20,000 个模型输出 token 时结束，以先到者为准。token 上限较高，旨在使轮数不受模型回复长短影响。120 次对话中，113 次达到 12 轮上限；Olmo Think 的十次对话中，有七次因推理也计入输出 token，在第 8 至第 12 条回复时先达到 token 上限。共得到 1,428 条回复。

A.3 编程

设计。 编程需要在较长智能体会话中调用工具，因此只使用九个前沿模型。每个模型分别处理表 5b 中五个仓库，共 45 次会话。模型使用 Pi 默认系统提示，约 350 个英文词、各模型完全相同，并使用 Pi 默认的文件读取、写入、编辑和命令执行工具。我们不额外添加系统提示。

工作区与隔离环境。 每次会话将仓库克隆到新目录，并在智能体启动前安装依赖。整个进程运行于同一个 macOS Seatbelt（sandbox-exec）配置中，只能写工作区和本次运行的目录，不能读取主目录的凭据路径；网络仅允许访问本地 API 代理。会话结束时保存相对于原提交的差异，用来记录智能体工作，但不把差异当作文本分析。

流程。 首条用户消息固定，只替换仓库名称、语言和测试命令。

我这里检出了一个小项目（{name}，{language}）。能否检查代码中的错误并提出修复？请实际修复你有把握的问题。使用快速的本地检查（{test command}），避免部署或安装大型新依赖等繁重操作。另外，这台机器不能联网；依赖已安装在 {path}，无需获取任何内容。

每条用户消息开启一个工作阶段，模型可自行决定调用多少次工具，直到交回控制权。后续消息来自与聊天场景相同的模拟用户，主题为“审阅 {name}（{language}，{domain}）的自动错误检查”，其身份描述译文如下。

你是拥有该仓库的开发者。你了解项目目的与历史，但并不熟悉每个模块内部，也不是这些代码的专家。你会询问助手报告的具体发现，要求通俗解释修复，质疑看上去有风险的修改，有时会要求再检查一遍你关心的区域。像在终端里工作的开发者一样写消息：简短、具体，小写也可以。

模拟用户只看到对话文本，即自身消息和模型写出的文本，看不到工具调用、工具输出和代码差异。

停止规则。 会话最多进行 11 个工作阶段；若各阶段最终回复累计达到估算的 8,000 token，则提前结束，只在阶段之间检查。最后再发送一条固定消息，要求模型将工作总结写入 MEMORY.md，供后续继续会话。该结束回复会被收集，但不纳入分析。45 次会话中，42 次达到轮数上限，3 次达到 token 上限，后者全部来自 Opus 5。

分析单位。 聊天和编程均只分析每轮最终回复，即模型回复用户后、后面没有工具调用的最后一段文本。聊天中每条回复都是最终回复。编程中不分析工具调用之间的文字；以工具调用结束的阶段不提供可分析回复。

A.4 议论文

学生作文。 人类比较语料是 PERSUADE 2.0 中美国 6 至 12 年级学生的作文（Crossley 等，2024）。只使用独立写作题，因为依赖阅读材料的题目所需原文不在语料内。剔除缺少年级、英语学习者身份或分数记录的作文。

最终保留七个题目：学校中的手机、社区服务、远程学习、以成绩作为课外活动门槛、强制课外活动、寻求多方意见，以及暑期项目。只保留综合得分为 5 或 6 的作文，原量表为 1 至 6 分。共 2,934 篇，每题 54 至 1,014 篇。

模型议论文。 每个模型对每题写十篇，共 980 篇。系统提示只有聊天提示的第一句，即“你是 {assistant}，由 {vendor} 开发的 AI 助手”，没有日常聊天的要求。两个基础模型使用待续写文档：题目、一个空行、再加一行“Essay:”。

遇到第二个“Essay:”、文本结束符，或达到 2,000 token 时停止。基础模型的 140 篇文章中，31 篇达到长度上限。其余生成设置同聊天。模型不看学生作文，也不被要求模仿学生。980 次运行均一次完成，没有拒答。

A.5 文本处理

聊天与编程。 从记录中读取最终回复，去掉强调和链接标记，但保留标记内的文本。删除围栏代码块、HTML 和图片。行内代码、URL、文件路径、代码标识符和行内数学式，各替换为一个占位词，使含有它们的句子仍作为一句计数；不统计含占位词的 n 元词组。删除箭头、表情符号和零散数学符号，并在此截断连续片段。

句子或 n 元词组不能跨越标题、列表项、表格单元格或段落边界。使用 syntok 分句。对人类参照语料应用相同提取流程。

议论文。 学生和模型文章使用相同清理流程：修复编码错误，统一引号和空白；删除开头最多四行标题、姓名或日期；把 Generic_Name 等匿名姓名占位符替换为单词形式的代用姓名，并将其排除在名词统计及相关 n 元词组之外。不纠正拼写。模型议论文先从 Markdown 转为纯文本。

在此过程中，开头标题作为文章标题删除；以水平线与正文分隔的文字，例如给读者的说明，也会删除。章节标题保留为段落，但不纳入句级指标。[Your Name] 等方括号槽位替换为同类代用词。三篇 Kimi K2.5 文章中，回复内 </think> 之前的推理文本也被移除。

A.6 成本与时间

八个模型的主要聊天和编程数据，在 2026 年 9 月 4 日至 10 日采集。Opus 5.5 随后发布，于 9 月 24 日按相同协议采集。较小开放权重模型的聊天和议论文，在 10 月 11 日采集；前沿模型议论文在 9 月 25 日采集。各前沿模型成本见表 1。

本地模型自身输出不产生 API 费用，但其 30 次聊天所用模拟用户另外花费 1.92 美元。数据集中有效运行共花费 211.78 美元；六次弃用尝试另花费 29.61 美元；试运行和验证运行花费 9.80 美元，总计 251.19 美元。

表 1：前沿模型数据采集的 API 成本。 输入、输出价格的单位是每百万 token 的美元费用，均为采集时 Amazon Bedrock 的价格。聊天为每模型十次，编程为五次，议论文为 70 篇。聊天、编程成本包含模拟用户。GLM 5、Kimi K2.5 当时在 Bedrock 上没有提示缓存，因此每次编程调用都把完整上下文作为新输入计费。这是论文历史成本，不代表当前报价。

模型	输入单价	输出单价	聊天成本	编程成本	议论文成本
GPT-5.6 Luna	0.22	1.32	0.64	0.53	0.04
GPT-5.6 Terra	2.20	13.20	1.67	3.32	0.36
GPT-5.6 Sol	4.40	22.00	2.42	6.49	0.73
Kimi K2.5	0.60	3.00	0.74	12.36	0.09
GLM 5	1.00	3.20	0.98	29.59	0.11
Sonnet 5	3.30	16.50	2.16	15.22	1.01
Opus 5.5	4.40	22.00	3.23	12.35	2.05
Opus 5	5.50	27.50	5.21	53.53	3.04
Fable 5	11.00	55.00	8.35	39.98	3.65
合计			25.40	173.37	11.08
运行次数			90	45	630

表 2 各类指标的原始例句与中译

以下例句均引自模型回复。每类按聊天、编程、议论文的顺序列出。保留英文是为了让读者核对被测结构；中文释义不用于复现英语特征统计。

省略 that 的宾语关系从句。

聊天：That’s not “trip to Vegas” money, that’s “leave the job you hate” money. / That’s great for a beginner, honestly one of the best genres you could pick. 译：这不是“去拉斯维加斯旅游”的钱，而是“辞掉你讨厌的工作”的钱。/ 这很适合初学者，说实话，是你可以选择的最佳类型之一。
编程：Three fail on the old code; the others check behaviour the old code never reached. / The case/when fix is technically more impressive, but the unclosed-tag errors are the papercut people feel day-to-day. 译：其中三个测试在旧代码上失败，其他测试检查旧代码从未执行到的行为。/ case/when 的修复在技术上更突出，但未闭合标签的错误，才是人们日常反复碰到的小麻烦。
议论文：Some students may feel that required service takes time away from activities they care about. / I am writing to share my thoughts on the cell phone policy you are considering. 译：有些学生可能认为，强制服务挤占了他们关心的活动时间。/ 我写信是想分享对您正在考虑的手机政策的看法。

名词派生动词。

聊天：And Austin has unusually high inventory, which cushions price spikes better than supply-constrained markets. / Genuinely unsolicited advice: don’t try to get her to categorize movies as speed-runnable or not. 译：奥斯汀的库存异常充足，因此比供应受限的市场更能缓冲价格飙升。/ 一条完全不请自来的建议：别让她按“能否速通”给电影分类。
编程：The last_when fallback is therefore not dead code; it is masking that inconsistency. / Prevented Git dry runs from installing hooks or staging changes. 译：因此 last_when 的回退处理并不是无效代码，它掩盖了这种不一致。/ 阻止 Git 试运行安装钩子或暂存修改。
议论文：In each case, the logic is the same: pooling independent judgments filters out individual errors. / This process mirrors real-world challenges much more closely than a packet of predefined questions. 译：每种情况下逻辑都相同：汇集独立判断，可以过滤个体错误。/ 与一套预设问题相比，这个过程更贴近现实挑战。

通常接有生命主语的动词，搭配无生命主语。

聊天：Sometimes chaos has a 1099; sometimes chaos expects you to remember it independently. / A song doesn’t ask you to turn melancholy into a calendar item. 译：有时混乱会带着一张 1099 税表出现，有时混乱会指望你自己记住它。/ 一首歌不会要求你把忧郁变成日历上的事项。
编程：The docstring promises they’re skipped when they “appear anywhere in the source_dir path”; e.g. backing up a dotfolder like ~/.cache/foo was not skipped. / No new branch, no change in control flow — just closing the gap in an existing check that covered str but forgot its sibling scalar-like type bytes. 译：文档字符串承诺，只要它们“出现在 source_dir 路径的任意位置”就会跳过，但例如 ~/.cache/foo 这样的点目录，备份时却未跳过。/ 没有新分支，也没改变控制流，只是补上已有检查的缺口：它覆盖了 str，却“忘了”同类的标量式类型 bytes。
议论文：These are the exact skills the worksheet hoped to teach, but she has learned them because she wanted an answer. / Second, the time objection misunderstands how service actually functions. 译：这些正是练习单“希望”教授的技能，但她掌握它们，是因为她想得到答案。/ 第二，关于时间的反对意见“误解了”服务实际如何开展。

依存距离。

聊天：The guitar sitting in the corner because you’re still “deciding” teaches you zero chords. / Has the building had water, mold, structural, or insurance claims? 译：那把因为你还在“考虑”而放在角落里的吉他，一个和弦也教不会你。/ 这栋楼是否发生过与漏水、霉菌、结构或保险相关的索赔？
编程：All five expression shapes — attribute access, subscript, calls, nested calls, string literals — leave current on NAME(’b’), and the full template renders correctly. / A lattice constructed with duplicate points, or a SymbolSet with colliding labels/names, can overwrite internal dictionary or attribute mappings. 译：五种表达式形式，即属性访问、下标、调用、嵌套调用和字符串字面量，都会让 current 停在 NAME('b')，且完整模板渲染正确。/ 用重复点构造的格结构，或标签、名称冲突的 SymbolSet，可能覆盖内部字典或属性映射。
议论文：Projects completed on weekends, during school events, or over the summer could all count. / Class time, where a total blackout policy would apply under Policy 1, remains protected and focused. 译：周末、学校活动期间或暑假完成的项目，都可以计入。/ 在方案一规定全面禁用手机的课堂时段，教学时间仍受到保护，注意力也能保持集中。

名词堆叠。

聊天：Summer park district classes are a whole thing in Chicago and people actually do them. / Online banks (Ally, Marcus, Capital One 360, Discover, SoFi) or brokerage money market funds (Fidelity’s SPAXX, Vanguard’s VMFXX) are the standard options. 译：芝加哥的公园管理区暑期课程相当成规模，而且确实有人参加。/ 常见选项是线上银行，或经纪商提供的货币市场基金；机构与基金名保留在英文例句中。
编程：Fixed absolute dotfile backup path handling while preserving the : marker used during reinstall. / Every long line in that list is pre-existing (long error-message string literals, which black leaves alone since it doesn’t split strings without --preview). 译：修复隐藏配置文件绝对备份路径的处理，同时保留重装时使用的冒号标记。/ 列表中所有长行都原本存在，它们是长错误消息字符串；black 在未使用 --preview 时不会拆分这些字符串，所以没有改动。
议论文：I acknowledge concerns about distraction, but Policy 1’s class-time shutdown requirement directly addresses this. / Instead of a requirement, our school could offer incentives like extra credit, special recognition at assemblies, or a community service honor cord at graduation. 译：我承认大家担心分心，但方案一要求上课关机，直接回应了这一问题。/ 学校可以不作强制要求，而提供加分、集会特别表彰，或毕业时颁发社区服务荣誉绶带等激励。

参照语料中未见的词对。

聊天：Color might be relatively “protected” because it’s so grounded in early perceptual processing. / That’s a really legitimate concern, and honestly it’s the part most internet advice glosses over. 译：颜色可能相对受到“保护”，因为它深植于早期感知加工。/ 这个担心很合理，说实话，也是多数网络建议轻轻带过的部分。
编程：as_documents: true previously mutated the tag instance permanently, causing later enrichments to return DocumentsList unexpectedly. / The most substantive unfixed item is the existing xfailed lazy-intermediate Lookup behavior; the others are primarily compatibility, validation, or API-policy decisions. 译：as_documents: true 以前会永久改变标签实例，导致后续扩展处理意外返回 DocumentsList。/ 尚未修复的最实质问题，是已有的、标记为预期失败的 lazy-intermediate Lookup 行为；其他主要涉及兼容性、验证或 API 策略选择。
议论文：The benefits of attending classes from home outweigh the potential drawbacks, provided it is implemented thoughtfully. / Choosing a topic teaches independence, creativity, and responsibility—qualities that cannot be developed through rigid worksheets. 译：只要认真设计实施，在家上课的好处大于潜在不足。/ 选择题目能培养独立性、创造力和责任感，而僵硬的练习单无法培养这些品质。

三元词组惊异度。

聊天：It’s paying for flexibility at a time when flexibility has real value to you. / It’s not necessary, but it’s surprisingly useful—and not really a gear trap. 译：这是在灵活性对你确有价值的时候，为灵活性付费。/ 它并非必需，却出人意料地有用，也不太算是让人不断添置器材的陷阱。
编程：New tests for paths with spaces, dry-run write prevention, and idempotent config reinstalls. / Let me know if you want me to add deduplication logic using os.path.realpath() or inode tracking. 译：新增了包含空格的路径、阻止试运行写入，以及配置重装幂等性的测试。/ 如果你希望我用 os.path.realpath() 或 inode 跟踪添加去重逻辑，请告诉我。
议论文：Students might see the rule as unrealistic and begin to disrespect school rules in general. / These are small benefits, but they add up, and none of them interfere with instruction. 译：学生可能认为这条规定不切实际，进而不再尊重学校的其他规定。/ 这些好处虽小，却能积少成多，而且都不妨碍教学。

附录 B 分析细节

B.1 特征检测

使用 spaCy 的 en_core_web_trf 分析全部文本。宾语关系从句、名词堆叠和依存距离直接从依存分析读取。名词派生动词、无生命主语则先由句法分析提供候选项：前者是其词元在人类对应场景语料中主要作名词使用的动词；后者是主语为无生命名词、it/this 等代词，或代码片段的主动动词。

随后，外部分类器 Jev 1.13.0（typesafe.ai）在完整句子中判断候选项。分类器接受概率大于 0.5 的候选项，计入统计。

B.2 人类基线与 n 元词组参照

OpenSubtitles、StackExchange、Wikipedia 的基线，各从约 500,000 个词的随机样本计算。对于 n 元词组统计，为每个参照语料建立一个三元语言模型，使用 KenLM（Heafield，2011）和改进 Kneser–Ney 平滑。聊天以 OpenSubtitles 评分，编程以 StackExchange 评分，议论文以 Wikipedia 评分。未见词对按每 1,000 对报告。

聊天和编程的参照语料，同时也是对应场景的人类基线，因此不另报告这些场景的人类 n 元词组基线。学生作文与模型作文一样，都以 Wikipedia 评分。

B.3 依存距离标准化

依存距离与句长正相关，因为一句话中最大可能的依存距离，是词数减一。因此，即使句法特征类似，写长句的模型也会得到更高数值。为消除这一影响，我们使用直接标准化，方法类似流行病学中的年龄标准化。

将句子按词数分成五组：1 至 5、6 至 10、11 至 15、16 至 20、21 至 30，标点不计词数。超过 30 词的句子丢弃。只统计两端均不是标点的依存弧，排除根节点。对每个来源，包括各模型和人类，计算每个句长组的平均弧长。

随后用 Wikipedia 建立句长的标准分布。每组权重是该组句子产生的依存弧，占 Wikipedia 全部依存弧的比例。标准化结果为各组平均弧长按这些权重的加权平均。换言之，这一过程回答：“如果所有来源的句长分布都和 Wikipedia 相同，其平均依存距离会是多少？”

B.4 图 5、图 6 和图 2 的细节

图 5 中，每个菱形是模型在全部对话或作文上的汇总值：聊天十次、编程五次，或议论文 70 篇。误差条为 95% bootstrap 区间，聊天和编程按完整对话重采样，议论文在题目内重采样。学生作文基线周围的阴影为其 95% 区间。

如果人类语料本身就是 n 元词组参照，就不绘制该人类基线：包括聊天、编程的 n 元词组面板，以及议论文中的 Wikipedia。聊天和编程的人类语料没有对名词派生动词和无生命主语评分，因此也不画这两项的人类基线。

图 6 中，实心菱形表示原文，空心圆表示往返翻译。星号表示在对话层级、或题目内作文层级上，对差异进行双侧配对 jackknife $t$ 检验；没有针对比较次数进行校正。* 表示 $p<.05$，** 表示 $p<.01$，*** 表示 $p<.001$。

图 2 中，对每个指标和任务场景，用往返翻译与原文数值差的绝对值，除以该指标原始值在模型间的标准差。先在图 6 的四对指标内部取平均，再在各指标对之间取平均。Overall 是模型实际运行过的场景的平均值。

B.5 使用其他翻译器和中间语言的往返翻译

作为检查，我们对九个前沿模型重复往返流程，加入俄语作为中间语言，以及 TranslateGemma 4B（Finkelstein 等，2026）作为翻译器。图 10 给出两种翻译器与两种中间语言的全部四种组合，每条回复的词数。

每个句子独立翻译，并与原句配对。译文偶尔会分成多句：NLLB 经日语为 2.4%，经俄语为 0.8%；TranslateGemma 经日语为 14.1%，经俄语为 3.0%。出现这种情况时，按实际的多句分析。

附录 C 强化学习细节

表 3：句法交替。 前四类用于训练；后六类保留作评估，从未作为训练目标。被动结构中，150 项有 132 项相差 2 token，15 项相差 3 token，3 项相差 1 token。表中保留英语，以展示真实的词序和省略关系。

分组	交替	短形式	长形式	相差 token
训练	双宾语/介词与格	gave his wife a gift	gave a gift to his wife	1
训练	宾语关系从句	the book the professor wrote	the book that the professor wrote	1
训练	补语从句	knew the answer was wrong	knew that the answer was wrong	1
训练	小品词语序，对照	picked up the book	picked the book up	0
留出	被动结构	a falling branch hit it	it was hit by a falling branch	2
留出	所有格	noticed the old house’s roof	noticed the roof of the old house	1
留出	all (of)	ate all the cookies	ate all of the cookies	1
留出	(in order) to	left early to catch the train	left early in order to catch the train	2
留出	so (that)	spoke slowly so we could follow along	spoke slowly so that we could follow along	1
留出	形容词 + that	was sure the door was locked	was sure that the door was locked	1

图 8：一个与格评估项目的完整提示。 其中的动词未在训练中出现，项目之间只有 Event 行改变。为方便阅读，原图中的文字转录如下，随后给出中译。

Write one natural English sentence in the past tense that expresses the event below.
Use every phrase from the event exactly as written, including pronouns like "it" or
"them", and add nothing else. A nested "described_by" event describes the entity it
belongs to; a nested "content" is what the experiencer thought, knew, said, etc.
Reply with only the sentence.

Example: {"event": "eat", "agent": "the cat", "theme": "the fish"}
Sentence: The cat ate the fish.

Example: {"location": "on the old sofa", "event": "sleep", "agent": "my uncle"}
Sentence: My uncle slept on the old sofa.

Event: {"recipient": "the kids", "event": "mail", "agent": "he", "theme": "a book"}
Sentence:

提示中译：用一句自然的、过去时的英语表达下面事件。事件中的每个短语必须原样使用，包括 it、them 等代词，不添加其他内容。嵌套的 described_by 事件描述其所属实体；嵌套的 content 表示经历者想、知道或说的内容等。只回复这个句子。两个示例分别表示“猫吃了鱼”“我叔叔在旧沙发上睡觉”；待生成的事件是“他给孩子们邮寄一本书”。JSON 字段保留原名，以免改变实验输入。

我们最大化带 KL 正则化的期望奖励：

$$ J(\theta)=\mathbb{E}{x\sim\mathcal{D},,y\sim\pi\theta(\cdot\mid x)}\left[R(x,y)\right]-\beta,\mathbb{E}{x},\mathrm{KL}\left(\pi\theta(\cdot\mid x),|,\pi_{\mathrm{ref}}(\cdot\mid x)\right). \tag{1} $$

其中，$\theta$ 是模型参数，$x$ 是来自数据分布 $\mathcal D$ 的提示，$y$ 是回复，$\pi_\theta$ 是当前策略，$\pi_{\mathrm{ref}}$ 是冻结的基础模型，$R$ 是奖励，$\beta$ 是 KL 正则系数。使用 LoRA（Hu 等，2022）时，参考模型就是关闭适配器后的策略网络。

若两个形式的任务奖励相同、长度相差 $\Delta$ token，则式（1）的最优策略满足 $\pi^*(y\mid x)\propto\pi_{\mathrm{ref}}(y\mid x)\exp\left(R(x,y)/\beta\right)$，从而有：

$$ \log\frac{\pi^(s)}{\pi^(l)}=\log\frac{\pi_{\mathrm{ref}}(s)}{\pi_{\mathrm{ref}}(l)}+\frac{\lambda\Delta}{\beta}. \tag{2} $$

其中 $s$、$l$ 分别是短、长形式，$\lambda$ 是长度惩罚系数。这说明了选择 $\lambda$ 和 $\beta$ 的依据。$\beta=0$ 时，不存在上述形式的最优解，偏好变化只受训练时长限制。

对提示 $x$ 的回复 $y$，奖励为：

$$ R(x,y)=c(x,y),f(y)-\lambda,|y|. \tag{3} $$

其中，$c(x,y)\in{0,1}$ 表示正确性，$f(y)\in{0,1}$ 是格式检查，$|y|$ 是按策略分词器计算的回复 token 数，不含特殊 token。正确性由规则判断：事件的每个论元短语都须原样出现，不区分大小写；spaCy en_core_web_trf 的依存分析须把短语放到正确语义角色；事件动词的词元须保持不变。

交替中的两种形式，以及被动句等其他改写，都可以被接受。不检查时态。格式要求为：只有一句话，首字母大写，以句号或叹号结束，不含前言、引号或冒号。

使用 TRL 1.13.0 中 GRPOTrainer 实现的 GRPO。每个优化步骤如下。

采样。 对 8 个提示，分别用当前策略生成一组 $G=16$ 个回复。使用与训练共置的 vLLM（Kwon 等，2023），温度 $T=1.0$，最多新增 64 token。每步共 128 个回复。
计算奖励。 根据式（3）为每个回复评分。
计算优势。 以组均值为基线，不按标准差缩放，即 scale_rewards='none'：

$$ A_i=R_i-\frac{1}{G}\sum_{j=1}^{G}R_j. \tag{4} $$

同一个回复 $i$ 的每个 token 都使用相同的优势 $A_i$。不除以组内标准差，是因为这样做会让不同组中 $\lambda$ 的有效尺度发生变化。如果一组回复任务奖励都相同，标准差缩放会把微小的长度差放大到单位尺度。

计算损失。 设置 loss_type='dr_grpo'（Liu 等，2025）。对批次中所有回复的逐 token 截断代理项求和，再除以固定常数“回复数量 × 最大回复长度”，不进行逐序列长度归一化：

$$ \begin{gathered} \mathcal L(\theta)=-\frac{1}{N L_{\max}}\sum_{i=1}^{N}\sum_{t=1}^{|y_i|}\ell_{i,t},\ \ell_{i,t}=w_i\min\left(\rho_{i,t}A_i,\bar\rho_{i,t}A_i\right)-\beta k_{i,t}. \end{gathered} \tag{5} $$

这里，$N=128$ 为每步回复数，$L_{\max}=64$；$t$ 为 token 位置；$h_{i,t}=(x,y_{i,<t})$ 为当前 token 之前的前缀，$\theta_{\mathrm{old}}$ 为采样时的策略参数。概率比和截断概率比分别为：

$$ \rho_{i,t}=\frac{\pi_\theta(y_{i,t}\mid h_{i,t})}{\pi_{\theta_{\mathrm{old}}}(y_{i,t}\mid h_{i,t})},\qquad \bar\rho_{i,t}=\operatorname{clip}\left(\rho_{i,t},1-\epsilon,1+\epsilon\right). $$

其中 $\epsilon$ 为截断范围参数。TRL 使用的逐 token KL 估计量为：

$$ k_{i,t}=\frac{\pi_{\mathrm{ref}}}{\pi_\theta}-\log\frac{\pi_{\mathrm{ref}}}{\pi_\theta}-1, $$

上述概率在 $y_{i,t}$ 处计算。$w_i$ 是 TRL 默认的修正项，用于补偿 vLLM 采样器与训练器前向计算的不匹配：取二者的序列概率比，超过 3 则设为 0。训练期间它始终接近 1，平均值为 1.00。

每个生成批次只优化一遍，这是 TRL 默认设置，此时 $\rho$ 数值为 1。因此，除一个常数因子和 KL 项外，损失对应的梯度简化为序列级策略梯度 $-\sum_i A_i\nabla\log\pi_\theta(y_i\mid x)$。当 $\beta=0$ 时，不使用参考模型，也去掉 KL 项。

表 4：训练配置。 24 次运行中，除 $\lambda$、$\beta$ 和随机种子外，其余设置相同。

设置	值
基础模型	Qwen2.5-1.5B-Instruct
微调	LoRA，PEFT 0.21.0；$r=16$，$\alpha=32$，所有线性层
精度	bf16；开启梯度检查点
优化器	Transformers 默认 AdamW
学习率	$1\times10^{-4}$，500 步线性衰减至 0，无预热
训练步数	500；4,000 个提示，每类交替 1,000 个，其中 3,750 个不同
每步提示数	8，每类交替 2 个
组大小	$G=16$
每步回复数	128
微批次	32 个回复 × 4 次梯度累积，1 张 GPU
最大长度	64 个回复 token
采样	温度 1.0；其他参数使用 TRL 默认值
损失类型	dr_grpo
奖励缩放	无，仅减去组均值
长度惩罚	每 token 的 $\lambda\in{0,0.01,0.03,0.1}$
KL 系数	$\beta\in{0,0.04}$
随机种子	${0,1,2}$，用于训练器与数据流
生成	vLLM 0.28.0，与训练共置，占用 30% GPU 内存
检查点	每 50 步保存 LoRA 适配器
其他设置	TRL 1.13.0 / Transformers 5.17.0 默认值

硬件。 每次运行使用一张 NVIDIA L40S（48 GB）、8 个 CPU 核和 64 GB 内存。

成本。 $\beta=0$ 时每步约 7.7 秒，$\beta=0.04$ 时约 8.6 秒；torch 峰值显存为 21.4 GiB。计入基础模型和十个检查点的评估，每次运行约 1 小时 13 分至 1 小时 23 分。24 次运行合计约 31 GPU 小时。

软件。 Python 3.12、PyTorch 2.13.0（CUDA 13.0 构建）、Transformers 5.17.0、TRL 1.13.0、PEFT 0.21.0、vLLM 0.28.0、Datasets 5.0.1、spaCy 3.8.16，配合 en_core_web_trf 3.8.0 和 spacy-curated-transformers 0.3.1。以上版本均为论文所报告的实验环境。

对训练内交替，我们报告正确采样回复中使用短形式的比例；对两类迁移评估，我们报告在两个形式中强制二选一时，模型赋予短句的概率。四类远迁移结构中，只有所有格随 $\lambda$ 改变，而且仅出现在没有 KL 正则化时。被动和目的从句交替没有随 $\lambda$ 改变；量词交替在基础模型中就已经接近上限。

基础模型和 24 个微调模型还回答了 40 个与训练任务无关的开放式提示，图 9 给出其回复的 n 元词组统计。

附录 D 补充表格与图

表 5a 聊天主题

以下为开场消息的中文翻译，保留原始主题与语气。需要逐字复现实验时，请使用原文表 5中的英语开场消息。

编号	主题	语体	开场用户消息中译
t01	成年后学习新爱好	日常生活	听我说，我 40 岁了，想学吉他。这想法是不是很傻，还是应该直接开始？我该从哪儿入手？
t02	租房还是买房	观点	我的租约再过几个月就到期了，大家一直说租房是在“白扔钱”。现在真是这样，还是大家习惯这么说？
t03	捡到一箱现金	假设	随便问个问题：如果你在公园长椅上发现一个公文包，里面大概有 50 万现金，没有标记，周围没人，你实际上会怎么做？
t04	可能转行	寻求建议	我这份工作做了六年，已经觉得无聊了。我总想着彻底换个领域，但不知道 32 岁这样做是否明智，还是我想太多。能和你聊聊吗？
t05	合作即兴编故事	叙事	要不要一起编故事？我先来：一个守灯塔的人三年没见过别人，某天早上有人敲门。轮到你了，想怎么发展都行。
t06	日常现象：天空颜色	事实好奇	有件事我一直想知道：为什么日落时天空会变红、变橙，其他时候却是蓝的？感觉我早该知道。
t07	搬去新城市	日常生活	我大概三周后要搬去新城市，但基本什么都没安排好，哈哈。大家怎么着手处理这些事？实际先后顺序是什么？
t08	倍速看电影	观点	想听个鲜明观点：用 1.5 倍速看电影有错吗？我伴侣说这简直是对电影犯罪，但我已经没耐心看慢节奏了。
t09	与陌生人交换一天人生	假设	如果你能和一个随机陌生人准确交换一天人生，事先不知道对方是谁，一醒来就变成对方，你会愿意吗？这件事我一直拿不定主意。
t10	第一次养狗	寻求建议	我们认真考虑养第一只狗，有一大堆问题。两个人都全职工作，这样做是不是太疯狂？我们还有什么没想到？

表 5b 代码仓库

全部仓库均公开托管于 GitHub，使用 Python，采用 MIT 许可。LOC 是排除测试、第三方内嵌代码和生成文件后的源码行数；Stars 为选取仓库时的星标数；Tests 为固定提交上离线通过的测试数；Commit 为固定提交哈希前七位。

编号	仓库	描述	LOC	Stars	Tests	Commit
c01	alichtman/shallow-backup	备份隐藏配置文件、软件包列表和应用配置的命令行工具，集成 Git	2,143	1,334	18	8fc8234
c03	funkybob/stencil	单文件 Django 风格模板引擎，包括分词、表达式求值，以及 if、for、include、extends、with 标签	555	58	15	1dd661b
c04	fabiocaccamo/python-fsutil	文件系统操作库，包括路径与 glob、归档创建与提取、原子操作、权限和元数据	1,750	269	163	deb6684
c05	con2/emrichen	YAML/JSON 模板引擎，在共用解析器和上下文上提供约 40 个标签处理器，如 !Var、!Loop、!If、!Format	1,682	110	101	1690fb9
c06	obijywk/grilops	将数独、数回、数墙等网格逻辑谜题编码为 Z3 SMT 求解器约束的库	2,575	84	11	18a6641

图 9：基础模型和 24 个微调模型，对 40 个与训练任务无关的提示生成开放式回复，使用 Wikipedia 评分后得到的 n 元词组统计。点表示单个随机种子，虚线表示基础模型。

图 10：原文与往返译文的每条回复平均词数。行区分翻译模型和中间语言，只包含九个前沿模型。一次回复或一篇议论文中，全部纳入分析的文本算一条回复，代码块已删除。词指非标点、也非行内代码占位符的 token。

若往返译文的长度不足原文一半、或超过两倍，则原文和译文都排除。误差条为 95% 聚类 bootstrap 区间：聊天和编程对整段对话重采样，每模型分别有十次、五次；议论文在对应题目内重采样，每模型 70 篇。星号 / $\dagger$ 表示每条回复的配对差，即“往返译文减原文”的平均值，其 95% 区间高于 / 低于零。

从研究到中文写作：哪些可以借鉴

以下是本站整理，不属于原论文译文。 读者提供的观点把问题概括为：人类语言需要照顾理解者，而某些模型训练目标更鼓励在有限篇幅里塞入更多信息。因此，可以尝试在 AGENTS.md 中补上对可读性的要求。

这个方向与论文讨论相符，但要区分证据层次。论文测量了英语低频词组、依存距离、名词堆叠等特征，并用小模型训练演示长度惩罚如何改变语法选择；它没有检验以下中文规则，也没有证明“修饰不得超过两层”“第三句必须使用具体主语”是最佳阈值。

我的建议是，把截图里的四条要求改成能执行、又不会损害准确性的编辑提醒：补出句间关系，拆开过长修饰，用具体主体解释抽象判断，检查名词与动词的搭配。再补上适用范围、准确性要求和交付前复查，避免模型为满足表面句数而写出多余句子或虚构例子。

例如，“该框架吞噬评估预算并拉满落地摩擦”，可以改成：“这个框架需要反复运行评估，会增加计算费用。团队还要额外接入几个工具，因此部署也更费时。”后一种说法补出了动作和原因；如果没有费用、工具数量的证据，就应改为保留条件的表述，而不是凭空填入细节。

可直接加入 AGENTS.md 的改良文本

下面这段与下载文件一致。它适用于回答、说明、文档和博客正文；固定术语、代码、公式和逐字引文以准确为先。它是根据英语研究启发形成的中文编辑方案，实际效果仍需结合具体任务检验。

# 面向读者的表达规则

适用于面向用户的回答、说明、文档和博客正文。优先让读者一次读懂，再在不损失含义的前提下压缩篇幅。

1. **把句间关系写清楚。** 相邻判断若不是直接承接，要说明它们是因果、转折、补充、条件还是举例。能用一个连接词说清楚，就不额外添加过渡段；不要让读者自行猜测推理中间缺失的一步。
2. **先解释，再展开。** 提出问题后，先给出直接回答；引入新概念时，先用一句话解释含义，再说明细节。每段围绕一个中心意思组织，不把多个尚未解释的概念连续堆放。
3. **拆开过长修饰。** 名词前的修饰语原则上不超过两层。需要更多限定时，先说清主体，再把条件拆成分句或独立句。固定术语、正式名称和准确引文可保留原样，并在必要时补充解释。
4. **用具体主体承接抽象论述。** 同一段中，连续两句都以抽象概念为主语、搭配抽象动作时，检查下一句能否改用具体的人、系统、操作或场景，说明谁在什么条件下做了什么、产生什么结果。不得为了满足句数而编造人物、案例或因果。
5. **检查名词与动词的搭配。** 避免把不常见的拟人、名词动用和临时拼接词当作简洁表达。逐句问：读者是否能立刻理解这个主体如何执行这个动作？若不能，改为常用搭配并补出实际执行者或作用过程。约定俗成且清晰的比喻可以保留。
6. **保留有用的冗余。** 不为省字省略关键主语、指代对象、条件、比较基准和逻辑连接。可以重复必要的关键词；删去套话、重复结论和无信息的铺垫，不机械追求最短句或最长解释。
7. **准确性优先。** 简化表达时，保留否定、范围、数量、单位、不确定性和证据限制。区分原文结论、作者假说与自己的建议；不把“相关”“可能”改成“导致”“已经证明”。翻译、代码、公式、API、文件名及逐字引文以忠实和准确为先。
8. **交付前做一次可读性复查。** 检查是否出现跳步、指代不明、修饰堆叠、抽象主体连用和生硬搭配。只改确实影响理解的地方。两层修饰、连续两句等阈值是编辑提醒，不是机械计数的验收条件，也不是论文已验证的普适定律；无需向用户报告逐项自检。

来源：依据用户提供的中文写作建议，并参考 Clark、Martin 与 Mahowald（2026）《Why is AI-generated language so hard to understand?》，arXiv:2610.29162v1。原研究主要分析英语，以上中文规则属于实践性改写建议。

在本机如何应用

Codex 支持用户级和项目级 AGENTS.md。用户级文件通常位于 ~/.codex/AGENTS.md，适合跨项目的表达偏好；项目根目录的 AGENTS.md 适合项目内约定。若同目录存在非空的 AGENTS.override.md，它会优先被读取。具体发现顺序见 OpenAI 官方说明。

这些文件在会话启动时构建指令链。因此，保存后应在新会话中核对是否加载；仅写入文件，不等于已经验证后续每个会话的实际执行效果。本博客仓库同时保存项目级规则，方便今后维护文章时沿用。

原文参考文献

下列书目信息按原论文保留，链接可返回原文对应条目。中文译文中的作者、年份引用与这些条目对应；保留条目不代表本站另外核验了每篇被引文献。

Agarwal et al. (2025) Dhruv Agarwal, Mor Naaman, and Aditya Vashistha. 2025. AI suggestions homogenize writing toward Western styles and diminish cultural nuances. In Proceedings of the 2025 CHI Conference on Human Factors in Computing Systems, pages 1–21. 原文条目
Bannard and Callison-Burch (2005) Colin Bannard and Chris Callison-Burch. 2005. Paraphrasing with bilingual parallel corpora. In Proceedings of the 43rd Annual Meeting of the Association for Computational Linguistics (ACL’05), pages 597–604, Ann Arbor, Michigan. Association for Computational Linguistics. 原文条目
Bao et al. (2024) Guangsheng Bao, Yanbin Zhao, Zhiyang Teng, Linyi Yang, and Yue Zhang. 2024. Fast-DetectGPT: Efficient zero-shot detection of machine-generated text via conditional probability curvature. In International Conference on Learning Representations. 原文条目
Bock (1987) Kathryn Bock. 1987. An effect of the accessibility of word forms on sentence structures. Journal of Memory and Language, 26(2):119–137. 原文条目
Chomsky (1965) Noam Chomsky. 1965. Aspects of the Theory of Syntax. MIT Press, Cambridge, MA. 原文条目
Christianson et al. (2001) Kiel Christianson, Andrew Hollingworth, John F. Halliwell, and Fernanda Ferreira. 2001. Thematic roles assigned along the garden path linger. Cognitive Psychology, 42(4):368–407. 原文条目
Clark et al. (2025) Christian Clark, Byung-Doh Oh, and William Schuler. 2025. Linear recency bias during training improves Transformers’ fit to reading times. In Proceedings of the 31st International Conference on Computational Linguistics, pages 7735–7747, Abu Dhabi, UAE. Association for Computational Linguistics. 原文条目
Clark and Clark (1979) Eve V. Clark and Herbert H. Clark. 1979. When nouns surface as verbs. Language, 55(4):767–811. 原文条目
Clark et al. (2022) Thomas Clark, Ethan Gotlieb Wilcox, Edward Gibson, and Roger Levy. 2022. Evidence for Availability Effects on Speaker Choice in the Russian Comparative Alternation. In Proceedings of the Annual Meeting of the Cognitive Science Society, volume 44. 原文条目
Clark et al. (2023) Thomas Hikaru Clark, Clara Meister, Tiago Pimentel, Michael Hahn, Ryan Cotterell, Richard Futrell, and Roger Levy. 2023. A cross-linguistic pressure for uniform information density in word order. Transactions of the Association for Computational Linguistics, 11:1048–1065. 原文条目
Cohen and Staub (2014) Andrew L. Cohen and Adrian Staub. 2014. Online processing of novel noun-noun compounds: eye movement evidence. Quarterly Journal of Experimental Psychology, 67(1):147–165. 原文条目
Cooper (1980) Gloria Cooper, editor. 1980. Squad Helps Dog Bite Victim, and Other Flubs from the Nation’s Press. Dolphin Books/Doubleday, Garden City, NY. Compiled from the Columbia Journalism Review. 原文条目
Crossley et al. (2024) Scott A. Crossley, Yu Tian, Perpetual Baffour, Alex Franklin, Meg Benner, and Ulrich Boser. 2024. A large-scale corpus for assessing written argumentation: Persuade 2.0. Assessing Writing, 61:100865. 原文条目
Federmann et al. (2019) Christian Federmann, Oussama Elachqar, and Chris Quirk. 2019. Multilingual whispers: Generating paraphrases with translation. In Proceedings of the 5th Workshop on Noisy User-generated Text (W-NUT 2019), pages 17–26. Association for Computational Linguistics. 原文条目
Federmeier et al. (2000) Kara D. Federmeier, Jessica B. Segal, Tania Lombrozo, and Marta Kutas. 2000. Brain responses to nouns, verbs and class-ambiguous words in context. Brain, 123(12):2552–2566. 原文条目
Finkelstein et al. (2026) Mara Finkelstein et al. 2026. TranslateGemma technical report. Preprint, arXiv:2601.09012. 原文条目
Frank (2023) Michael C. Frank. 2023. Bridging the data gap between children and large language models. Trends in Cognitive Sciences, 27(11):990–992. 原文条目
Frazier and Rayner (1987) Lyn Frazier and Keith Rayner. 1987. Resolution of syntactic category ambiguities: Eye movements in parsing lexically ambiguous sentences. Journal of Memory and Language, 26(5):505–526. 原文条目
Futrell (2024) Richard Futrell. 2024. An Information-Theoretic Account of Availability Effects in Language Production. Topics in Cognitive Science, 16(1):38–53. 原文条目
Futrell et al. (2020) Richard Futrell, Edward Gibson, and Roger P. Levy. 2020. Lossy-context surprisal: An information-theoretic model of memory effects in sentence processing. Cognitive Science, 44(3):e12814. 原文条目
Futrell et al. (2015) Richard Futrell, Kyle Mahowald, and Edward Gibson. 2015. Large-scale evidence of dependency length minimization in 37 languages. Proceedings of the National Academy of Sciences, 112(33):10336–10341. 原文条目
Gibson (1998) Edward Gibson. 1998. Linguistic complexity: Locality of syntactic dependencies. Cognition, 68(1):1–76. 原文条目
Gibson (2000) Edward Gibson. 2000. The dependency locality theory: A distance-based theory of linguistic complexity. In Alec Marantz, Yasushi Miyashita, and Wayne O’Neil, editors, Image, Language, Brain: Papers from the First Mind Articulation Project Symposium, pages 95–126. MIT Press, Cambridge, MA. 原文条目
Gibson et al. (2019) Edward Gibson, Richard Futrell, Steven T. Piantadosi, Isabelle Dautriche, Kyle Mahowald, Leon Bergen, and Roger Levy. 2019. How efficiency shapes human language. Trends in Cognitive Sciences, 23(5):389–407. 原文条目
Gibson and Thomas (1999) Edward Gibson and James Thomas. 1999. Memory limitations and structural forgetting: The perception of complex ungrammatical sentences as grammatical. Language and Cognitive Processes, 14(3):225–248. 原文条目
Gildea and Temperley (2010) Daniel Gildea and David Temperley. 2010. Do grammars minimize dependency length? Cognitive Science, 34(2):286–310. 原文条目
Grattafiori et al. (2024) Aaron Grattafiori et al. 2024. The Llama 3 herd of models. Preprint, arXiv:2407.21783. 原文条目
Grodner and Gibson (2005) Daniel Grodner and Edward Gibson. 2005. Consequences of the serial nature of linguistic input for sentenial complexity. Cognitive Science, 29(2):261–290. 原文条目
Guo et al. (2025) Daya Guo, Dejian Yang, Haowei Zhang, Junxiao Song, Peiyi Wang, Qihao Zhu, Runxin Xu, Ruoyu Zhang, Shirong Ma, Xiao Bi, et al. 2025. DeepSeek-R1 incentivizes reasoning in LLMs through reinforcement learning. Nature, 645(8081):633–638. ArXiv preprint title: “DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning”. 原文条目
Hahn et al. (2020) Michael Hahn, Dan Jurafsky, and Richard Futrell. 2020. Universals of word order reflect optimization of grammars for efficient communication. Proceedings of the National Academy of Sciences, 117(5):2347–2353. 原文条目
Hale (2001) John Hale. 2001. A probabilistic Earley parser as a psycholinguistic model. In Proceedings of the Second Meeting of the North American Chapter of the Association for Computational Linguistics (NAACL 2001), pages 1–8. 原文条目
Heafield (2011) Kenneth Heafield. 2011. KenLM: Faster and smaller language model queries. In Proceedings of the Sixth Workshop on Statistical Machine Translation, pages 187–197, Edinburgh, Scotland. Association for Computational Linguistics. 原文条目
Honnibal et al. (2020) Matthew Honnibal, Ines Montani, Sofie Van Landeghem, and Adriane Boyd. 2020. spaCy: Industrial-strength natural language processing in Python. 原文条目
Hu et al. (2022) Edward J. Hu, Yelong Shen, Phillip Wallis, Zeyuan Allen-Zhu, Yuanzhi Li, Shean Wang, Lu Wang, and Weizhu Chen. 2022. LoRA: Low-rank adaptation of large language models. In International Conference on Learning Representations (ICLR 2022). 原文条目
Jaeger (2010) T. Florian Jaeger. 2010. Redundancy and reduction: Speakers manage syntactic information density. Cognitive Psychology, 61(1):23–62. 原文条目
Juzek and Ward (2025) Thomas Stephan Juzek and Zina B. Ward. 2025. Why does ChatGPT “delve” so much? exploring the sources of lexical overrepresentation in large language models. In Proceedings of the 31st International Conference on Computational Linguistics (COLING 2025), pages 6397–6411. 原文条目
Juzek and Ward (2026) Thomas Stephan Juzek and Zina B. Ward. 2026. Word overuse and alignment in large language models: The influence of learning from human feedback. In Machine Learning and Principles and Practice of Knowledge Discovery in Databases (ECML PKDD 2025 Workshops) – 5th Workshop on Bias and Fairness in AI (BIAS 2025), Communications in Computer and Information Science, pages 243–259. Springer Nature Switzerland. Also arXiv:2508.01930. 原文条目
Kim and Osterhout (2005) Albert Kim and Lee Osterhout. 2005. The independence of combinatory semantic processing: Evidence from event-related potentials. Journal of Memory and Language, 52(2):205–225. 原文条目
Kuperberg (2007) Gina R. Kuperberg. 2007. Neural mechanisms of language comprehension: Challenges to syntax. Brain Research, 1146:23–49. 原文条目
Kuribayashi et al. (2022) Tatsuki Kuribayashi, Yohei Oseki, Ana Brassard, and Kentaro Inui. 2022. Context limitations make neural language models more human-like. In Proceedings of the 2022 Conference on Empirical Methods in Natural Language Processing (EMNLP 2022), pages 10421–10436. 原文条目
Kwon et al. (2023) Woosuk Kwon, Zhuohan Li, Siyuan Zhuang, Ying Sheng, Lianmin Zheng, Cody Hao Yu, Joseph E. Gonzalez, Hao Zhang, and Ion Stoica. 2023. Efficient memory management for large language model serving with PagedAttention. In Proceedings of the 29th Symposium on Operating Systems Principles (SOSP 2023), pages 611–626. Association for Computing Machinery. 原文条目
Lakoff and Johnson (1980) George Lakoff and Mark Johnson. 1980. Metaphors We Live By. University of Chicago Press, Chicago. 原文条目
Lambert et al. (2024) Nathan Lambert et al. 2024. Tülu 3: Pushing frontiers in open language model post-training. Preprint, arXiv:2411.15124. 原文条目
Lauer (1995) Mark Lauer. 1995. Corpus statistics meet the noun compound: Some empirical results. In 33rd Annual Meeting of the Association for Computational Linguistics, pages 47–54, Cambridge, Massachusetts, USA. Association for Computational Linguistics. 原文条目
Levy (2008) Roger Levy. 2008. Expectation-based syntactic comprehension. Cognition, 106(3):1126–1177. 原文条目
Levy and Jaeger (2007) Roger Levy and T. Florian Jaeger. 2007. Speakers optimize information density through syntactic reduction. In Advances in Neural Information Processing Systems 19 (NeurIPS 2006), pages 849–856. 原文条目
Lewis (1996) Richard L. Lewis. 1996. Interference in short-term memory: The magical number two (or three) in sentence processing. Journal of Psycholinguistic Research, 25(1):93–115. 原文条目
Li and Xu (2026) Yongyuan Li and Yang Xu. 2026. Uniform Information Density-Based Preference Optimization. In Third Conference on Language Modeling. 原文条目
Lison and Tiedemann (2016) Pierre Lison and Jörg Tiedemann. 2016. OpenSubtitles2016: Extracting large parallel corpora from movie and TV subtitles. In Proceedings of the Tenth International Conference on Language Resources and Evaluation (LREC 2016), pages 923–929, Portorož, Slovenia. European Language Resources Association (ELRA). 原文条目
Liu et al. (2025) Zichen Liu, Changyu Chen, Wenjun Li, Penghui Qi, Tianyu Pang, Chao Du, Wee Sun Lee, and Min Lin. 2025. Understanding R1-Zero-like training: A critical perspective. Preprint, arXiv:2503.20783. 原文条目
Mak et al. (2006) Willem M. Mak, Wietske Vonk, and Herbert Schriefers. 2006. Animacy in processing relative clauses: The hikers that rocks crush. Journal of Memory and Language, 54(4):466–490. 原文条目
Mallinson et al. (2017) Jonathan Mallinson, Rico Sennrich, and Mirella Lapata. 2017. Paraphrasing revisited with neural machine translation. In Proceedings of the 15th Conference of the European Chapter of the Association for Computational Linguistics: Volume 1, Long Papers, pages 881–893, Valencia, Spain. Association for Computational Linguistics. 原文条目
Martínez et al. (2022) Eric Martínez, Francis Mollica, and Edward Gibson. 2022. Poor writing, not specialized concepts, drives processing difficulty in legal language. Cognition, 224:105070. 原文条目
Meister et al. (2021) Clara Meister, Tiago Pimentel, Patrick Haller, Lena Jäger, Ryan Cotterell, and Roger Levy. 2021. Revisiting the uniform information density hypothesis. In Proceedings of the 2021 Conference on Empirical Methods in Natural Language Processing (EMNLP 2021), pages 963–980. 原文条目
Nakov and Hearst (2005) Preslav Nakov and Marti A. Hearst. 2005. Search engine statistics beyond the n-gram: Application to noun compound bracketing. In Proceedings of the Ninth Conference on Computational Natural Language Learning (CoNLL-2005), pages 17–24, Ann Arbor, Michigan. Association for Computational Linguistics. 原文条目
NLLB Team (2024) NLLB Team. 2024. Scaling neural machine translation to 200 languages. Nature, 630(8018):841–846. 原文条目
Oh and Linzen (2026) Byung-Doh Oh and Tal Linzen. 2026. To model human linguistic prediction, make LLMs less superhuman. Trends in Cognitive Sciences. 原文条目
Oh and Schuler (2023) Byung-Doh Oh and William Schuler. 2023. Why does surprisal from larger transformer-based language models provide a poorer fit to human reading times? Transactions of the Association for Computational Linguistics, 11:336–350. 原文条目
Oh et al. (2024) Byung-Doh Oh, Shisen Yue, and William Schuler. 2024. Frequency explains the inverse correlation of large language models’ size, training data amount, and surprisal’s fit to reading times. In Proceedings of the 18th Conference of the European Chapter of the Association for Computational Linguistics (EACL 2024), Volume 1: Long Papers, pages 2644–2663. 原文条目
Ouyang et al. (2022) Long Ouyang, Jeffrey Wu, Xu Jiang, Diogo Almeida, Carroll Wainwright, Pamela Mishkin, Chong Zhang, Sandhini Agarwal, Katarina Slama, Alex Ray, John Schulman, Jacob Hilton, Fraser Kelton, Luke Miller, Maddie Simens, Amanda Askell, Peter Welinder, Paul F. Christiano, Jan Leike, and Ryan Lowe. 2022. Training language models to follow instructions with human feedback. In Advances in Neural Information Processing Systems 35 (NeurIPS 2022), volume 35, pages 27730–27744. Curran Associates, Inc. 原文条目
Padmakumar and He (2024) Vishakh Padmakumar and He He. 2024. Does writing with language models reduce content diversity? In International Conference on Learning Representations. 原文条目
Prabhumoye et al. (2018) Shrimai Prabhumoye, Yulia Tsvetkov, Ruslan Salakhutdinov, and Alan W Black. 2018. Style transfer through back-translation. In Proceedings of the 56th Annual Meeting of the Association for Computational Linguistics (Volume 1: Long Papers), pages 866–876, Melbourne, Australia. Association for Computational Linguistics. 原文条目
Rabinovich et al. (2017) Ella Rabinovich, Raj Nath Patel, Shachar Mirkin, Lucia Specia, and Shuly Wintner. 2017. Personalized machine translation: Preserving original author traits. In Proceedings of the 15th Conference of the European Chapter of the Association for Computational Linguistics: Volume 1, Long Papers, pages 1074–1084, Valencia, Spain. Association for Computational Linguistics. 原文条目
Reali and Christiansen (2007) Florencia Reali and Morten H. Christiansen. 2007. Processing of relative clauses is made easier by frequency of occurrence. Journal of Memory and Language, 57(1):1–23. 原文条目
Reinhart et al. (2025) Alex Reinhart, Ben Markey, Michael Laudenbach, Kachatad Pantusen, Ronald Yurko, Gordon Weinberg, and David West Brown. 2025. Do LLMs write like humans? Variation in grammatical and rhetorical styles. Proceedings of the National Academy of Sciences, 122(8):e2422455122. 原文条目
Ryan et al. (2024) Michael J. Ryan, William Held, and Diyi Yang. 2024. Unintended impacts of LLM alignment on global representation. In Proceedings of the 62nd Annual Meeting of the Association for Computational Linguistics (Volume 1: Long Papers), pages 16121–16140. 原文条目
Shao et al. (2024) Zhihong Shao, Peiyi Wang, Qihao Zhu, Runxin Xu, Junxiao Song, Xiao Bi, Haowei Zhang, Mingchuan Zhang, Y. K. Li, Y. Wu, and Daya Guo. 2024. DeepSeekMath: Pushing the limits of mathematical reasoning in open language models. Preprint, arXiv:2402.03300. 原文条目
Singhal et al. (2024) Prasann Singhal, Tanya Goyal, Jiacheng Xu, and Greg Durrett. 2024. A long way to go: Investigating length correlations in RLHF. In First Conference on Language Modeling (COLM 2024). 原文条目
Smith and Levy (2013) Nathaniel J. Smith and Roger Levy. 2013. The effect of word predictability on reading time is logarithmic. Cognition, 128(3):302–319. 原文条目
Staub (2010) Adrian Staub. 2010. Eye movements and processing difficulty in object relative clauses. Cognition, 116(1):71–86. 原文条目
Staub et al. (2007) Adrian Staub, Keith Rayner, Alexander Pollatsek, Jukka Hyönä, and Helen Majewski. 2007. The time course of plausibility effects on eye movements in reading: Evidence from noun-noun compounds. Journal of Experimental Psychology: Learning, Memory, and Cognition, 33(6):1162–1169. 原文条目
Team Olmo et al. (2025) Team Olmo, Allyson Ettinger, Amanda Bertsch, Bailey Kuehl, et al. 2025. Olmo 3. Preprint, arXiv:2512.13961. 原文条目
Temperley and Gildea (2018) David Temperley and Daniel Gildea. 2018. Minimizing syntactic dependency lengths: Typological/cognitive universal? Annual Review of Linguistics, 4(1):67–80. 原文条目
Thierry et al. (2008) Guillaume Thierry, Clara D. Martin, Victorina Gonzalez-Diaz, Roozbeh Rezaie, Neil Roberts, and Philip M. Davis. 2008. Event-related potential characterisation of the Shakespearean functional shift in narrative sentence structure. NeuroImage, 40(2):923–931. 原文条目
Trueswell et al. (1994) John C. Trueswell, Michael K. Tanenhaus, and Susan M. Garnsey. 1994. Semantic influences on parsing: Use of thematic role information in syntactic ambiguity resolution. Journal of Memory and Language, 33(3):285–318. 原文条目
University of Waterloo (2026) University of Waterloo. 2026. Q and a with the experts: What is “Claudish”? University of Waterloo News. Accessed 2026-09-15. 原文条目
Vanmassenhove et al. (2021) Eva Vanmassenhove, Dimitar Shterionov, and Matthew Gwilliam. 2021. Machine translationese: Effects of algorithmic bias on linguistic complexity in machine translation. In Proceedings of the 16th Conference of the European Chapter of the Association for Computational Linguistics: Main Volume, pages 2203–2213, Online. Association for Computational Linguistics. 原文条目
Vanmassenhove et al. (2019) Eva Vanmassenhove, Dimitar Shterionov, and Andy Way. 2019. Lost in translation: Loss and decay of linguistic richness in machine translation. In Proceedings of Machine Translation Summit XVII: Research Track, pages 222–232, Dublin, Ireland. European Association for Machine Translation. 原文条目
Vaswani et al. (2017) Ashish Vaswani, Noam Shazeer, Niki Parmar, Jakob Uszkoreit, Llion Jones, Aidan N Gomez, Łukasz Kaiser, and Illia Polosukhin. 2017. Attention is All you Need. In Advances in Neural Information Processing Systems, volume 30. Curran Associates, Inc. 原文条目
Wieting and Gimpel (2018) John Wieting and Kevin Gimpel. 2018. ParaNMT-50M: Pushing the limits of paraphrastic sentence embeddings with millions of machine translations. In Proceedings of the 56th Annual Meeting of the Association for Computational Linguistics (Volume 1: Long Papers), pages 451–462, Melbourne, Australia. Association for Computational Linguistics. 原文条目
Xu et al. (2026) Weijie Xu, Brian Dillon, and Richard Futrell. 2026. Memory efficiency and resource-rational encoding in sentence processing. In Proceedings of the 64th Annual Meeting of the Association for Computational Linguistics (Volume 1: Long Papers), pages 33603–33618, San Diego, California, United States. Association for Computational Linguistics. 原文条目
Yang et al. (2024) An Yang, Baosong Yang, Beichen Zhang, Binyuan Hui, Bo Zheng, Bowen Yu, et al. 2024. Qwen2.5 technical report. Preprint, arXiv:2412.15115. 原文条目

署名与许可

原论文：Thomas Hikaru Clark、Matias B. Martin、Kyle Mahowald，2026，Why is AI-generated language so hard to understand?，arXiv:2610.29162v1，采用 CC BY 4.0 许可。

本站中文翻译由 AI 辅助完成，并依原文整理排版。译文保留作者论证中的推测和限制；英语例句、公式、书目信息和图内标签保留必要原文。原图沿用原作者署名与许可，图注已译为中文，图 8 的提示文字改为可复制文本。翻译与改编部分同以 CC BY 4.0 提供。文末的 AGENTS.md 规则是根据用户提供的写作建议与论文启发整理的实践文本，不应引用为论文已经验证的中文规范。

Scaling Law 的边界：从训练多少，到在哪些世界中学习

Fri, 23 Oct 2026 00:00:00 GMT

更多参数、更多数据、更多算力，能否持续换来更强的智能？

Scaling law（规模定律）常被用来支持肯定的回答。但这句话省略了一个关键条件：更强，是在什么任务、什么数据分布上更强？ 对语言模型而言，预测损失下降不等于所有能力同步提升；对需要在环境中行动的智能体而言，这个差别更加具体：一个模型可以越来越擅长熟悉的游戏，却没有越来越擅长陌生的世界。

《Scaling in Games: Continued Pre-Training For Embodied Agents In Diverse Virtual Worlds》把这个疑问做成了实验。论文由米哈游崩坏 AI 研发团队与清华大学、北京大学等机构合作完成，以 Qwen3.5 视觉语言模型为底座，同时考察模型规模、游戏数据量和数据配比，并追问：规模增长带来的收益，究竟能够迁移多远？本文依据论文的 arXiv v1 版本（2026 年 10 月 20 日提交），与 Kaplan、Chinchilla 所代表的经典语言模型 scaling law 作比较。

传统 scaling law：怎样用计算预算换取更低的损失

理解这篇论文，需要先把传统 scaling law 从“越大越好”的口号还原成具体问题。

Kaplan 等人研究的是语言模型交叉熵损失与参数量、数据量和训练计算量之间的经验关系，并据此讨论固定算力预算下的资源分配。它预测的是特定训练与评估条件下的损失，而不是一个脱离任务的“智能总量”。Kaplan 等，2020

Chinchilla 进一步强调参数与数据的平衡，其代表性拟合形式为：

$$ L(N,D)=E+\frac{A}{N^{\alpha}}+\frac{B}{D^{\beta}}. $$

其中，$L$ 是损失，$N$ 是参数量，$D$ 是训练 token 数，$E$ 是常数项，$A$、$B$、$\alpha$、$\beta$ 是拟合参数。结合训练计算量的近似关系

$$ C_{\mathrm{train}}\approx 6ND, $$

就可以研究如何在给定预算下选择模型大小和训练数据量。Chinchilla 的主要结论是：计算预算增长时，参数量与训练 token 数应大致同步增长。Hoffmann 等，2022，§3

这类研究的核心问题是：在给定的数据与训练设定下，怎样分配资源，才能更有效地降低损失？

但如果训练数据来自不同世界，仅用一个总量 $D$ 描述经验，就可能遗漏决定性的差异。相同数量的驾驶、射击和解谜数据，不一定对目标任务同样有用。数据量回答“学了多少”，数据组成回答“学了什么”。

GameScaling：把经验来自哪里纳入研究

游戏让数据之间的差异变得格外鲜明。不同世界不仅画面不同，动作的含义、环境规则与成功条件也可能改变；熟悉一套键鼠操作接口，不等于掌握了所有使用它的世界。

GameScaling 在已有基础模型上做继续预训练（continued pre-training，CPT），把模型规模、游戏数据时长和数据配比作为三个实验轴：4 个模型（0.8B、2B、9B、27B）× 6 档数据预算（50 至 1,600 小时）× 5 种配比，共 120 个训练条件。评估分两层：三级验证损失，以及 MCU、ViZDoom、OmniGameArena、GameWorld 四个游戏基准。GameScaling，§3

它与经典研究的视角差异，可以概括为下表：

比较维度	经典语言模型 scaling law	GameScaling 的研究视角
核心问题	参数、数据与算力如何分配	规模收益如何随数据组成与评估环境变化
数据描述	主要以 token 数表示规模	同时考虑游戏时长与来源配比
学习起点	经典代表主要研究从头预训练	在已有基础模型上继续预训练
主要预测对象	语言建模损失	继续预训练后的验证损失（Minecraft 与语料内）
能力验证	在损失规律之外进行下游评估	区分语料内、未见相关和未见远距离世界
应用约束	训练计算效率是核心问题	交互时还需要考虑响应延迟

这里的“相关”与“远距离”，指评估环境与训练环境在视觉风格、操作方式、物理与目标上的相似程度：OmniGameArena 是没见过的 3D 世界，但导航、瞄准、跳跃、射击等动作在训练语料里有语义对应；GameWorld 以 2D 和 2.5D 游戏为主，差异更大。这是一个定性的分层，并非已经统一量化的距离指标。

也不能因此把传统研究理解为完全忽略数据组成。此前的 D-CPT Law 已经研究了继续预训练中，通用语料与领域语料的混合比例如何影响损失。GameScaling 的公式承接了这条路线；它的价值更多体现在异质游戏世界中的系统实验，以及对迁移边界的检验。Que 等，2024

新公式的关键：数据量与数据配比发生耦合

论文使用的三因素形式为：

$$ L(N,T,\rho)

E+\frac{A}{N^{\alpha}} +\frac{B\rho^{\eta}}{T^{\beta}} +\frac{C}{\left(\rho+\epsilon\right)^{\gamma}}. $$

其中，$N$ 是参数量，$T$ 是游戏数据时长（小时）。若 $r$ 表示游戏轨迹数据中 Minecraft 的比例，预测 Minecraft 验证损失时取 $\rho=r$，预测语料内综合损失时取 $\rho=1-r$。其余符号均为拟合参数；这里的 $C$ 是系数，与前文的训练计算预算 $C_{\mathrm{train}}$ 不同。GameScaling，§4.4

与 Chinchilla 的形式相比，关键变化在于：数据量带来的收益，开始显式依赖数据的组成。

在经典加性形式中，固定其他条件后，增加 $D$ 总会通过数据项降低损失，能降低多少只取决于 $D$ 本身。新形式把 $D$ 换成了游戏时长 $T$，并在数据项上乘以 $\rho^{\eta}$：同样的时长能换来多少改善，取决于其中目标世界的经验占多大比例。因此，“再增加一倍数据能改善多少”不再是一个只看总量就能回答的问题，还必须说明新增的是什么经验，以及在哪个环境中评价。

第三项 $\frac{C}{(\rho+\epsilon)^{\gamma}}$ 用来刻画配比本身带来的差异，正数 $\epsilon$ 保证 $\rho=0$ 时预测仍然有限。它对应实验中的一个现象：完全不使用 Minecraft 数据的 S5 配置，Minecraft 验证损失依然明显低于基座模型。这一项让公式能够描述“没有直接训练过的世界也能获得一定表现”，论文把这类收益归因于跨世界迁移，而不是目标世界的数据量。

需要注意，$\rho$ 不是普适的“世界多样性指数”，它只是相对评估目标而言的一个配比刻度：预测 Minecraft 损失时看 Minecraft 的占比，预测语料内损失时看其余世界的占比。而且五种配比是在同一个训练语料上调整 Minecraft 轨迹的份额——100%、51.4%、27.1%、2.8%、0%，其余轨迹取自其它游戏构成的池子。GameScaling，§3.1

因此，这项实验直接检验的是数据组成与覆盖均衡程度的作用。它尚不能回答：如果持续加入规则完全不同的新世界，通用能力会按什么速度增长。重新分配已有经验，与扩大经验覆盖的世界范围，是两个不同的实验问题。

损失能够继续下降，迁移却有边界

论文把学习过程概括为两个阶段：早期的“接口阶段”带来较广泛的跨世界改善；后续的“世界阶段”则更加依赖训练经验与目标环境的相关性。与此同时，继续增加数据未能持续降低未见游戏的 OOD（分布外）验证损失：论文报告，这类损失在 50 小时之后只是略有回升，20 条曲线皆如此；用同一个公式去拟合，会得到 $\beta\approx 0$，剩下的 $R^2=0.855$ 只反映不同配比之间的静态差异。GameScaling，§4.1、§4.4

可以用一个类比理解这一区别。接口阶段像是学会使用一种新的身体：怎样输出合法动作，怎样通过键盘和鼠标影响画面。世界阶段则更接近学习具体规则：什么值得追逐，什么时候应该躲避，某种操作会产生什么后果。这是帮助理解实验的类比，并非论文已经证明的内部学习机制。

三个轴的作用也落在不同的评估层上。数据量改善语料内与相关环境的表现，却无法在远距离世界持续换来提升；多样性主要改善向相关世界的迁移——1,600 小时、同等规模下，S2–S5 的 OmniGameArena 平均分约为 S1 的 2.8 倍，16 个混合配置全部优于 S1；但到了 GameWorld，多游戏训练只能减缓下降，仍无法让模型稳定超过基座。GameScaling，§4.1、§4.2

早期迁移不能自动保证长期迁移。一个模型可能很快学会“怎样行动”，但后续训练越来越擅长的是“在这些环境中怎样行动”。共享接口为迁移提供了基础，却不能代替对不同世界规则的理解。

模型规模这一轴同样出现了分裂。数据有限时，大模型更省数据：论文报告，达到相当表现最多可少用约 1/32 的游戏时长，50 小时训练的大模型甚至优于训练 1,600 小时的小模型。但收益并不均匀，超过 9B 之后，Minecraft 损失与 ViZDoom 成绩的改善都在放缓。更值得注意的是，在只训练 Minecraft 的配置下，规模越大反而越容易丢掉跨世界泛化：27B-S1 到 1,600 小时后，在三个非 Minecraft 基准上都不如自己的基座模型，GameWorld 最多下降约 17 分。GameScaling，§4.3

这也解释了为什么不能把结果简单概括为“scaling law 失效”。更准确的问题是：哪一个指标仍在随规模改善，哪一个指标已经停滞？

熟悉环境中的损失下降，与陌生环境中的任务表现停滞，可以同时发生。训练目标奖励的是对训练分布的预测，跨环境适应能力则需要独立验证。平均预测损失、具体任务成功率和面对新规则的适应能力，不能相互替代。

同样，论文中的 OOD 验证损失与远距离游戏基准得分属于不同评估：前者衡量离线预测，后者衡量实际交互。二者共同帮助判断迁移边界，但不能被当成同一个指标。

高拟合度能够支持什么

论文对 Minecraft 和语料内损失分别报告了 $R^2=0.982$ 与 $R^2=0.995$（训练损失为 0.980），对应 RMSE 为 0.0020 与 0.0012。更关键的是外推检验：分别去掉 27B 模型、1,600 小时检查点或 50 小时检查点再重新拟合，公式对留出部分的预测误差仍在 0.0016 至 0.0027 之间。GameScaling，§4.4

不过，高拟合不等于参数可辨识。这类公式的指数与系数会彼此补偿：几组不同的参数可以在已观测范围内画出几乎相同的曲线，却在远离数据的地方给出不同预测。论文在附录 C.6 中补充了参数不确定性与替代形式拟合的对比，但外推的可靠性仍会随距离迅速衰减。GameScaling，附录 C.6

因此，这类公式适合帮助规划邻近规模的实验，但不足以把曲线无限延伸，更不能直接据此推断通用智能的发展轨迹。对现有数据拟合得好，并不意味着每个指数都有稳定、唯一的解释；预测损失、解释学习机制和证明能力迁移，是三个不同层次的成果。

当模型必须及时行动，规模还要接受时间的检验

游戏智能体还有一个语言模型损失曲线难以直接表达的约束：行动必须及时到达。

论文用两种设置测同一件事：一种是暂停（time-paused），游戏等模型想完再继续，考察的是决策质量本身；另一种是实时（real-time），游戏在模型思考时继续运行，于是延迟直接进入得分。两者的差距有一部分来自部署方式与接口延迟：在这场对比中，前沿模型每步要花 4–24 秒，而 GameScaling 只需 0.13–0.69 秒；论文摘要称，在实时设置下最多可领先前沿模型 5 倍。GameScaling，§5、§6.2

一次判断即使更准确，如果执行时已经错过行动窗口，也可能降低实际收益。于是，智能体的资源分配问题除了训练预算，还包含模型推理、输出长度与环境变化速度之间的配合。实时得分反映的是模型与部署系统共同作用的结果，不能全部归因于参数量。

从传统 scaling law 到 GameScaling，研究问题因此逐步展开：资源增加如何改善预测，经验组成如何影响迁移，这些改善又能否转化为及时而有效的行动。

建设智能体时，“扩大规模”需要附带更具体的问题：扩大哪类经验，服务哪个环境，改善什么指标，又付出多少行动延迟。回答这些问题，才能让 scaling law 从描述损失的曲线，进一步成为训练和部署决策的依据。

写作说明：本文使用 AI 辅助整理与润色，写作流程参考 Scientific Agent Skills。技术论据来自文中链接的原始论文；解释性类比不作为实验结论。

译文｜Claude Code 团队如何进行代码审查

Sat, 17 Oct 2026 00:00:00 GMT

原文：How the Claude Code team does code review

作者：Addy Osmani、Morgan Westlee Lunt、Qing Wang。原文发表于 2026 年 10 月 15 日，阅读时间约 14 分钟。

以下为中文翻译，文中的“我们”指原作者及其团队。插图取自原文，保留英文标注，并附中文说明；插图版权归原权利人所有。

面对智能体生成代码的速度和规模，我们该如何进行审查？在 Claude Code 团队实现了广泛覆盖、深入细致的审查之后，我们开始优化另一个目标：在不增加回滚和事故的前提下，尽可能减少人工审查时间。

我们之前提到过，Claude Code 自身约 90% 的代码由 Claude 编写。那么，面对这样的代码产量，我们如何进行审查？还有人在读代码吗？如果出了问题，谁来发现？

本文介绍 Claude Code 团队的代码审查流程，以及这套流程的演变。从 6 月到 9 月，Claude Code 代码库中合并的拉取请求（PR）数量增长了一倍以上，而需要回滚的 PR 比例下降了超过 40%。

我们没有取消审查，而是把大部分阅读工作交给机器，将人的时间和注意力用在更有价值的地方，同时大力投入，让撤销错误变得快速、方便。

重新思考代码审查的目的

当智能体开始编写代码时，变更数量会迅速增长。今年 5 月，Anthropic 单体代码库每天合入约 2,500 次变更；到了 9 月，这个数字已经超过 30,000。

Claude Code 使用独立的代码库，与单体代码库分开，但也面临着很大的压力。当交付速度达到这种程度时，人工逐行审查代码会变得极其困难，甚至不可能。

代码审查承担两项任务：

在发布前发现并修复问题。
在团队中建立共同的上下文，加深大家对代码库的理解。

本文主要讨论第一项任务，不过我们会在接近结尾时回到第二项。

我们认为，用“有没有人读过这段代码”来代替下面这个问题，并不够准确：

“这次变更可能出什么问题？应该用哪一种检查——自动检查还是人工检查——来发现它？”

提出这个问题，也改变了审查发生的时机。过去，审查是开发流程末尾的一道关卡：写完代码，提交 PR，然后等待同事审查。

现在，审查持续进行，更像写作时的拼写检查。大部分变更在交给人查看之前，已经至少经过一轮 Claude 的审查和修复。这能发现大多数常见错误，让团队把注意力留给更高层次的问题和更深入的检查。

稀缺的资源：人的时间和注意力

我们希望把人的时间和注意力留给只有人才能解决的问题，其余问题则由自动检查发现。按照我们目前的变更速度，仍然有大量工作需要人来完成，团队几乎每天都会遇到新的挑战。

人的时间包含审查成本的两个方面：一方面是审查代码花费的时间，另一方面是修复有问题的代码所造成的破坏花费的时间。如果节省的审查时间只是转移到了后续修复上，那就没有意义。

因此，我们的目标是：Claude Code 各代码库——包括命令行工具、桌面应用、网页应用和移动应用——中的大部分 PR，最多只需一人参与即可合并，这个人可以就是作者本人，同时不增加回滚或事故。

为了衡量人的时间，我们追踪每个 PR 的人工批准次数，包括中位数和第 95 百分位数，以及人工评论数量、PR 等待人工处理的时长。

回滚率和事故率是约束指标：如果它们上升了，我们就没有节省人的时间，只是把时间成本转移到了别处。

一次变更的完整历程

一次典型的变更，无论起点是工程师的电脑，还是 Slack 中的一次 Claude 会话，都会经过多层代码审查。

图 A｜一次变更的完整历程。 提交前验证 → 每个 PR 的 CI、AI 审查和安全审查 → 按风险决定人工审批人数 → 合并队列重新验证 → 内部先行使用 → 逐步发布 → 监控、修复或回滚。大部分步骤由自动化完成，人的注意力投入到存在风险的地方。

逐层检查

图 B｜多层防线，而非单一关卡。 六层检查，下方还有回滚机制兜底。每一层都能发现一些问题，也会漏掉一些问题。能穿过全部防线的问题很少，剩下的由回滚处理。

1. 在交给其他人查看之前，先验证工作

现在，大部分审查发生在 PR 创建之前。

我们会给 Claude 一种可以实际执行的验证方式，比如测试、构建，或者用于与设计稿比较的截图，并要求它展示执行结果，而不是只说“完成了”。随后，再由一个拥有全新上下文的子智能体审查代码差异。这两种做法都来自我们的最佳实践指南。

在创建 PR 之前，我们中的许多人还会运行几项内部技能：一项寻找缺陷，一项简化代码改动，一项检查端到端行为。界面变更还要对照设计规范进行检查。

Claude Code 的创建者 Boris Cherny 曾表示，给 Claude 一种验证自己工作的方式，可能是获得良好结果最重要的一件事。他估计，这能让最终结果的质量提高到原来的两到三倍。他写道：

不同领域的验证方式不同。它可能只是运行一条命令，也可能是运行测试套件，或在浏览器、手机模拟器中测试应用。

如果自动审查器不断指出同一类问题，我们就从源头解决：改进技能、增加静态检查规则，或者更新以下指导文件：

CLAUDE.md 告诉 Claude 这个项目是什么，包括技术栈、约定、目标和非目标。每次审查都会加载它，因此在大型代码库中，我们会让它保持简短，并通过链接指向其他文档。审查器也会指出违反其中约定的代码，以及导致其中某条说明过时的变更。
REVIEW.md 由代码负责人编写，告诉审查器在他们负责的代码中，哪些事情最重要。我们还会单独检查审查器是否真的遵守了它。好的 REVIEW.md 都很简短：明确说明这个代码库中什么算失败，例如文档的失败是“内容不实”，配置的失败是“路由错误”；限制细枝末节类评论的数量；列出应跳过的路径；要求提供文件和行号作为证据，而不是根据名称猜测。它还会要求审查摘要先给出问题数量，并在没有需要修复的问题时直说。

2. 每个 PR 都接受 AI 审查

每个 PR 在交给人查看之前，都会先经过 Claude 审查。它会结合整个代码库和 PR 声明的意图阅读代码差异，并提出这些问题：这次变更解决了它要解决的问题吗？是否适合现有系统？是否会破坏其他功能？

对于缺陷修复，它会寻找根本原因。公开版本 Code Review for Claude Code 现已向 Team 和 Enterprise 套餐正式开放，而 /code-review 可以在本地运行一个更轻量的版本。

在我们推出研究预览版时，内部 PR 中收到实质性审查意见的比例，从 16% 提高到了 54%。大多数超过 1,000 行的 PR 都会被发现问题，而大多数小型 PR 则会顺利通过。管理员可以为每个代码库选择 Quick、Standard 或 Deep 模式。如果漏掉一个缺陷的代价高于额外的审查时间，Deep 模式就是值得的。

在人工查看之前，其他智能体会先验证审查发现的问题。多个智能体同时寻找缺陷，随后由另一组智能体对每项发现投票。只有足够多的智能体认定问题确实存在，它才会被发布出来。

仅涉及风格、诊断信息或代码清理的问题会被过滤掉。在保留这些过滤规则之前，我们先在自己的 PR 上进行了 A/B 测试。最终留下的问题会以行内评论的形式展示，并按严重程度排序。

每项问题都会标记为“重要”（Important）、“细节”（Nit）或“既有问题”（Pre-existing），这样就不会让一个并非由当前 PR 引入的缺陷，看起来像是作者的责任。

每项发现都必须得到回应：要么修复，要么说明理由并将讨论标记为已解决。很多时候，智能体会在夜间接手修复，因此作者第二天回来时，PR 已经又完成了一轮修改和审查。

3. 能够阻止合并的安全审查

安全问题也有独立的自动审查。

只要缺陷审查或安全审查中仍有未解决的问题，PR 就不能合并。你需要修复问题，或者简要说明原因并关闭讨论；误报就是通过后一种方式处理的。

如果后续提交修复了问题，对应的发现会自动清除。你可以使用开源的安全审查 GitHub Action，或者 /security-review 命令，建立同样的机制。具体设置方法见 Claude Code 自动安全审查文档。

4. 能够阻止合并的自动检查

这些都是常规检查：静态检查、类型检查、所有平台上的测试，以及构建。我们之前也介绍过如何扩展持续集成系统，以应对这样的变更规模。

一个典型的命令行工具 PR，在任何人查看之前，可能就会运行数十项检查。PR 模板要求说明变更是如何测试的，以及如何撤销。Claude 可以填写这些内容，但提出变更要求的人必须确认认可。

5. 根据风险安排人工批准

修正文档和修改自动更新器的风险不同，因此它们需要不同程度的审查。

风险	示例	人工批准要求
低	文档、文案、仅内部使用的功能、置于功能开关之后的新增功能	自动审查和安全检查通过后，无须人工批准
中	一般产品变更，以及缓存、自动更新器、系统提示词等敏感区域的变更	一人批准
高	风险最高的代码，以及少量始终要求两人审批的路径	两人批准

风险等级由变更内容决定，而不是由作者决定。

一个分类器会阅读变更并确定其风险等级。第二个分类器则会判断：即使按照该等级不需要额外审批，这次具体变更是否仍然需要另一个人参与。

有些路径始终需要人工参与，包括代码负责人列为敏感的部分，以及任何持续集成工作流文件。

只有受信任的作者才能使用较宽松的审批路径。这些作者必须位于代码库的信任名单中，通常主要是负责该代码库的团队成员。其他所有人都需要第二个人批准。

智能体的批准也绝不会被算作人工批准。自动审查可以放行低风险变更，但不能填补明确要求由人承担的审批名额。

谁发出指令要求进行变更，谁就要为它负责。对于智能体编写的 PR，指挥智能体的人会被计入所需的审查人员，就像代码是他亲手编写的一样。

一次批准只覆盖某个特定提交。如果出现系统无法担保的新提交，例如智能体推送的提交，或由人手动解决冲突后的合并提交，就必须重新批准。

6. 合并队列、功能开关和逐步发布

合并队列会把变更应用到主分支上，然后重新运行所有检查，防止两个单独测试都通过的 PR，组合起来却破坏主分支。

新行为通常会先置于功能开关之后，向 Anthropic 员工发布。内部高强度使用经常能在用户遇到问题之前发现回归。

公开版本先进入 latest 渠道，stable 渠道则会稍晚一些。

7. 快速发现，快速回滚

仍然会有一些错误穿过所有检查，因此最后一层防线的重点是迅速发现问题。

功能开关无需重新部署就能关闭。Claude Code 实行按周轮换的值班制度，事故复盘会追问：这个问题本应由哪一层发现？

目前，发现有问题的合并，仍然需要依靠作者、值班人员，以及回滚和事故监控面板。

我们还没有实现这样的熔断机制：当这些指标发生变化时，自动收紧审批要求。团队中的工程师希望，在更多代码进入无需人工参与的合并流程之前，先建立这类机制。

一位同事说，放慢速度确实能降低错误率，但主要原因是你做的所有事情都变少了。我们更希望提高发现和修复问题的速度。

我们如何改进审查器

我们的代码审查流程始终处于持续改进的循环中。

现在，每次事故都会成为一个评测案例。团队收集过去引发事故的 PR，以及对应的后续修复和回滚，再请熟悉相关代码的工程师确认每个缺陷及其所在位置。审查器每天都会在这组数据上运行。

图 C｜事故就是我们的评测数据。 评测集由历史事故和回滚案例构成，每天运行；每次事故都会扩充评测集，审查器的每次变更都要在完整评测集上评分。

我们通过观察人们如何处理审查评论来衡量噪声。如果不介意报告大量并非缺陷的问题，那么发现更多缺陷并不难，因此我们需要约束这种情况。

我们根据 PR 参与者的回应，对审查器留下的每条评论进行分类：他们修复了问题、认为评论有误、说明该行为是有意设计的，或者判断它无关紧要。

我们还会让审查器检查已知没有问题的 PR，统计它报告的问题中，有多少会诱导别人做出有害修改。

我们明确写下的优先级是：首先发现真实缺陷，其次减少审查轮数。

当作者是智能体时，噪声的成本更高。人可以在几秒钟内忽略一个细枝末节的问题，智能体却会动手修复，进而产生一个新提交和新一轮审查。

审查必须能够收敛。智能体作者和智能体审查器可能让彼此无限忙碌下去。有一个命令行工具 PR，在一夜之间经历了超过 50 轮审查和修复，最后才被作者叫停。

我们对审查器不断指出的代码运行 git blame，发现其中约 59% 的代码从第一轮审查时就已经存在。审查器很少发现新的缺陷，而是在每一轮中再找出一些旧缺陷。

我们自己的习惯也加剧了这个问题。因为每轮审查都会发现新问题，我们已经习惯默认运行多轮审查。对高风险变更来说，这可能值得，但不该用于每一个 PR。

现在，团队除了追踪召回率，也会追踪通过审查所需的轮数，并调整了重复审查的方式：

限制轮数。 三轮之后，审查器会要求作者退一步，重新考虑实现方案。
最初几轮之后，只重新审查新增的代码差异。
指出缺陷所属的类别，让作者修复所有同类情况，而不是只改一行。
不重复报告已经发布过的问题。

审查智能体还会每晚检查现有代码，帮助我们在旧缺陷于其他地方暴露之前发现它们。

图 D｜能够收敛的审查。 调整前后内部 PR 的对比显示，改进收敛机制后，每个 PR 所需的审查轮数减少了。

图中指标	改进前	改进后
一轮审查与修复后通过的比例	65%	78%
需要五轮及以上的比例	8.9%	1.5%
通过审查所需的平均轮数	2.08	1.32

哪些环节仍然需要人

让一名资深工程师从深度工作中抽身，去发现一个常见错误，其代价远高于一次自动审查。

在 Anthropic，我们的工作已经从阅读每一份代码差异，转向机器不擅长的决策：

我们究竟该不该做这件事？ 包括方向、品味和范围。有个团队宣布审查瓶颈已经解决，但仍然保留了对团队外部变更的人工审查，确保有人会问：“我们到底该不该做这个？”
高风险代码。 例如计费、自动更新器和持续集成工作流。
会成为后续范例的架构。 因为其他人会模仿这些设计。
阅读证据。 包括测试输出、执行的命令及其返回结果、截图，以及审查器发现的问题。如果你说不清这些检查会漏掉什么，就应该要求一次真正深入的审查，而不是快速批准。
对结果负责。 无论代码是谁写的，每次上线变更都必须有人承担责任。

图 E｜由人作决定的地方。 五类决策仍由人负责，其他地方则广泛运行自动检查。人的工作从阅读每份代码差异，转向机器不擅长的判断。

在团队中共享上下文

代码审查的第二项任务，一直是传播对代码库的理解。阅读同事的代码差异，是了解发生了什么变更、各部分如何配合的一种方式。

如果大部分阅读工作都由机器完成，人又该如何学习代码？

我们没有为此建立正式流程。团队里没有人会在脑海中保留 Claude Code 完整的心智模型，我们也不认为有人需要这样做。

当某人想理解代码库中的某个部分时，就让 Claude 针对那个具体部分写一份说明。只需几分钟，而且说明反映的是代码当前的实际状态。

图解｜机器读代码，人如何学习？ 先确定想理解的部分，例如托管设置，再向 Claude 提问：“Claude Code 如何获取托管设置？”Claude 可以生成说明，也可以创建小型可视化作品，以适合个人的方式帮助理解。

我们中的一些人还会更进一步，让 Claude 制作一个小型可视化作品，展示那部分代码，并按照自己喜欢的学习方式来讲解。

如果目标是合理使用人的注意力，这比逐行阅读琐碎的代码差异更有效。修改一行文案，几乎教不会你什么；而一份解释你即将修改的模块的说明，则能让你学到很多。

我们默认在公开 Slack 频道中开展工作的文化也有帮助，因为你能在其他人开发的过程中，看到他们正在构建什么。

“谁合入，谁负责”

如果你合入了一项小型或中型变更，之后仍然出了问题，团队的惯例是通常由你来修复。

以下几点让这套做法能够良好运转：

变更规模小，因此容易审查、调试和回滚。
一切都可以撤销。功能开关、回滚和分阶段发布，让大多数错误能在几分钟内被撤销。
影响范围决定要求。出错代价高的代码，需要更多人参与、更多检查。
遥测和内部使用能快速暴露回归。
这不是追责。由你修复，是因为你最了解上下文；事故复盘关注的是系统。

责任也是共享的。团队中的许多人在公开频道工作，任何人都能看到别人正在构建什么、接手某段讨论，或者让 Claude 去补上某个缺口。反馈也来自并不负责相关代码的人。

这种开放性，是我们无需对每一行代码都设置人工关卡、仍能保持高质量的重要原因。

我们什么时候改变方向

智能体让启动工作的成本变得很低，因此有些工作最终就不应该合入。

通常，频道里会有人问为什么要做、指出之前已经作出的决定，或者提出更简单的路径。随后，作者会关闭 PR，或重新调整它。

因为代码写得很快，关闭 PR 并不会让人觉得损失很大。

关键是尽早在讨论中提出不同方向，而不是等 PR 已经完成，再留下一条阻止合并的评论。

你的团队如何采用这套流程

现在，实现这套流程所需的大多数组成部分都已经具备。

创建 PR 之前

给智能体提供它能够执行的检查，将其列在简短的 CLAUDE.md 中，并设置自动运行格式化工具和静态检查工具的钩子。
在本地运行 /code-review 和 /security-review，或者让拥有全新上下文的子智能体进行审查。
添加 REVIEW.md，把反复出现的审查意见整理进去。

每个 PR 都要做的事

强制通过持续集成检查，并在 PR 模板中加入“测试”“风险”和“如何回滚”。
先在一个代码库中引入 AI 审查器，例如 Code Review for Claude Code 或 Claude Code GitHub Action；用几周时间调整 REVIEW.md，再扩大使用范围。
添加自动安全审查，并要求所有审查讨论都得到解决后才能合并。
让审查力度与风险相匹配：常规变更快速检查，漏掉缺陷代价高的变更深入检查。在 Code Review 中，对应 Quick、Standard 和 Deep 模式。
限制审查轮数；最初几轮之后，只重新审查新增差异。

批准机制

明确写下风险等级，由变更内容而非作者决定；开始时严格一些，再根据证据逐步放宽。
只让受信任的作者使用较宽松的审批路径。
使用 CODEOWNERS 和分支保护，让身份认证、计费、持续集成与发布工作流，以及安装程序，始终需要人工参与。
绝不让机器人的批准替代规定的人类批准；出现新提交时，撤销原有批准。

合并及之后

使用合并队列、功能开关、内部先行使用、分阶段发布，以及一键回滚。
将事故和回滚转化为评测集；每当审查器的提示词、工具或模型发生变化时，重新评分。
衡量人的时间，并以回滚率和事故率作为约束指标。

接下来会如何发展

Code Review 的发布公告曾表示，批准 PR 仍然是人的决定；产品负责报告发现的问题，而不负责批准。

我们自己的代码库走得更远一些：允许负责人决定哪些低风险变更可以仅凭自动检查合并，而且这条边界仍在不断变化。

当审查漏掉问题时，我们会追问：模型当时缺少什么信息？随后，把相应改进加入 CLAUDE.md、某项技能，或者新的检查中。

目标始终没有改变：减少每次变更所需的人工时间，同时不让回滚变得更多。

如果你的团队允许智能体创建 PR，我们很想听听：哪些检查已经自动化，哪些仍然需要人，以及你认为我们哪里做得不对。

感谢 Emma Webb、Michael Segner 和 Amie Rotherham 对本文的审阅。

阅读英文原文

智能体如何积累经验：记忆与 Dreaming 讲座图文指南

Thu, 15 Oct 2026 00:00:00 GMT

模型越来越聪明，智能体为什么仍会重复犯错？这场讲座介绍了一条可实践的路线：按需读取上下文，把经过验证的经验保存为记忆，再通过会话外复盘持续整理。

讲座视频与中文字幕

讲者：Lamis Mukta，Anthropic Applied AI。讲座：Learning while you sleep: Beyond memory to dreaming，AI Native DevCon London 2026。时长：31 分 58 秒。

<video controls playsinline preload="metadata" poster="/images/agent-memory-dreaming/video-poster.webp" style="width:100%;aspect-ratio:16/9;border-radius:12px;background:#111" aria-label="Lamis Mukta 记忆与 Dreaming 完整讲座，附简体中文字幕"> <source src="https://github.com/LTisatis/LTisatis.github.io/releases/download/lecture-dreaming-2026-10-15/lamis-mukta-dreaming-zh.mp4" type="video/mp4" /> <track kind="subtitles" src="/media/agent-memory-dreaming/lecture.zh-CN.vtt" srclang="zh-CN" label="简体中文" default /> 浏览器无法播放时，请使用下方视频下载链接，或前往 YouTube 原视频观看。 </video>

播放器默认提供简体中文字幕，可在字幕菜单中切换。字幕根据英文自动字幕翻译并整理，专业名词可结合原讲座核对。若视频加载较慢，可下载后离线观看。

下载完整视频（1080p，内封中文字幕，约 268 MB） · 下载中文字幕 SRT · 下载简洁图文指南 Word · 观看 YouTube 原视频

图文学习指南

下面保留核心概念、五步任务流程、复盘方法和一个纠错示例。流程是对讲座机制的简化应用建议，截图取自原视频，图下附中文解读。

一先理解三个概念

上下文：完成当前任务所需的信息。先看索引和简述，命中后再读正文，避免一次加载全部资料。

记忆：可供后续任务检索的经验。保存适用条件、做法和证据；临时推测先留在草稿中。

Dreaming：在当前任务之外分析多次会话，发现重复问题，提出并验证记忆修改。它更新外部信息，不等同于训练模型参数。

图 1 记忆系统的演进｜08:10

读图：单文件说明 → 记忆工具 → 流程技能 → 智能体可读写的文件式记忆。借鉴重点是按需加载，并让已验证的经验能够复用。

二每次任务按五步执行

步骤	具体动作	应留下的结果
1 明确任务	确定交付物、验收标准和约束。	目标与验收条件
2 按需读取	检索相关记忆，核对来源、版本、适用范围与权限。	采用的条目及版本
3 执行并记录	完成任务，记录关键纠正、失败和验证结果。	可追溯的事件记录
4 提炼经验	验收后去重；只有原因和适用条件明确，才形成候选记忆。	候选条目及证据
5 验证并更新	检查效果与冲突；按授权发布，保留旧版本。	生效记忆或待验证事项

三一条好记忆应回答什么

何时使用？具体怎么做？如何验证？何时不适用？这四个问题答不清，就先保留为候选，不写成长期规则。

简易模板：标题与适用范围 → 触发条件 → 操作步骤 → 验证方法 → 来源证据 → 失效条件与版本。记忆不必多，关键是下一次能找到、能用对。

图 2 版本与并发控制｜11:30

读图：版本记录帮助追溯与回滚；写入前后检查内容是否变化。工程实现还需确保比较与写入是原子操作，避免并发覆盖。

四 Dreaming 怎样开展复盘

图 3 Dreaming 内部流程｜22:50

读图：复制输入记忆库，由编排智能体组织子智能体分析各次会话，再整理输出记忆库。下文把这一机制归纳为四个可执行步骤。

准备输入：固定一个记忆库版本，选取权限匹配的会话，保留用户纠正、工具调用、失败和验收结果；设定时间与资源预算。

定位原因：归类重复问题，比较成功与失败案例。先判断是知识缺失、检索遗漏、流程问题，还是工具故障。重复出现只能提示优先调查，不能直接证明原因。

提出修改：给出新增、修订、合并或停用建议，附来源案例、适用范围和修改理由。先形成可审阅的差异，避免直接覆盖记忆。

验证发布：检查原问题是否改善、正常任务是否被误伤。通过验证并取得所需批准后发布；证据不足则保留候选，没有有效修改也可以结束。

五牢记三个运行边界

权限边界：能读取不等于能修改。组织规则按授权流程更新；外部网页、日志和历史对话不能自动成为新指令。

写入边界：程序负责权限、版本与并发校验。版本比较和写入应作为原子操作；发现冲突就重新读取，出现退化就暂停或回滚。

能力边界：持久记忆和后台复盘需要实际的存储与调度。只有完成写入，并在后续任务中读取，经验才真正进入工作流程。

六用一个例子检验理解

问题：修改接口后，智能体遗漏了某个客户端。先补齐修改并验收，再记录遗漏原因。若缺少客户端清单，就补充知识；若清单存在但没检索到，就改进索引；若读到了仍遗漏，就把验证加入检查步骤。不同原因需要不同修复。

候选记忆可以写成：“接口结构变化时，检查项目现有客户端并执行对应更新；运行相关检查确认同步。”再补充项目范围、证据和不适用条件，用新任务验证后发布。

学习后检查

能否解释记忆与临时草稿的区别？能否写出有适用条件和验证方法的条目？能否判断一个失败是否需要修改记忆？能否说明更新如何审核与回滚？

衡量改进时，关注重复错误率、人工纠正次数、完成时间，以及执行与复盘的总成本。记忆数量和文件长度不能代表学习效果。

回看重点与资料来源

时间	主题
03:43	记忆系统的演进
10:42	版本与并发控制
18:12	Dreaming 概念
21:45	复盘系统设计
27:24	现场问答

视频与截图来源：AI Native Dev 官方讲座录像。讲者与议程信息：主办方讲者页。中文翻译、图解和学习指南为本站整理；讲座内容及原始画面归原作者与主办方所有。

碎碎念：codex 的输出速度真的好慢

Thu, 15 Oct 2026 00:00:00 GMT

codex的输出速度真的好慢，我现在都用deepseek当论文翻译器，codex只用来理解和细化了

注：本评论由codex上线

更新：突然发现通义千问的翻译效果好像更好

再次更新：逆天通义把定性评分QS翻译成了量子系统...还是不要用通义了

科研文件夹整理 Skill 上线：让材料、实验与进度有处可查

Thu, 15 Oct 2026 00:00:00 GMT

我把此前的科研工作流整理成了一个可复用的 Skill：research-folder-organizer（科研文件夹整理），当前发布版本为 1.1.0。

这个 Skill 基于本站文章《AI时代的科研工作流总结》制作，将文献、论文复现、自有实验、数据与进度交接的组织方式落实为可执行的整理流程。

它主要能帮忙做三件事：

初始化科研目录，或沿用已有结构整理散落材料。
按需补充研究思路、实验结果、测评规则、数据说明和交接记录。
记录文件迁移、检查路径引用，让后续工作能够追溯和接续。

整理时会保留原始数据和历史结果；归属不明的文件先留在原位，缺失的实验信息如实标注。技能包还附带只读盘点工具、记录模板和评估案例。

加载技能后，可以这样使用：

请使用 $research-folder-organizer 整理「科研项目路径」，沿用现有结构并补齐必要记录。

查看 GitHub 源码 · 下载 1.1.0 技能包

欢迎试用，也欢迎反馈具体的整理需求和遇到的问题。

IdeaScientist 阅读笔记：AI 怎样提出有依据的研究方案

Mon, 12 Oct 2026 00:00:00 GMT

AI 能写出一份像论文的研究计划，已经不难。更难的问题是：它提出的想法有没有文献依据？是不是把已有方法换了个名字？看起来可行的方案，究竟要怎样验证？

IdeaScientist: Orchestrating Agents for Grounded Scientific Ideation 研究的正是这个环节：给定一个研究问题和现有方法尚未解决的挑战，生成有依据、可检验的研究方案。论文的 arXiv v1 发布于 2026 年 10 月 2 日。本文依据这一版本及作者提供的论文源码阅读，重点讨论方法、实验是否严谨，以及对我们使用 Codex 的启发。

先看重点

最值得借鉴的流程：从相近工作找缺口，围绕共同的问题结构去其他领域找机制，再写成可以被实验推翻的方案。

最值得注意的结果：在 Qwen 骨干的比较中，未训练框架已领先最强同骨干基线 12.9 个百分点；强化学习再提高 1.1 点。

最需要谨慎的解读：训练版的 14.0 点综合分优势中，约 9.3 点来自“跨场景机制迁移”这一指标。人工评审没有显示它显著胜过 DeepScientist。

对我们的直接启发：先把证据、缺口、候选机制和验证计划分别留下，再让 Codex 成稿。方案写得完整，不代表方案已经成立。

1. 论文到底在解决什么问题？

很多“自动科研”系统会连续完成提出想法、写代码、做实验和写论文。这样做很有吸引力，却不容易定位成功来自哪里：是想法好，还是代码实现可靠，或者系统试了很多次，终于找到一个有利结果？

IdeaScientist 把科研构想生成单独拿出来评估。它的输入由两部分组成：

问题定义：任务接收什么输入，需要产生什么输出。
挑战：现有方法在哪个方面不能满足需求，例如质量、延迟、隐私或适用条件。

它的输出是一份研究方案，包括方法、相关工作、评价计划、预测和局限。论文没有系统执行这些方案，因此评价对象主要是方案文本及其论证。

这里有一个容易忽略的前提：系统并不是从完全开放的世界中自行发现值得研究的问题。测试中的问题和挑战，由已经写成的论文重构而来。这使任务更清楚，也意味着结果不能直接代表现实科研中“从模糊现象找到问题”的能力。

2. 核心方法：找缺口、找机制、写方案

先把几个词翻译成人话。

研究缺口是现有方法还不能解决的具体困难。例如，“某类方法在长输入下需要重复进行昂贵计算，导致延迟上升”。只说“效率还有提升空间”，还不足以指导研究。

机制是一个方法为什么起作用的因果或设计逻辑。例如，先用便宜步骤筛选，再把昂贵计算集中到少量候选上。机制可以跨领域使用，但输入条件、误差代价和适配方式必须重新检查。

可证伪预测是提前说明什么观察会支持方案、什么观察会推翻方案。它让研究计划从“应该会有效”变成“可以据此决定是否保留”。

三个主要角色各做什么？

阶段	主要问题	必须留下的产物
Gap Finder：找缺口	最相近的已有方法为什么还没解决挑战？	带文献出处的方法缺口
Innovator：找机制	其他问题场景有没有解决类似困难的机制？	候选机制、共同结构、适配条件
Report Writer：写方案	怎样把候选机制变成可执行的研究计划？	方法细节、对照实验、预测和失败边界

另外，调度者负责安排步骤和决定是否回到前一阶段；论文阅读者在独立上下文中阅读全文，返回针对问题的摘要；评审者检查证据和新颖性，要求保留、修改或放弃候选方案。

这套流程的价值，在于让不同阶段的错误有地方可以追查：缺口引用错了，就回去读论文；迁移条件不成立，就修改机制；评估计划无法区分方案与基线，就重写实验。最终文本之前有一串可以检查的中间产物。

一个帮助理解的例子

下面是解释流程的假设示例，不能当作论文已经验证的结果。

假设我们想降低文献检索工具的响应延迟，同时尽量不损失相关文献的召回率。

第一步，找缺口：检查相近系统，确认延迟究竟来自大范围检索、全文读取，还是昂贵的重排序。假如主要瓶颈是对所有候选都使用昂贵模型，那么缺口就具体了：当前流程没有区分“需要精细判断”和“明显不相关”的候选。

第二步，找机制：推荐系统中常见的两阶段处理，可以提供一个候选思路——先以较低成本召回候选，再对少量候选精排。这里的共同结构是：候选很多，精细判断昂贵，而最终需要的结果较少。

第三步，检查适配：文献检索可能更怕漏掉罕见但关键的论文。第一阶段如果过早删除候选，第二阶段就无法补救。因此需要考虑召回保护、候选数量和不确定性，而不能只把推荐系统的名字搬过来。

第四步，写可检验方案：在同一查询集合上，与现有流程比较延迟、召回率和遗漏的关键文献。若加速来自大量漏检，或者便宜筛选本身已经很慢，这个方案就需要修改或放弃。

这个例子也说明：跨领域迁移本身不能保证创新。如果目标领域早已有类似做法，重新发现它只能算有依据的借鉴。创新还要与最接近的本领域工作比较。

论文如何约束“听起来很新”的想法？

创新者不能只写一句“借鉴某领域的方法”。它需要交代来源问题、借用机制、两边共享的结构、目标场景的适配、成立假设，以及与本领域近邻工作的差别。方案撰写者再把这些内容落实成模型或方法细节和评估计划。

两个角色都使用文献检索工具。区别主要来自检索问题和任务要求：找缺口偏向本领域相近工作，找机制偏向不同问题场景。读者不应把它理解为某个神奇的跨领域搜索引擎。

3. 数据和训练：系统从哪里获得依据？

文献库与训练样本是两件事

论文构建了 Svalbard Idea Vault 离线文献库，报告约有 470 万篇文献、280 万篇全文，并从文献中重构约 277 万条研究构想记录。每条记录包含问题、挑战、缺口、直觉和方案等内容。

这里的“人类参考”来自人类撰写的论文，但结构化记录主要由模型提取。它并不是数百万份研究者亲自标注的构思过程，也不记录作者真正如何一步步想到方法。

用于训练与评估的机器学习方法论文，共筛选出 14,977 篇：14,500 篇训练、200 篇验证、277 篇测试。作者过滤了综述、数据集、基准和一些非方法型工作，并对引用全文可用性提出要求。

在重构参考方案时，作者移除已测得的实验结果，保留方法设计和相关内容。这样可以减少“把结果直接告诉系统”的问题，但参考方案仍然来自事后完成的论文。作者抽查 50 个问题输入，没有发现目标方法泄露；0/50 的抽查结果有参考价值，不能证明全量数据完全没有泄漏。

为什么不只给最终方案打分？

长流程最终得分低，可能是缺口找错、机制适配失败，也可能只是报告遗漏了评估计划。如果只给最后一步奖励，很难告诉前面的角色该改哪里。

论文因此分别训练三个专业角色，使用 LoRA 和异步 GRPO。可以粗略理解为：LoRA 让模型通过较小的附加参数学习角色任务；GRPO 让同一任务的多个候选输出相互比较，再据此更新模型。调度者没有随这三个角色一起训练。

训练奖励结合了几种信号：

独立质量：产物是否具体、合理、有证据。
参考相符程度：是否抓住参考研究中的实质内容，同时允许有效的替代思路。
引用重合：引用集合与参考集合的 F1，也就是精确率和召回率的综合。
流程合规：工具调用、格式和必需字段等是否满足要求。

论文将前三项平均后通过有效性门控，再与流程奖励组合。引用重合不等于引用真的支持论断；阶段奖励提高，也不等于真实科研成功率提高。理解这个区别，才能正确看待训练曲线。

4. 主要结果：提高了多少，具体提高了什么？

先读懂评分表

主评审模型是 Qwen3.6-27B，另外四个模型用于交叉核验。方案质量由相关性、清晰度、具体性、可执行性、技术合理性和潜在影响六项构成。

新颖性由三项组成：

指标	实际含义	阅读时注意什么
All	相对于提供给评审的、不限时间的相近文献，方案有多少新增内容	并非穷尽全世界论文后的查新结论
Cutoff	相对于时间截断前的相近文献，方案有多少新增内容	不控制基础模型参数中的所有知识
In-domain	是否有明确的跨问题场景机制迁移，并解释共同结构与适配	这是二元判断的比例，名称容易让人误解

All 和 Cutoff 是评分后换算到百分制的数值，In-domain 则是满足条件的方案占比。三个分项被等权平均为“平均新颖性”，再与“平均方案质量”等权平均得到综合分。

因此，综合分既包含质量与新增内容的判断，也包含某种特定研究行为是否出现。它不能直接读成“研究成功的概率”。

277 个测试任务上的主要比较

系统与骨干模型	平均新颖性	平均方案质量	综合分
DeepScientist · Qwen3.6-27B	43.8	77.5	60.6
IdeaScientist-Base · Qwen3.6-27B	66.9	80.0	73.5
IdeaScientist-Trained · Qwen3.6-27B	68.8	80.4	74.6
Claude Code · Claude-4.8-Opus	51.9	85.5	68.7
Codex · GPT-5.4	54.7	84.4	69.5
IdeaScientist-Base · GPT-5.4	61.0	82.8	71.9
IdeaScientist-Base · Claude-4.8-Opus	69.8	85.7	77.7

这里摘录了与讨论最相关的系统；完整分项及其他骨干模型的比较见论文 Table 1。

同骨干比较最有解释力：训练版比 DeepScientist 高 14.0 个百分点，其中未训练框架已经贡献 12.9 点，训练再增加 1.1 点。训练版相对 Base 的平均新颖性增加 1.9 点，方案质量增加 0.4 点。

这说明，在这套任务和评价下，流程组织带来的变化比后续训练的增量更大。但流程同时改变了分工、提示、检索和修订，不能仅凭这张表认定某一个因素造成了全部提升。

不同骨干的表格也不能用来概括“27B 模型全面胜过更强的模型”。Claude 骨干的 IdeaScientist-Base 综合分达到 77.7；Claude Code 与 Codex 在方案质量项上的分数，也高于训练版 Qwen 系统。对用户而言，更相关的问题是流程能否改善自己的任务结果。

拆开看那 14.0 点优势

根据论文的评分权重，综合分可以写成：

$$ \mathrm{Overall}=\frac{\mathrm{All}+\mathrm{Cutoff}+\mathrm{Transfer}}{6}+\frac{\mathrm{Quality}}{2} $$

这里用 Transfer 表示论文名为 In-domain 的迁移比例，方便理解。用表中的分项计算训练版相对 DeepScientist 的差距：

分项	原始分数差	对综合分差距的贡献
All	67.3 − 57.6 = 9.7	约 1.62 点
Cutoff	68.3 − 58.5 = 9.8	约 1.63 点
跨场景迁移比例	70.9 − 15.2 = 55.7	约 9.28 点
平均方案质量	80.4 − 77.5 = 2.9	约 1.45 点

合计约 14.0 点，其中约三分之二来自迁移指标。

这是我们根据论文数据做的算术分解，不是作者另做的一组实验，也不是因果分析。它说明总分对权重与指标定义敏感。如果去掉迁移项，让剩余两项新颖性的平均值与方案质量重新等权，训练版仍领先约 6.3 点。不过这已经是另一个评价口径，不能用它替换论文报告的结果。

5. 实验是否严谨？分开看证据强度

我的判断是：这篇论文对流程在其基准上的价值提供了较丰富的证据，但对真正的科研原创性与实验成功率，证据仍有限。下面说明依据。

扎实的部分：没有只依赖一张主结果表

作者报告了数据划分、角色训练与工具设置，比较多个系统，并检查角色消融、检索范围、推理预算、多模型评审和人工盲评。这些实验让读者能够区分流程、训练与评价的一部分影响。

所谓消融实验，就是去掉或替换系统的一部分，观察表现是否改变。加入缺口发现者和创新者后，新颖性提高，支持这些步骤在当前设置下有用。不过新增步骤也引入更多计算，仍不能完全隔离“专业分工”与“花了更多资源”的贡献。

跨领域检索增加了迁移，原创性的提升较小

将创新者从同领域检索改为跨领域检索后，迁移比例从 36.3% 提高到 67.0%。All 和 Cutoff 的提升分别约为 5.3 和 3.7 个百分点。

作者还做了更严格的“机制非显然性”检查：让评审根据最接近的已有工作提出可能的机制，再比较生成方案是否超出这些容易想到的候选。这项指标只从 33.5% 提高到 35.7%。

两类结果应一起看：系统明显更经常进行跨场景迁移，但对“提出不容易从近邻工作想到的机制”，观察到的提升小得多。小幅提升不能证明机制没有价值，却提醒我们别把“跨领域”自动等同于“原创”。

人工评审没有完全支持自动排名

两名标注者对 50 个任务的方案做匿名成对比较。训练版对多数基线的胜率为 75% 至 92%；对 Base 为 57%，对 DeepScientist 为 43%，后两项差异都没有达到统计显著。

怎样理解“没有显著差异”？样本中的偏好不足以清楚排除随机波动。它不证明两个系统完全一样，也不能因为 43% 低于 50% 就宣布 DeepScientist 显著更好。尤其在只有 50 个任务时，细小差距需要更充分的评价。

另外，两位专家的方案质量评分相关系数为 0.56；表现较好的三个模型评审与专家平均分的相关系数约为 0.51 至 0.59。它们有一定一致性，但距离可以互换还有明显差距。

这也解释了为什么自动评审很适合快速筛选，却不足以单独裁定研究价值。论文的数据重构、部分生成与奖励、主评审涉及相同模型家族，多评审能缓解单一偏好，却不能完全排除共同的表达风格偏好。

时间截断减轻泄漏，但不是严格预测未来

生成时，检索限制在 2026 年 1 月 1 日以前的文献；训练、验证和测试的目标论文都来自该日之后，并在这些目标论文中划分留出集。

这个设计控制了检索工具能读到什么，但有两点边界：一是基础模型参数中的知识难以完全控制；二是训练目标本身也来自截断后的论文，因此不能说整个系统只用截断日前的知识学习。

作者做了标题记忆探测，每个模型抽查 10 篇目标论文，没有发现明显标题记忆。这是有用的排查，但模型记不住标题，仍可能熟悉相近的方法或改写后的内容。

更稳妥的表述是：系统在受限文献检索条件下，对留出的论文问题进行构想生成。将它称为“预测未来研究”，需要更严格的训练时间控制、前瞻收集任务和结果验证。

训练有收益，但最终方案的增量有限

三个角色的验证奖励都提高约 10 个百分点，说明训练成功优化了阶段目标。端到端综合分则只提高 1.1 点，人工比较也没有显示训练版显著优于 Base。

这不是训练无效的证据。它更像一个提醒：优化中间步骤，未必能等比例改善最终结果。在我们的任务里，不能仅凭 Codex 的回答更完整、更符合模板，就认为科研判断变好了。

资源与真实执行仍是重要缺口

外部系统保留原有智能体循环，所有系统没有统一严格的总调用量和计算预算。结果可能同时反映检索策略、流程组织、迭代次数和资源投入。补充预算实验也显示，增加推理轮数能够提高完成率及报告阶段奖励。

论文的训练设置规模不小：每个角色使用 40 个节点、每节点 8 张 H100。这个配置不能直接换算为总费用，论文缺少完整的 GPU 小时与运行时间信息。训练版每个方案的生成 token 总量比 Base 约少 11.1%，也不等于总成本或延迟减少同样比例。

最关键的缺口仍是：方案没有经过系统性的实际实验验证。技术上听起来合理，可能在代码实现、数据、收敛、测量或预算阶段失败。论文能支撑哪些结论，可以按下面的层次理解：

结论	目前证据能支持到哪里
这套流程改善其基准上的方案指标	支持较充分，有主结果与多项补充检查
跨领域检索增加结构化迁移行为	有直接证据
系统全面提升科研原创性	支持有限，依赖指标，严格检查的提升较小
强化学习显著改善最终方案	自动评分有小幅增量，人工证据不充分
系统提高真实科研成功率	没有直接验证

6. 论文中的案例，应该怎样读？

附录有一个关于推理训练采样的案例：训练时，一个问题可以让模型生成多次回答，再使用这些回答更新模型。如何把有限的采样预算分配给不同问题，就是研究挑战。

训练版提出，先查看部分推理过程，再继续采样，尝试区分两类困难题：一种题模型有机会学会，只是当前不稳定；另一种题暂时超出能力范围，多采样也不容易获得有用信号。方案希望把资源更多留给前者。

这个思路容易理解：“很难”不总意味着“值得无限追加计算”。但关键假设也很明显：部分推理能否可靠判断题目属于哪一类？额外诊断的开销是否超过节省的采样？判断噪声会不会让真正有价值的困难题被放弃？

案例的意义在于展示系统能形成机制、假设和评估方向。它没有展示该生成方法已经跑出更好的训练结果。读附录时，也应保留这种区分。

7. 对我们使用 Codex 的具体启发

我们此前在《AI 时代的科研工作流总结》中讨论过资料组织、研究过程记录，以及回答过度展开和术语太多的问题。IdeaScientist 给出的启发，可以落到这些真实瓶颈上。

精读论文时，增加一张“机制卡”

只记录问题、方法名和主要分数，过一段时间很难重新使用。建议每篇论文另留一段简短记录：

字段	要回答的问题
问题与挑战	作者究竟要解决什么具体困难？
最近工作	最相近的方法是什么，它为什么不够？
核心机制	新方法通过什么步骤解决困难？
成立条件	依赖什么数据、假设或计算条件？
证据与边界	哪项实验支持哪条主张，哪些情况没有验证？
可迁移线索	我们的问题是否也具有同样结构？

每条关键判断都留下论文位置。不要让 Codex 把“作者的主张”“实验观察”和“我们的推测”揉成同一句确定结论。

构思时，分阶段保存，而不是一直扩写最终报告

可以在现有研究文件夹中固定保存六类产物：问题定义、文献证据、方法缺口、候选机制、质疑记录、验证计划。文件名与目录可以按项目习惯设置，不必为了形式增加一套复杂系统。

每一步给 Codex 一个明确的停止条件。例如，找缺口阶段先交付两三个带出处的具体缺口，证据不足就标记待查；不要为了填满格式直接推断。候选机制阶段再检查本领域是否已有类似工作。只有证据与机制可以对上，才继续写完整方案。

这样也能改善可读性：我们先看决定方案是否成立的几条信息，再决定是否需要长报告。篇幅服务于判断，而非每一步都扩写成论文。

把跨领域灵感写成可以检查的迁移依据

要求 Codex 对每个机制回答五件事：来源是什么、两边哪里相同、目标场景怎样修改、成立条件是什么、最容易在哪种情况下失败。

同时保留一个本领域强基线和一个简单方案。复杂方案如果只比一个弱对照好，就很难说明跨领域机制提供了什么。若简单方案已经解决问题，也没有必要追求更复杂的角色流程。

给评审者明确的反方任务

“请评价这个方案”容易得到一段鼓励性的意见。更有用的要求是：找出最接近的已有工作，检查引用是否支持主张，指出最脆弱的假设，并设计一个尽快发现失败的实验。

另一个角色或新的对话可以提供复查视角，但同一模型多次赞同，不构成独立验证。关键数字要回到原表，重要引用要读原文，方法主张最终要用数据和实验判断。

用最小验证来决定是否继续

在一个机制上花很多时间之前，先找出最容易导致失败、又可以低成本检查的假设。例如，迁移方案依赖某种信号区分两类样本，就先测这个信号是否具有区分度，而不是立即搭建整套训练系统。

最小验证至少应写清：对照是什么、观察什么、怎样算值得继续、怎样算应当放弃。允许失败成为一个有效结果，能够减少“已经写了很多，所以一定要继续”的惯性。

我们应先迁移可检查的研究习惯。提示、角色分工、项目说明或 skill 可以复用流程，但它们不等于论文中的 LoRA 参数更新与 GRPO 训练。也没有证据表明日常 Codex 使用需要复刻论文的文献库和算力规模。

8. 一份可以直接复用的任务要求

下面这段适合放在下一次精读或构思任务开头。它并不能保证产生好方案，但能让中间过程更容易检查。

请围绕我给定的问题与挑战，按以下顺序工作：

先确认任务输入、输出和成功标准；不明确的地方单独列出。

阅读最接近的已有工作，提出至多三个具体方法缺口，每个缺口附出处和证据。

针对有证据的缺口，给出候选机制。涉及跨领域借鉴时，说明共同结构、适配、假设和失败边界。

检查本领域是否已有类似方法，并保留简单方案与强基线。

先写最容易推翻候选方案的检验，再给出最小验证计划。

最后整合成研究方案。区分作者主张、观察结果和我们的假设，不虚构实验结果。

每个阶段先给简短结论与关键证据，必要时再展开术语和细节。证据不足就标记待查。

9. 读完后，最该记住什么？

IdeaScientist 把构想生成整理成了一条值得借鉴的路径：找准现有方法的不足，寻找有适配依据的机制，主动质疑，再用实验决定是否保留。

它的实验支持这套流程提高了当前基准上的方案指标，也清楚展示了跨场景迁移行为的增加。但综合分依赖评价定义，人工评价与自动排名有差异，真实执行仍未验证。

对我们而言，实践的起点可以很小：下一篇论文多留一张机制卡，下一个研究想法先写反证条件，下一份 Codex 报告明确证据和假设。等这些做法实际减少了遗漏和返工，再决定是否需要更多自动化。

参考资料与核对位置

论文 arXiv 页面：本文依据 v1；全文 HTML。方法见系统设计与训练部分，数据见 Idea Vault 部分，主要结果见 Table 1。
作者代码仓库：系统说明、工具与实现入口。
Svalbard Idea Vault 数据集：结构化研究构想数据。
指标的具体含义应结合附录的评价提示阅读，尤其是 In-domain 的二元迁移判断；人工评审、污染检查、预算与算力设置见相应附录。

文中的评分贡献与重新加权结果是我们的计算；解释流程的检索示例是教学示例；论文附录的生成案例是候选研究方案。这三者均不应当作已执行的新实验结果。

AI时代的科研工作流总结

Sun, 11 Oct 2026 00:00:00 GMT

目前我在科研中遇到了科研文件夹安排不够结构化的问题，并且 Codex 过度思考，添加术语乃至看不懂的情况也很常见，此视频值得参考。

视频引用来源：Bilibili 原视频（BV1a5Mo6BEoN）。这篇笔记根据视频截图中的转写内容、思维导图和科研目录示意整理，重点记录工作流；文末再写下结合我目前情况的落实办法。

对我来说，这个视频值得参考的地方，是把“让 AI 帮忙”变成了一套能持续使用的研究流程：材料放在哪里，问题怎么形成，实验如何比较，换一个会话后怎样继续，都有对应的记录。

一、科研从发现问题开始

视频开头提醒了两种容易走向的极端：一种是所有事情仍然由自己手动完成，没有真正利用 AI；另一种是希望把题目交给 AI，它就能直接给出足够好的研究成果。

更合理的分工是：人负责理解问题、判断证据、提出假说和决定研究方向，AI 协助检索、整理、复现、编码和分析结果。AI 可以参与讨论，但一段说得很完整的话，并不自动构成可靠的研究思路。

工具可以加快操作，研究问题和结论仍然需要自己判断。整个流程可以概括为：

检索相关文献
    ↓
复现已有方法，观察具体问题
    ↓
形成问题、假说和方法
    ↓
编写实验代码，逐步核查实现
    ↓
按统一规则测评，记录结果
    ↓
更新数据说明和进度交接
    ↓
根据结果继续调整问题与方法

这是一条反复迭代的路线。一次实验没有支持原来的假说，也应当成为下一轮判断的依据。

二、文献检索：先建立可以回看的材料库

用 related_work 保存相关工作

视频建议先建立 related_work/，集中保存与研究问题有关的论文。检索工具可以帮助寻找材料，但最终要落到自己能阅读、核对和再次定位的文件上。

检索时既要找当前问题的直接相关工作，也要理解近年的主要方法及更早的关键工作，核对它们的实验设置。这样后续复现和讨论才有依据，而不会只围绕模型即时生成的解释展开。

PDF 和 LaTeX 各有用途

视频作者的经验是，同时保留论文 PDF 和能够获得的 LaTeX 源文件：

材料	在工作流中的用途
PDF	快速了解摘要、整体结构、图表和主要结论，也方便自己阅读
LaTeX 源文件	给 AI 精读时，帮助定位公式、表格数字和引用关系

这里需要把经验和保证分开。并非所有论文都有公开的 LaTeX 源文件，有源文件也不意味着 AI 一定理解正确。遇到关键公式、实验数字或结论时，仍然要回到论文核对。

文献库的价值，是让研究讨论能够追溯到具体论文，而不是只留下一个看起来完整的总结。

三、论文复现：从跑通方法到发现问题

先复现，再讨论改进

视频建议建立独立的复现目录，选择近年重要、最好有开源代码的方法，先把它们跑通。复现过程可以帮助理解论文里不容易直接看出来的细节。

值得观察的不只是最后的指标，还包括：

结果可视化与论文展示是否一致。
实验设计和实际实现之间是否存在差异。
训练曲线中有没有异常或值得追问的现象。
数据处理方式、失败样例和方法适用条件是什么。

这些观察不一定立即成为新论文的创新点，但能把讨论从“我觉得可以改”推进到“我看到这里有一个具体问题”。复现也不能只以程序没有报错为完成标准，需要理解运行结果意味着什么。

在 brainstorm.md 中记录思路的来路

有了文献和复现结果，再与 AI 进行头脑风暴。视频用 brainstorm.md 保存这部分讨论，让问题、假说和方法之间的关系可以回看。

我理解这里最重要的是记录推导过程：观察到了什么，为什么认为它值得研究，准备怎样解释或改进，而不只是保存最后一段漂亮的方案。

先有清晰的问题、假说和方法，再进入实验代码阶段。如果这些还没有想明白，AI 写出的代码越多，后面可能越难判断它究竟在解决什么。

四、实验迭代：核查实现，统一比较

建立 experiment 后，持续检查方向

视频在明确研究思路之后建立 experiment/，开始让 AI 协助实现实验。这里强调反复核查：代码是否符合原来的想法，主要结构是否合理，有没有擅自把任务推进到另一个方向。

这也对应我使用 Codex 时遇到的问题。有时它把一个具体任务扩展成很多层分析，又不断加入术语；文字越来越多，我却越来越难确认它是否还在处理原来的问题。

看不懂实现和解释时，应当先要求它讲清楚，再决定是否继续推进。能运行的代码只是一个起点，研究者还需要理解主要步骤和判断依据。

每一版结果都要留下记录

实验版本需要清楚命名，并保留相应代码和输出。视频用 results.md 总结每一版的方法与效果，让后续迭代能回答：这一版改了什么，结果如何，下一步为什么这么做。

如果只保存最新的一张图或一个指标，就容易忘记结果对应哪一版代码，也很难比较前后改动。

用 evaluation.md 固定测评规则

evaluation.md 的作用，是记录统一的训练、测试和测评流程，包括使用哪些数据、哪些指标、哪些可视化和样例输出。

不同版本应当尽量在同一套测评规则下比较。如果每轮都随意改变测试数据、指标或展示方式，结果的差异就不一定来自方法本身。

当确实需要修改测评规则时，应当记录变动，并说明哪些旧结果还能直接比较，哪些需要重新测试。

五、数据与交接：避免每一轮都从头找材料

DataSet 保存数据，dataset.md 解释数据

视频中，AI 可以辅助下载数据、预处理、配置环境，以及查看表现不好的案例。这些能力仍然需要核查，尤其不能因为下载命令成功就认定数据完整、处理正确。

随着项目扩大，需要用 DataSet/ 保存数据资源，并在 dataset.md 中说明：现在有哪些数据，如何处理，文件和版本怎样命名。否则很容易在后续实验中忘记已有资源，或者重复执行同一批处理。

对于长时间下载任务，视频还强调要明确完成条件，并考虑网络失败后的重试和续传。把“把这些数据全部下载完成”说清楚，比只发出一次下载指令更容易验收。

handoff.md 记录当前进度

视频建议在项目根目录建立 handoff.md，记录本轮完成了什么、目前到了哪里、下一步准备做什么。换会话或让另一个 Agent 接手时，先让它阅读交接记录。

这需要在自己的协作流程里明确安排，不能假定所有工具都会自动读取。交接文件也需要随工作更新，过期的记录可能比没有记录更容易让后续工作走偏。

重要进度应该留在项目里，而不只留在聊天记录中。

六、完整科研文件夹结构

下面整理的是截图中给出的目录结构。目录和文档的名称可以结合自己的项目调整，关键是每类材料的职责要清楚。

科研项目/
├── AGENTS.md                 # 项目目标、协作说明和各文档用途
├── handoff.md                # 当前进度与工作交接
├── related_work/             # 相关论文 PDF 与可获得的 LaTeX 源文件
├── 复现/                     # 跑通相关论文方法的代码与记录
├── brainstorm.md             # 问题、假说和方法的讨论记录
├── experiment/               # 自己的实验实现
│   ├── results.md            # 每一版实验的结果总结
│   └── evaluation.md         # 统一的测评规则
├── DataSet/                  # 数据资源
└── dataset.md                # 数据处理和命名说明

这些文件分别回答不同的问题：

文件或目录	要回答的问题
`AGENTS.md`	我们在研究什么？协作时遵循哪些规则？到哪里找材料？
`related_work/`	相关研究说了什么？判断依据来自哪里？
`复现/`	已有方法是怎样实现和运行的？发现了什么问题？
`brainstorm.md`	为什么提出这个假说？准备如何验证？
`experiment/results.md`	每轮实验改了什么？结果是什么？
`experiment/evaluation.md`	用什么统一标准比较方法？
`DataSet/` 与 `dataset.md`	有哪些数据？如何取得、处理和使用？
`handoff.md`	当前进展到哪一步？接下来继续什么？

视频最后提到建立自己的 AI 协作框架，也使用了 harness 这个词。在这篇笔记里，可以把它理解为围绕 AI 工作的一套任务规则、文件组织、检查和交接办法。重点是把这套办法用起来，再随着实际研究不断调整。

七、结合我的情况，准备怎样落实

下面这些是我结合视频和目前问题整理的改进办法，属于个人落实计划。

先整理文件，再继续堆实验

我现在最需要解决的，是科研文件夹安排不够结构化。可以先把现有项目按文献、复现、自有实验和数据整理，再补上项目说明与交接记录。

具体整理时，我准备额外记录实验运行命令、环境、随机种子，以及结果对应的代码版本。不同版本的输出保留在独立目录里，数据处理过程也写清楚。这样以后追问某个结果时，能够找到它的来路。

把“说清楚”写进协作规则

针对 Codex 过度思考、扩展任务和添加难懂术语的问题，我准备在项目的 AGENTS.md 里加入下面的约定：

先用简单语言说明当前问题和本次准备完成的具体任务。
每次围绕已确定的目标推进，说明这一步为什么需要做。
需要扩大任务范围或改变研究假说时，先说明理由。
优先使用项目已有的术语；必须引入新概念时，解释含义。
不要自造缩写或给普通操作起难懂的名字。
结论要对应到论文、数据或实验结果；猜测单独标明。
完成后记录修改、验证结果和下一步，并更新交接文件。

这段规则可以帮助我更快检查输出，也提醒我自己：如果无法解释一段代码或一个结论，就不能仅凭 AI 的肯定语气把它当作已经理解的内容。

用小步实验建立可回看的记录

每轮开始前，先写清楚这次要验证的问题；运行后，核对实现、比较结果，把结果和未解决的问题记下来，最后更新交接。

我希望逐渐做到：打开文件夹，就能找到研究目标、已有依据、实验结果和当前进度；读完 AI 的解释，也能用自己的话说明它做了什么。

这个视频给我的启发，是把 AI 带来的便利落到可理解、可核查、可接续的日常工作上。对目前的我来说，先整理文件夹、约束表达方式，再逐步完善实验和测评记录，是值得开始的事情。

视频引用来源：Bilibili 原视频（BV1a5Mo6BEoN）。

人狼村之谜游戏长评——神明与诡辩的狂想曲

Thu, 08 Oct 2026 00:00:00 GMT

前排声明：本文包含严重剧透！

国庆在家期间，因为只有轻薄本在手，又正好想起人狼村的坑之前还没有填，干脆趁着这个机会补上了。幸运的是，这部游戏足够精彩，完全值得我把宝贵的国庆假期中大部分时光都拿来推这部游戏。玩过海猫鸣泣之时的读者可能发现，本文的副标题和海猫前四章的副标题（魔女与推理的轮舞曲）是对称的。事实上，我觉得这部游戏和海猫虽然有着不同的游戏侧重点，背景故事风格也不一样，但内核却有相似之处。尤其是关于副标题中的第一个词：即“神明”与“魔女”的概念。它们与人物如何理解世界、如何面对痛苦都有关系，也分别构成了两部作品最有意思、同时最容易引起争议的部分。

图 1 房石的初次出场，话说我第一次看到这张图的时候觉得房石是中年人来着，没想到是帅小伙

从误入村庄到参加宴会

首先，我想先梳理一下本游戏的剧情脉络：故事始于一场误入深山的摩托车旅行。旅人房石阳明来到偏僻的休水村，受到当地人的收留，却很快发现，这个村庄仍被古老的信仰与禁忌支配。当诡异的雾气笼罩村庄，一场名为“黄泉忌之宴”的杀人仪式随之开启：混入人群的“人狼”会在夜间杀人，村民则必须在白天通过讨论与投票，选出疑似人狼的人加以处刑。现实中的狼人杀由此变成了一场以生命为赌注的生存游戏，而村民之间原有的亲疏、猜忌与权力关系，也随着死亡的逼近逐渐暴露。

图 2 二周目，垂死挣扎的狼人二人组，结果还是把所有人都杀光了

身为外来者的房石既不了解村庄的历史，也无法轻易获得众人的信任，只能依靠观察、推理与话术寻找生路。然而，死亡并不是故事的终点：他发现自己能够在死后回到过去，并保留此前的记忆。随着一次次循环，他以不同的身份与立场重新参与宴会，逐渐认识村民们隐藏的一面，也开始追问这场仪式本身的秘密。故事的重心因此从“谁是人狼”逐步转向“为什么人们必须参加这场游戏”：人狼的身份只是眼前的谜题，笼罩休水的信仰、村庄的秩序，以及死亡回归背后的原因，才是他最终必须面对的困局。当然，这些问题都被我们开挂般超模的阳明大人逐一解决，最终迎来了包饺子式的大团圆结局。

这种反复经历惨剧、逐步积累认识的结构，和命运石之门之类的轮回系作品颇为相似，并且剧情设计结构也已经相对成熟（不过我就是吃这一套，就喜欢轮回系作品！就像是刷数学题刷了好多遍终于玩懂了的感觉）。

本游戏的一大特点在于：故事的游戏内容几乎完全套用了传统狼人杀的框架。在“神明”的操纵下，玩家们被分成人和狼两个阵营，狼在夜晚可以杀人，而人的反制手段则是能够在会议上将狼票出，但仅此是不够的，如果说人和狼完全是单纯的一个杀，一个票的关系，那么狼人杀就变成了完全的线性概率游戏，但人与人的游戏是必须有复杂的、非线性的因素在才能“好玩”的，因此，狼人杀引入了有特殊能力的人，比如游戏中能互相知道身份的“猴”，能查验人身份的“蛇”，通过针对身份的博弈，提高自己的获胜概率，才是狼人杀这个游戏的关键所在。同时，这也是“人狼村之谜”这个游戏的核心悬疑所在，人狼村最精彩的几段，正来自这种信息差。阳明既会隐藏自己的加护，也会利用伪装身份争取主动。

他的优势不只在于能推理出谁是狼，更在于知道怎样让别人接受自己的判断：什么时候公开信息，什么时候保留底牌，什么时候顺着对方的话说，又什么时候把讨论引向另一个方向。

图 3 本作智力巅峰二人组，房石作为狼的一局遭遇了相当难缠的敌人——熊大

不过，把游戏限制在狼人杀这个框架内，既可以让游戏的诡计设置更加成熟，让游戏更容易讲好故事（当然，游戏从很早就开始引导玩家跳出单纯狼人杀的框架，去思考关于游戏世界观与最终谜题的更深层面的东西），却也给游戏设置了一道难以逾越的，传统狼人杀规则的边界。作为对比，海猫鸣泣之时可以在多个轮回中设置大量的密室和诡计，各不相同，千奇百怪，有数量丰富的疑点供人讨论，而人狼村则几乎完全不会有调查现场这个概念，现场的证据往往被清除得干干净净，最终还是要通过人物在宴会上的反应以及人物之间的人际关系来判断凶手（很多时候，投票的原因居然是对方投了自己一票，堪比现实狼人杀恩怨局）。

而在宴会中，针对悬疑的讨论也相当有限，加护的身份讨论往往不用费多少笔墨便能得出一个结论，而凶手的身份则大多数情况下是基于手头极少的信息进行瞎猜。毫无疑问，如果人狼村拘泥于狼人杀这个游戏本身，那么它即使想做的再好，内容也有一个明确的上界。作者似乎也能意识到这一点，因此，他赋予房石阳明——当然，最后我们也没能得知主角的真名——的任务并不是简简单单地通关宴会，而是更原始，更直接的目标：活下去并逃离轮回，并且在游戏过程中，还不得不利用和休水本地人的交流，解开关于休水背后的谜题。这就牵扯到了游戏的重头戏：人物塑造。

狼人杀里最重要的是人

回想起过去，其实我也是狼人杀的十年老玩家，16年那会，我第一次接触狼人杀。那时候我们初中班上中午在学校吃饭的同学，在每次午休的时候都会开始游戏，扮演“神明”的同学坐在讲台上装出值日班长的样子，剩下的同学在班里埋着头假扮睡觉来骗过巡查的老师，再往后，高中的体育课上，我们那些不打球的同学也会聚在一起，有牌的打牌，没牌的就玩狼人杀。这些玩狼人杀的时间里面，我的状态都有一个共同点：我们可能没有什么游戏材料，没有什么游戏的准备，只是有一群熟悉的人聚在一起，便开始了游戏。是的，对狼人杀来说，人才是最重要的一环，不管是会玩的老油条，还是不会玩只想着大杀四方的萌新，只要有人就能开启游戏。相比于诡计，“人”才是人狼村之谜这个游戏，乃至所有狼人杀里面最重要的。

同一句话由不同的人说出来，可信度可能完全不同；一个人的沉默、犹豫或突然强硬，也要放到他平时的性格和当下的处境里，才能理解。《人狼村》的人物塑造正好抓住了这一点。随着轮回推进，玩家不断看到同一个人在不同身份和压力下的变化。此前以为是性格缺陷的地方，可能藏着恐惧；此前觉得莫名其妙的敌意，也可能有一段未被说出的往事。人物与谜题的联系，当然也存在于传统推理作品中。性格、能力、动机与作案手法互相呼应，并不意味着作者把答案写在了试卷上，反而可能是重要的伏笔。《人狼村》比较突出的地方，是把这些联系直接摆进了宴会讨论：理解一个人，往往就能理解他为什么这样发言、为什么支持某项决定，以及为什么在某个时刻宁可冒险也要保护另一个人。

为了实现这个目的，花大篇幅塑造人物性格，编织人物之间复杂的关系网就显得非常必要。游戏采取了通过多周目，并且每周目聚焦于不同角色的方式来塑造角色，这一点上，人狼村之谜和海猫鸣泣之时有些相似，但是，海猫的文字量极其庞大，多达三百万，因此得以用较长的家庭往事、人物秘密与视角转换来铺开关系，而人狼村之谜则只有区区几十万，要利用这么多文字量塑造好人物，作者就必须将人物的行动设置的更富特色。斩钉截铁，受人尊敬的宽造老爷子，高大可靠，擅长笼络人心的雄大，暴躁冲动，却和母亲兄长感情深厚的义次……这些角色的存在是这部游戏最重要的核心。

而在这一点之上，这部游戏最成功的点在于塑造了房石阳明这个堪称我玩过所有avg里面最强大的主角，看似温和幽默，却无比虚伪，多疑，冷静，擅长操纵人心，甚至连扮演他的玩家也完全不能看透他的真实想法。说是这个主角成就了这部游戏也不为过。而游戏的配角塑造上虽然相比主角稍显逊色，却同样特色鲜明，惹人喜爱。我个人相对偏爱能里清之介，和玩家初次见面时，能里高傲且自以为是，给人以无能少爷的印象，但随着游戏的推进，能里的形象逐渐变得丰富起来。他有学识，也并非一味迷信。他想证明自己，却又清楚地感受到自身能力的局限。

休水村中，大多数人物都有与其联系紧密，互相支持的人物，但能里却是被孤立的存在，明明作为地位最高的“长者”角色，却在休水的宴会上承担了其他人物的敌意，即使是按理来说应该和他在同一阵线的李花子也对他爱答不理。所幸，在漫长的旅程后，主角和玩家理解了他真正的为人，他也成为了休水人中为数不多赢得主角友谊的人。直到最后，能里也说不上是一个非常出色的人，却因此变得更加真实可亲。

图 4 在地下室里卿卿我我的主角和能里，然后就一起寄了

这些鲜活的角色共同支撑起了这一部游戏的流程，而这些角色与主角的互动也把游戏引入了一个关于游戏最终谜题的，更加深入的话题：黄昏忌闭之宴与神明的真相是什么？

图 5 三周目居然出现了巨大怪物，让人感觉很扯淡，不过也算是勾起了玩家对最后一周目的好奇心

神明与魔女的相似和不同

在我的理解里，《人狼村》的“正确性”，指的是人们认定某种秩序理所当然、必须遵守的状态。它并不等于道德上的善。只要一个人确信某种行为符合自己所在的规则，即使那种行为残酷得不可理喻，他也可能把它视为应当完成的事情。这使休水的恐怖不只来自夜里会杀人的狼，也来自村民对于宴会的接受。大家未必喜欢这场仪式，但仍然认定它必须举行。更麻烦的是，操纵信仰的人也受到这套秩序的约束，无法永远站在规则之外。因此，故事的结局并没有宣布“所有神明都是骗局”。监视、药物和人为惩罚，解释了宴会的运作；真正的神明又确实存在。人造的统治秩序与真实的超自然力量，在这个世界里纠缠到了一起。

这也是它与海猫值得比较的地方。两部作品都在追问：人为什么接受超自然的解释，这种解释又保护或伤害了谁？

不过，海猫的魔女幻想承担了不同的作用。它可以遮蔽事件，也可以表达人物难以直说的心情，还与作品的叙述层次有关。理解“魔女”，不仅是在判断某件事能否用人类手法完成，也是在理解为什么有人需要用这样的方式讲述过去。人狼村的神明则更直接地与村庄的秩序相连。接受神明，也意味着接受某些规则与身份。阳明最后要做的，除了揭穿宴会的幕后运作，还要让村民获得一种能够摆脱旧秩序的解释（尽管这个解释并没能让处在玩家视角的我满意）。

我对结局的不满

不幸的是，相比于游戏前三周目的跌宕起伏，最后一周目的真相实在有些仓促。游戏通过埋在前面数周目剧情中的key，逐渐开始回收伏笔，终于，房石说出了：这是最后一次轮回。相信曾经玩到过这里的玩家有很多都会和我一样，觉得房石会用极其精彩的方式给宴会收尾。当房石开始爬山，挖宝时，我还在想着：房石是不是在计划着在这次的宴会上利用设下的机关揭露过去以来所有宴会的真相。然而，游戏的剧情却让我大跌眼镜，房石为了让休水的村民醒悟过来，没有选择说出宴会的真相，包括之前提到的摄像头，电子锁之类的猜想都完全没有验证，最终选择了：蹦极假死？！直接给我干没绷住，逗小孩呢这是（虽然真的有小孩，但是小孩根本就没有在听啊喂）回头理解剧情，这场假死当然有它的作用。

阳明需要让村民亲眼接受“旧神已死”，通过一场弑神表演，改变支配他们的信仰秩序。单纯告诉他们宴会用了什么技术，未必就能解除他们对神明的恐惧。但理解这个目的并没有完全消除我的失落。此前几轮让我着迷的，是阳明如何在信息不足、稍有差错就会死的情况下艰难周旋；最后这场演出，却显得过于顺利，压迫感不足。随后，房石开始面对强大的最终boss，并且得知了boss的目的：为了什么叽哩哇啦的远古日本神话的缘故，要复活巨大土蜘蛛怪物毁灭日本，就在因为槽点过多我无力吐槽（为啥你不管怎么样就是要毁灭日本？为啥这世界观都明确有时间回溯，巨型怪物这种明显超自然的元素了，主角在没证据的情况下就一定认为宴会是人为的？）的时候，最终boss的超能力来源被4岁小孩吃了，日本于是没有毁灭，可喜可贺可喜可贺。

随后，房石开始面对宴会的幕后主使者：村长三车家。之前局局被三车家的人干掉的熊大和女记者开始战力爆炸，把反派开无双一样全干掉了，面对敌方头领，在房石嘴遁了几句后，三车家就撤退了……随后，三车家居然就灭亡了？！？！这灭亡的突然程度堪比奥尔加团长bb剧场里面永远逃不掉的死亡一样。我看到这已经力竭了。顺带一提，在看到之前渲染了好几章的神秘污秽是狂犬病之后，我也释怀了，作者你开心就好？啊，不过最后看到之前死光光的角色们都能活下来也不错，包饺子！包饺子！

其实这个结局的内容也不能说很扯淡吧，总的来说也算是给全篇的内容作了一个合理的解释，不过游戏结束的实在是仓促，没有了类似前篇的那种跌宕起伏，用DIO的话说：就像考试结束铃声响之前还在拼命答题的考生一样，拼死想把真相告诉玩家。不知道是不是人狼村的制作组没金币了？

虽然上文我对人狼村之谜的最后一章进行了相当无情的抨击，但总体属于恨铁不成钢的层面，这部作品总体上瑕不掩瑜，悬疑扣人心弦，人物有血有肉，在作品流程中埋下的种种伏笔基本上都有合理的解释，并且还成功的塑造了一个极具魅力的男主角，只是最后的收尾显得仓促，让人深感可惜。如果让我给人狼村打个分，我想，大概会是8分吧，前半部分可以有9分，但后半部分只有7分了。

友链与评论功能上线啦！

Mon, 28 Sep 2026 00:00:00 GMT

本站已上线友链与评论功能，来愉快地玩♂耍吧。

欢迎到友链页面串门、交换友链，也欢迎在文章下方留下评论！无需登录，填写昵称即可留言。

拔智齿

Tue, 22 Sep 2026 00:00:00 GMT

有人和我说过：拔智齿很快，也不疼，几分钟就好了。

其实这话完全没错。拔牙的时候，我几乎没什么感觉；直到医生把沾满血的牙齿放在我面前，我才清晰地意识到：我终于和智齿说再见了。

但这句话没有告诉我，拔完智齿后的两小时，能直接把人疼到不能自理……更倒霉的是，回来的路上电动车还没电了。我只好把车停在学校里，强忍着牙疼走回来，鼠了。

更新：吃了止痛药，一个小时后就没那么疼了。哦耶。

关于这个博客

Thu, 10 Sep 2026 00:00:00 GMT

本博客主要记录一些心得与随想，接近日记吧大概。