能力竞赛的主战场，已从“模型多强”转向“能否可靠办成事”

机制拆解

1. 上下文跨窗接力把长任务切成可交接的阶段，用结构化进度文件（如 progress.txt、init.sh）保证换窗不丢状态。
2. 关注点分离规划、生成、评估交给不同的智能体；模型自评会“自我表扬”，必须引入外部评估者。
3. 验证循环内建每完成一个特性即跑端到端验证，通过才允许标记完成并提交。
4. 与模型共同设计Harness 的每个组件都编码了一条“模型自己做不到什么”的假设；Anthropic 在 Opus 从 4.5 升到 4.6 后，反而删掉了一个脚手架构件。

机制拆解

1. 同一副权重的困境论文原话——“每一个多出来的 token 都来自同一副冻结权重和同一段提示，因此它无法告诉模型任何它本来不知道的事”。
2. 接地反馈是关键变量反馈与评估必须来自对系统行为的实际测量，而非模拟或目视检查。
3. 提议—评审闭环编码任务上，proposer-reviewer 结构达到 100% 通过率且多次运行零方差；纯推理与多次采样在同等预算下先行进入平台期。
4. 交互视界也可训练TTI 用课程式在线强化学习自适应延长 rollout 长度，让智能体学会探索、回溯与重规划。

产业含义：数据不再是唯一稀缺品，可交互的高保真环境成为新的生产要素——Prime Intellect 两个月众包了 400 多个强化学习环境。

机制拆解

1. 案例库式在线 RL（Memento / AgentFly）建模为记忆增强的马尔可夫决策过程，规划器—执行器分工，策略提升完全由记忆检索与重写完成，零梯度更新。
2. 推理经验库（ReasoningBank，ICLR 2026）从成功与失败中同时蒸馏可泛化策略，而非存原始轨迹；配合 MaTTS 把测试时算力用于生成多样经验，反哺记忆质量。
3. 早期经验（Early Experience，Meta）用智能体自身动作产生的未来状态做无奖励监督：隐式世界建模 ＋ 自我反思，介于模仿学习与强化学习之间。
4. 共同收益成功率与效率同时改善——这是纯提示技巧做不到的关键分野。

同时降本：完成任务所需的交互步数下降 6%–16%（WebArena 9.7 → 8.3 步）。Memento 在 GAIA 验证集取得 87.88% Pass@3、测试集 79.40%，全部不改模型权重。

机制拆解

1. 原话为证（LangChain）“read actions are inherently more parallelizable than write actions”——读可并行、写需单线，是架构选择的第一原则。
2. 失败机理（Cognition）动作携带隐含决策；子智能体各自脑补上下文，会产出风格与假设互相冲突的结果，合并时无法弥合。
3. 正例结构（Anthropic）多智能体系统主要承担“检索（读）”，把发现综合成连贯报告的“写”刻意交给单一主智能体。
4. 工程对应2026 年出现了把数据库并发控制引入多智能体的工作（CoAgent），本质就是给写操作加锁与串行化。

并行度收益：一次派生 3–5 个子智能体、每个再并行 3 个以上工具调用，复杂查询耗时最多缩短 90%；代价是 token 约为普通对话的 15 倍。

机制拆解

1. 2023 · 否定《LLMs Cannot Self-Correct Reasoning Yet》（ICLR 2024）：无外部反馈时，内生自我纠正通常反而降低性能。
2. 2024 · 翻转SCoRe 用两阶段多轮强化学习加奖励加成，首次以纯自生成数据实现显著内生自纠：MATH ＋15.6%、HumanEval ＋9.1%。
3. 2025 · 内化长思维链推理模型把回溯与自我验证变成默认行为，显式反思框架的重心转向跨轨迹经验沉淀。
4. 2026 · 精细化失败主因是“来源归属”而非能力——把内部思考重标为外部信息后，显式纠错率在 12 组模型—领域中的 10 组提升 23–93 个百分点。

银行结论：自我反思可用于“初筛降噪”，不可用于“终局定论”；凡涉及资金与客户权益的判断，必须有外部可验证信号或人工复核。

机制拆解

1. 长上下文本身会衰减注意力预算被稀释，token 越多召回越差；标称百万级窗口的模型，在十万 token 处即出现超过 50% 的性能下降。
2. 所以必须压缩接近窗口上限时做摘要并重启新窗口，这是工程上的必然选择。
3. 压缩是有损重写Anthropic 原话——“过于激进的压缩会丢失微妙但关键的上下文，其重要性往往在事后才显现”。
4. 于是治理衰减约束在摘要中存活时违规率为 0%，被丢弃时为 38%；整体从全上下文的 0% 升到压缩后的 30%，最差模型达 59%。

附加攻击面：压缩—驱逐攻击——对抗性内容可诱导摘要器“故意漏掉”合规策略。缓解手段“约束固定（Constraint Pinning）”无需重训即可把违规率恢复到 0%。

机制拆解

1. 时间视界（METR）以 50% 成功率对应的人类任务时长衡量自主性；翻倍周期已从整体 196.5 天加速到 2024 年后的 88.6 天；16 小时以上的测量目前不可靠。
2. 一致性（pass^k）同一任务连跑 k 次全部成功才算通过。τ-bench 实测：pass^1 约 50% 的智能体，pass^8 降到约 25%——可靠性远落后于能力。
3. 成本与时延（GAIA2）结果按平均调用数与输出 token 归一化，并把响应时延作为独立维度，评的是帕累托前沿而非最高分。
4. 长时程连贯（Vending-Bench 2）模拟经营一整年、单次运行 3,000–6,000 条消息，测的是会不会“跑着跑着精神崩溃”。

含义：一个“十次里对五次”的智能体，连续八次全对的概率只剩四分之一。对客户每次都要办成的银行业务，pass^k 才是真正的上线门槛，平均成功率会严重高估可用性。