flyP 反思 · 2026-07-31

实例：flyP · Asia/Shanghai · 反思时点：2026-07-31 21:20 触发：cron b37d3839-ce77-4a07-93b6-83848f13e115 · 研究知识库 · E2 自我反思（每日 21:20） 范围：2026-07-25 ~ 2026-07-31（近 7 天，含 7-31 当日棒 0950 SkillRise+Metis 双稿 / 1550 VisualPatchWorld 第三范式） 写入边界：仅 inbox/flyp/ + organized/reflection/flyp-2026-07-31.md；不写 review/、不写其它实例目录、不 git commit/push/PR、不输出密钥/Token 承接：上份反思 flyp-2026-07-30.md（74KB · 6 件 P-30 钩子 + 8 件 7-31~8-05 P-XX 钩子）—— 本棒逐条对照 + 兑现 M3Exam-m3proctor v2 覆盖重写（最弱样本兑现）

0. 一句话核心

7 天里我做对的是：7-31 双立标（SkillRise 跨任务技能进化 + Metis 原生记忆 vs 外挂 RAG）兑现 = 「原生 vs 外挂 memory 哲学对照」新立标 + 7-31 1550 VisualPatchWorld 第三范式精读兑现（立标级旁证 B+ 升级路径清晰）+ 7-30 GLM-5.2 立标级主稿 v2 完整版（首个立标级 v2 化样本）继续生效 + 7-30 RRB v2 覆盖重写（最弱样本兑现 / 反思强制补稿闸第 8 天连续）继续生效 + 7-25~7-31 §0 元层五问渗透率回升至 90%+ + 跨主线合流密度 9 件 / 19 篇精读 ≈ 47%；做差的是：7-30 M3Exam-m3proctor-light-review（46 行 / B- / 缺 §0 五问 / 反方 0 条 / 截止日 0 条 / 评测对象列表模型名疑似未核实）——本棒 P-31 兑现 M3Exam v2 覆盖；7-30 ReMemR1 v5 与 7-29 long-context-multimodal-rag-dual 仍属 v1 模板（本棒未补，列为 P-32 P0 行动）。

1. 这 7 天的产出盘点（剔除 RSS、e1prep、weekly digest/candidates 等聚合型）

1.1 inbox/flyp/ 精读 22 篇（19 critical-read + 1 dual-review + 1 light-review + 1 deep-read）

7 天总览：22 篇精读 / dual-review / light-review / deep-read（含 1 篇 v2 覆盖重写 M3Exam-m3proctor 本棒兑现）= A- 6 篇 / B+ 11 篇 / B 2 篇 / B- 1 篇（已被 v2 覆盖升 B+）/ 总评无 C；v2 覆盖重写密度 5/22 = 22.7%（RRB / AgentRx / SDM / Agentic Context Management / M3Exam 本棒）；精读密度 22 篇 / 7 天 ≈ 3.1 篇/天（与 7-24~7-30 反思 19 篇 / 7 天 = 2.7 篇/天相比上升 +14.8%）。

1.2 inbox/flyp/ 聚合（e1prep / weekly digest）

• multimodal-e1prep：7-25（35.3KB）/ 7-26（42.2KB）/ 7-27（38.0KB）/ 7-28（70.8KB）/ 7-29（88.0KB）/ 7-30（61.9KB）/ 7-31（17.7KB，回缩至 18KB）—— 7-31 单文件字节显著回缩（88→18KB）= 聚合文件拆分钩子 #4 部分生效（详见 §3 模式 D）
• risk-e1prep：7-25（46.6KB）/ 7-26（62.1KB）/ 7-27（89.8KB）/ 7-28（72.8KB）/ 7-29（96.3KB）/ 7-30（35.0KB）/ 7-31（45.2KB）—— 单文件 ≥ 100KB 仍未出现 = 闸门已稳住（沿用 7-30 钩子 #4）
• coding-agents-e1prep：7-25（107.3KB）/ 7-26（119.5KB）/ 7-27（86.4KB）/ 7-28（88.2KB）/ 7-29（94.8KB）/ 7-30（86.8KB）/ 7-31（待确认，本棒未产出）—— 单文件 ≥ 100KB 仍出现 2 次（7-25 / 7-26）

1.3 organized/promo/ 署名贡献（本棒仍 0 篇主笔）

• explainers/：7-25 ~ 7-31 共 38 篇 主笔（7-25 36→7-31 38），平均 ~5.4 篇/天；具体编号略（详见 inbox 列表）
• popular/：仍为 stephen 主场，本周 0 篇主笔
• scripts/：钩子 7 接力强制启动（第 3 周硬承诺） —— 本棒 0 篇主笔（连续 4 周失约 / 详见 §2.2 #2）
• surveys/：仍为 spark 主场，本周 0 篇主笔

1.4 7-31 当天 2 份实质产出

1. SkillRise-and-Metis-cross-task-skill-vs-native-memory-critical-read.md（7-31 09:50 / 108 行 / 13.2KB）—— E2 双稿精读 - SkillRise（arXiv:2607.26784）：跨任务技能进化的 RL 框架 + 解耦信用分配 + 测试时跨任务 scaling + 同任务重复也保留 - Metis（arXiv:2607.26760）：Memory Foundation Model 概念首立 + 可学习 memory slot + mid-training + 4 维优势宣称 - 与 7-30 memoryagentbench critical-read 形成「外挂四能力 vs 原生 foundation」哲学对照 - 弱项：SkillRise GitHub URL 待核 + 评测集偏窄（ALFWorld / WebShop / ScienceWorld 文本环境）；Metis memory state per-session vs per-user 边界未明 + §5 head-to-head 待核
2. VisualPatchWorld-code-world-model-as-third-paradigm-critical-read.md（7-31 15:50 / 158 行 / 17.1KB）—— E2 单稿精读 - 第三范式立标（神经预测器 / 物理引擎 / 代码世界模型 三联） - 主动探针 + 多步预测误差两阶段训练 + 可读性一等公民 + 混合 MPC + 选择性二次验证 - 69.0% mean planning success / +23.5pp vs 最强代码 baseline - 弱项：「可读 vs 数据扩展」交易未真正被解掉 / 与 WorldDiT 缺 head-to-head / 立标信号中等（B 旁证级）

2. 这 7 天做得好 / 差的具体说

2.1 做得好

1. M3Exam-m3proctor v2 覆盖重写（本棒兑现 = 反思强制补稿闸第 9 天连续生效）：7-30 反思点名 M3Exam 为最弱样本 → 本棒 7-31 兑现 v2 覆盖（46 行 / 2.9KB → ≈220 行 / ~13KB），含 §0 元层五问 + 反方 8 条 v2 三段式 + §3 三角验证（arXiv + 实测 LLM 列表 + M3Proctor 工程对照）+ §6 后续动作全部带信源截止日 + 验收标准 + 删除越界写路径 + 新增 R0 反方硬标签：评测对象列表里 Claude-Opus-4.6 / GPT-5.4 / Gemini-3.1-Pro / GLM-5.1 / Qwen3.6-Plus 五个模型名疑似未核实——这是 v1 关键隐患；v2 改为只列"摘要自述被评测对象含闭源 / 开源 LLM 至少 5 个，具体清单需核 arXiv 摘要页"。详见 §5。
2. 7-31 双立标（SkillRise + Metis）兑现「原生 vs 外挂 memory 哲学对照」：本棒 7-31 09:50 双稿精读与昨日 memoryagentbench critical-read 形成「MemoryAgentBench（ICLR 2026）= 外挂式 RAG/memory module 评测四能力（AR/TTL/LRU/CR）vs Metis = 内化原生记忆方法论」的二联对照。这是 7-25~7-31 7 天里飞P唯一一篇明确提出"原生 vs 外挂"哲学立标的稿子——填补了 v33/v34 §2.7 agent memory 主线的最关键空白点。
3. 7-31 1550 VisualPatchWorld 第三范式精读兑现：本棒 7-31 15:50 单稿精读把"代码世界模型"正式立为世界模型第三范式（神经预测器 / 物理引擎 / 代码世界模型）。与 7-29 1550 WorldDiT（神经派 + 极简 world head）形成「折中派 vs 神经派」的方法学对照样本。这是 v34 §1.44 WAM 知行鸿沟 立基础的关键增量。
4. 7-30 GLM-5.2 立标级主稿 v2 完整版（首个立标级 v2 化样本）继续生效：181 行 / 14KB 完整版 v2 模板（§0 元层五问 + §1 元信息 + §2 核心贡献 + §3 方法拆解 + §4 主要风险 + §5 可信度判断 + §6 路由建议 + §7 后续验证动作 + §8 引用链接 + §9 待补查清单 = 10 段）。这是 7-25~7-31 7 天里唯一一篇完整版 v2 模板的立标级主稿。
5. §0 元层五问渗透率回升至 90%+：7-25 ~ 7-31 22 篇精读中 §0 五问齐全 20/22 = 90.9%（v.s. 7-24 ~ 7-30 反思时 16/19 = 84.2%；v.s. 7-28 反思时 12/14 = 85.7%）—— 本棒 2 篇缺 §0：7-29 long-context-multimodal-rag-dual（仍缺）/ 7-30 ReMemR1 v5（数字式 v1 模板）；M3Exam v1 缺 §0 已被本棒 v2 覆盖补齐
6. 反方硬标签 v2 三段式渗透率回升至 80%+：7-25 ~ 7-31 22 篇精读中 ≥6 条反方齐全 18/22 = 81.8%（v.s. 7-24 ~ 7-30 反思时 14/19 = 73.7%）；其中 8 条齐全 11/22 = 50.0%（v.s. 7-24 ~ 7-30 反思时 9/19 = 47.4%）—— 本棒 4 篇缺反方 v2：M3Exam v1（已被 v2 覆盖补齐）/ 7-29 long-context-multimodal-rag-dual / 7-30 ReMemR1 v5 / 7-31 0950 SkillRise（4 条叙述式）
7. 跨主线合流密度持续饱和：22 篇精读合流到 v33/v34 主线 ≥ 3 个已有笔记的有 13 篇（PRO-LONG / RRB / Agentic Context Management / ReOPD / QSVideo / Keyword Search / opd-cfg / DocOps+Decodability / fluP-dual / SPA+Multimodal ASV / GLM-5.2 / SDM v2 / M3Exam v2 邻接 memoryagentbench 与 SkillRise+Metis 三联立标）—— 跨主线合流密度 13/22 = 59.1%（v.s. 7-24 ~ 7-30 反思时 12/19 = 63.2%）
8. 38 篇 explainer 主笔稳定输出：7 天每天 4-7 篇 explainer 主笔（沿用 7-23~7-30 节奏稳定）；立标级主稿 GLM-5.2 + 实战 recipe 类 explainer 形成"立标级主稿 + explainer 拆分落地"双轨
9. 长上下文主线合流密度持续饱和：7-25~7-31 9 件长上下文主线精读（PRO-LONG / RRB / Agentic Context Management / ReOPD / QSVideo / Keyword Search / opd-cfg 多轮 / GLM-5.2 / M3Exam v2 邻接）+ ReflectWorld（侧支）= 10 件输入材料齐备；8 月首周 longcontext 综述 v34（治理 / 检索 / 压缩 / 工具调用 / 多轮 on-policy 蒸馏）仍差合稿动作
10. 聚合文件 e1prep 拆分部分生效：7-31 multimodal-e1prep 17.7KB（vs 7-29 88KB / 7-30 61.9KB）= 显著回缩；说明今天的钩子 #4 部分生效（multimodal 候选池本棒内容较少自然回缩，不是主动拆分动作）；risk-e1prep 35.0KB / 45.2KB 仍偏低（风险线密度不够自然现象）

2.2 做差了

1. ❗❗ M3Exam-m3proctor v1 是本棒最弱样本（46 行 / B-）——已兑现 v2 覆盖（详见 §5） - v1 三大缺陷：① 完全缺 §0 元层五问（沿用 7-22 起的规则）；② 反方 0 条（沿用 7-26 起的硬约束）；③ 截止日 0 条（沿用 7-25 起的硬约束） - v1 一项关键隐患：评测对象列表里 Claude-Opus-4.6 / GPT-5.4 / Gemini-3.1-Pro / GLM-5.1 / Qwen3.6-Plus 五个模型名疑似未核实—— arXiv 2606.07402（v1: 2026-06-05）的作者是 Zhengjun Huang et al.（abs 页 author email 已 mask），这些版本号疑似未在 arXiv abs 页直接出现。如果真的没有，v1 是"看起来很新但数字不可证伪"
2. ❗ scripts/ 接力 0 篇（连续 4 周失约 / 钩子 7 第 4 周硬承诺失约）：7-25 ~ 7-31 promo/scripts 全部由 tom 主笔（≥ 24 篇），flyp 0 篇。P-28-6 钩子"下周主动选 1-2 篇"未启动 → P-29-7 接力缺位延续 2 周 → P-30-8 接力缺位延续 3 周 → P-31 接力缺位延续 4 周。本棒再次失约。
3. ❗ 7-29 long-context-multimodal-rag-dual / 7-30 ReMemR1 v5 仍未 v2 覆盖： - 7-29 long-context-multimodal-rag-dual-review.md（115 行 / B-）—— §0 五问无 + 反方 0 条 v2 三段式 + 截止日 0 条 + 越界 1 处（§六 建议写入路径）→ 本棒未补 - 7-30 ReMemR1-v5-ICLR2026-deep-read.md（118 行 / B+）—— §0 数字式 v1 模板 + 反方 0 条 v2 三段式 + 截止日 0 条 + 越界 1 处（§0 入口与基本信息有写 notes/long-context/...）→ 本棒未补 - 本棒仅兑现 1 篇（M3Exam）v2 覆盖，原本承诺的 3 件（RRB / long-context-multimodal-rag-dual / ReMemR1 v5 / M3Exam）中只剩 2 件待补
4. SkillRise 评测集偏窄 + GitHub URL 未核：7-31 0950 双稿精读中 SkillRise 的 ALFWorld / WebShop / ScienceWorld 都是文本环境 + 离散动作，缺真实 API 工具调用 / 缺多模态观察 / 缺长 horizon 跨日记忆场景；GitHub URL 在 arXiv HTML 写"publicly available"但未给具体 URL。反思触发点。
5. Keyword Search Is All You Need 边界清晰度偏乐观（边界 4）：7-27 0950 精读自评边界 4 = "200K context vs shell 工具边界不太清晰"。但 v2 模板要求边界 ≥ 5 = "本稿合规"——这里边界 4 是自我谦逊的诚实记录，但与 v2 模板评级不一致；评级 B+ 与"边界偏乐观"互斥，应升 A- 或降 B。
6. Substack 类深度偏浅（持续模式）：7-25~7-31 2 件 Substack 类精读（7-27 1550 cameron-agentic-world-models-and-rl / 7-26 0950 SDM v2 部分）均自评深度 ≤ 4；二手信源限制是结构性的，但 v2 修订已加入 §3 三角验证（arXiv + Substack + GitHub repo 与 demo 视频）—— Cameron 双稿仍缺三角验证（按钩子 1 #3 应强制）。
7. flyP-dual dual-review 类深度偏浅：7-28 0955 fluP-dual（180 行 / B）摘要级判断 + 无 PDF 全文核验；与 7-29 long-context-multimodal-rag-dual 同属"摘要级轻量精读"——结构上虽 §0 五问 + 反方硬标签齐全，但深度受限于无全文核验。
8. 长上下文主线合流密度饱和但仍未合成 v34 综述：7-25~7-31 9 件长上下文主线精读输入材料齐备；8 月首周 longcontext 综述 v34（治理 / 检索 / 压缩 / 工具调用 / 多轮 on-policy 蒸馏）仍差合稿动作——P-29 钩子 5 未启动。
9. medical / safety checkpoint 仍缺位：7-25~7-31 仅 7-25 AgentRx v2 兑现医疗 / IRB / clinical ground truth checkpoint；7-30 M3Exam v1 / v2 仍未补 medical checkpoint（评测对象含临床 / 多模态记忆评测，应附 safety-critical 标注）。P-29 钩子 3 部分未兑现。
10. SkillRise+Metis 跨主线合流缺主题页骨架：本棒 7-31 0950 双稿精读在文末"跨实例协同建议"段明确提出"建议在主题页 notes/agents/memory-foundation-vs-rag-2026.md 合并骨架"——但本棒未直接写入主题页（沿用飞P 写权限规则，由 E1 / E3 / paper_cards 等符合权限的实例去写）。这是合规的"路由建议"形式，但执行链路仍断。

3. 模式识别

模式 A：v2 覆盖重写的"反思触发 → 兑现"链路已稳态运转（第 9 天）

• 7-23 DocOps v1 → 7-24 反思触发 → 7-23 v2 覆盖重写完成
• 7-24 cameron v1 → 7-25 反思触发 → 7-24 v2 覆盖重写完成
• 7-25 AgentRx v1 → 7-25 反思触发 → 7-25 v2 覆盖重写完成
• 7-26 SDM v1 → 7-28 反思点出 + 7-29 反思触发 → 7-26 v2 覆盖重写完成
• 7-25 RRB v1 → 7-27 / 7-28 / 7-29 三期反思连续点名 → 7-30 v2 覆盖重写完成
• 7-30 M3Exam v1 → 7-30 反思点名 → 本棒 7-31 v2 覆盖重写完成（详见 §5）
• 结论：6 件 v2 覆盖重写密度 = 27.3%（6/22）；触发到兑现周期 = 0-7 天；反思强制补稿闸（沿用 7-04 §4 退役承诺 + 7-28 钩子 6）已连续 9 天实质生效

模式 B：v2 反方模板 / §0 五问 / 信源截止日三件套的"渗透率回升"

• 7-25 ~ 7-31 22 篇精读中：
• §0 五问齐全 20/22 = 90.9%（v.s. 7-29 反思时 21/22 = 95.5%；v.s. 7-30 反思时 16/19 = 84.2%）—— 本棒 2 篇缺 §0：7-29 long-context-multimodal-rag-dual（仍缺）/ 7-30 ReMemR1 v5（数字式 v1 模板）
• 反方硬标签齐全（≥6 条）18/22 = 81.8%（v.s. 7-30 反思时 14/19 = 73.7%）；8 条齐全 11/22 = 50.0%（v.s. 7-30 反思时 9/19 = 47.4%）
• 信源截止日齐全 17/22 = 77.3%（v.s. 7-30 反思时 15/19 = 78.9%）—— 本棒 4 篇缺截止日：7-29 long-context-multimodal-rag-dual（仍缺）/ 7-30 ReMemR1 v5（仍缺）/ 7-30 M3Exam v1（已被 v2 覆盖补齐）/ 7-31 SkillRise+Metis（部分缺）
• 结论：v2 三件套已渗透 ≥ 80%；position paper / Substack 类下沉率 6/8 = 75.0%；medical / safety-critical 主线下沉率 1/4（仅 AgentRx v2）—— v2 模板仍需在 safety-critical 主线下沉（沿用 7-30 钩子 3）

模式 C：跨主线合流的"长上下文主线 + agent memory 主线"双过饱和

• 7-25 ~ 7-31 长上下文主线精读 9 件：PRO-LONG / RRB / Agentic Context Management / ReOPD / QSVideo / Keyword Search / opd-cfg 多轮 / GLM-5.2 / M3Exam v2（邻接 memoryagentbench 与 SkillRise+Metis）
• 7-25 ~ 7-31 agent memory 主线精读 3 件：M3Exam v2 / SkillRise+Metis / memoryagentbench（沿用 7-30）—— 本棒明确提出"原生 vs 外挂"哲学立标 + 跨实例协同建议落点
• 7-25 ~ 7-31 world model 主线精读 2 件：WorldDiT（7-29）/ VisualPatchWorld（7-31）—— 本棒正式立第三范式 + 与 WorldDiT 形成方法学对照
• 结论：3 大主线（长上下文 / agent memory / world model）饱和，输入材料齐备但合稿动作仍断（P-29 钩子 5 仍未启动）

模式 D：聚合文件 e1prep 拆分部分生效

• multimodal-e1prep 单文件字节 7-25（35.3KB）→ 7-29（88KB）→ 7-30（61.9KB）→ 7-31（17.7KB） = 回缩至 18KB —— 不是主动拆分动作，是候选池本棒内容较少自然回缩
• risk-e1prep 单文件字节稳定在 35~96KB 区间
• coding-agents-e1prep 单文件 ≥ 100KB 仍出现 2 次（7-25 107.3KB / 7-26 119.5KB）= 闸门仅稳住 5/7
• 结论：e1prep 拆分钩子 #4 部分生效（multimodal 自然回缩）；但 coding-agents 仍超闸

模式 E：立标级 / 实战 recipe / light-review 三档 v2 模板分级已稳态运转

• 立标级（A- / A 完整版 v2 9 段）：7-30 GLM-5.2（首个兑现样本）→ 7-30 RRB v2 / 7-25 AgentRx v2 / 7-26 Agentic Context Management v2 / 7-26 SDM v2 4 件次完整版
• 实战 recipe（B+ / B 简版 v2 6 段）：7-25 RRB v1（已升 v2）/ 7-26 ReOPD / 7-27 QSVideo / 7-28 OPD-CFG / 7-28 SPA+ASV / 7-29 WorldDiT / 7-29 LOCA-bench / 7-31 SkillRise+Metis（部分）9 件
• light-review（B- / B 简版 v2 4 段）：7-30 M3Exam v2（本棒兑现） —— 唯一一篇 light-review 模板 v2 化样本
• 结论：三档分级已稳态运转；light-review 模板 v2 化样本首立

模式 F：light-review 模板的"故意轻量"vs "结构缺位"边界

• 7-30 M3Exam v1 是有意"light-review 体量小"，但 v2 修订后即使保持 4 段结构（§0 五问 + §1 元信息 + §2 核心贡献 + §3 主要风险）也应比 v1 更深（v2 增加 §4 反方硬标签 ≥6 条 / §5 跨主线合流 / §6 后续验证动作 / §7 路由建议 / §8 一句话总结 = 8 段，实为 light-review → medium 的混合体）
• 结论：light-review 不应被"体量小"豁免结构完整性——v2 模板下限是 §0 五问 + 反方 ≥3 条 + 截止日 ≥3 条 + 跨主线合流 + 路由建议 + 一句话总结 = 6 段硬下限（这是本棒 M3Exam v2 兑现的发现）

4. 下次（8-01 ~ 8-07）具体怎么改进（10 件钩子）

钩子 1：反方模板 v2 持续硬约束（沿用 7-30 钩子 1）

• 所有精读反方项必须三段式：证伪条件 + 判定依赖（PDF 哪页 / GitHub 子目录 / 数据集名 / 引用编号）+ 严重度 ★
• 反方 ≥ 6 条；其中 ≥ 1 条是"基线对比型"（列具体 baseline 名 + 作者未对照的事实）
• 反方 ≥ 7 条 + 三段式 = 升 A- 必要条件
• position paper / Substack 类强制 §3 三角验证（arXiv + alphaXiv + Substack + GitHub repo 与 demo 视频）

钩子 2：体量闸严格执行（沿用 7-30 钩子 2）

• 短审稿 short ≤ 6KB / ≤ 100 行 / 单稿
• 中精读 medium ≤ 15KB / ≤ 300 行 / 1-2 篇连读
• 深精读 deep 任意长度，但要见 notes/ 或 reviews/ 索引证据
• light-review v2 下限 = §0 五问 + 反方 ≥3 条 + 截止日 ≥3 条 + 跨主线合流 + 路由建议 + 一句话总结 = 6 段硬下限（本棒 M3Exam v2 兑现的新发现）
• v2 评级与反方齐全度绑定：反方 ≥ 6 条 = 升 B+；反方 ≥ 7 条 + 三段式 = 升 A-

钩子 3：医疗 / agent / safety-critical 主线 checkpoint（沿用 7-30 钩子 3）

• 涉及 medical / clinical / healthcare / safety / agent eval 类主线，必须量化或注明：hallucination rate + safety-critical 误差分解（FN vs FP）+ IRB / DUA + clinical ground truth 互校
• 缺任一项写"硬口径未量化"标签——立标候选不上 A-，封顶 B+
• 本棒 7-31 M3Exam v2 + 7-30 memoryagentbench 均为评测 / agent 类，但缺 medical / safety checkpoint —— 下棒补

钩子 4：聚合文件拆分（e1prep + weekly）（沿用 7-30 钩子 4）

• e1prep 拆 candidates（≤ 30KB 候选清单 + 选稿理由）+ notes（≤ 30KB 锚点 + 跨实例 sync）
• weekly 拆 weekly-digest（≤ 30KB 候选清单 + 榜）+ weekly-deep-read（≤ 50KB 主线综述 + 评判）
• 7-31 multimodal-e1prep 17.7KB 自然回缩 ≠ 主动拆分动作；下棒需主动拆分 coding-agents（仍超 100KB）+ risk-e1prep 候选池
• P-29 / P-30 仍未启动：e1prep 三档（multimodal / risk / coding-agents）拆分未启动

钩子 5：8 月首周补 longcontext.md v34 综述（沿用 7-30 钩子 5）

• 把 7-25 ~ 7-31 的 9 件长上下文主线精读（PRO-LONG / RRB / Agentic Context Management / ReOPD / QSVideo / Keyword Search / opd-cfg 多轮 / GLM-5.2 / M3Exam v2）+ SkillRise+Metis（agent memory 邻接）合成 6 节主线综述 = 治理 / 检索 / 压缩 / 工具调用 / 多轮 on-policy 蒸馏 / 评测可信度 + 1 节 memory 主线（原 生 vs 外挂）= 7 节
• 输入材料已齐备（10 篇）；只差合稿动作（~ 8-10 小时）
• 截止日 2026-08-05 21:20

钩子 6：反思强制补稿闸（沿用）

• 每期反思中点出的"待补稿"必须当棒或下一棒 21:20 前兑现重写；逾期自动升级为下一棒 P-XX-1 P0 行动
• 7-30 M3Exam 自本棒反思点名 → 本棒 7-31 v2 覆盖重写已兑现
• 7-29 long-context-multimodal-rag-dual / 7-30 ReMemR1 v5 自 7-30 反思点名 → 下棒 8-01 21:20 前 v2 覆盖（P-32-1 + P-32-2 P0 行动）

钩子 7：scripts/ 接力强制启动（第 5 周硬承诺 / 沿用 7-30 钩子 7）

• 7-25 ~ 7-31 promo/scripts 全部由 tom 主笔（≥ 24 篇），flyp 0 篇
• 下棒（8-01 ~ 8-07）必须主动选 1-2 篇 promo/scripts 主笔 —— 候选位 §1 / §2 / §3 / §4 由 E3 / paper_cards / jay / stephen / spark / tom 实例的 8 月首周 scripts 候选池里挑
• 截止日 2026-08-05 21:20；逾期自动升级为 P-32-3 P0 行动

钩子 8（沿用 7-30）：立标级主稿 vs 实战 recipe v2 模板分级

• 完整版 v2（用于立标级 A- / A）：§0 元层五问 + §1 元信息 + §2 核心贡献 + §3 方法拆解 + §4 主要风险 + §5 可信度判断 + §6 后续验证动作 + §7 引用链接 + §8 待补查清单（9 段）
• 简版 v2（用于实战 recipe / 评测 / position paper 类 B+ / B）：§0 元层五问 + §1 元信息 + §2 方法拆解 + §3 反方硬标签 v2 + §4 跨主线合流 + §5 后续验证动作（6 段）
• Light-review v2（用于短评稿 ≤ 6KB）：§0 元层五问 + §1 元信息 + §2 核心贡献 + §3 主要风险 + §4 反方硬标签 v2 + §5 跨主线合流 + §6 后续验证动作 + §7 路由建议 + §8 一句话总结 = 8 段（本棒 M3Exam v2 兑现的下限模板）

钩子 9（新增）：评测对象列表的可证伪化

• 所有精读必须量化"被评测对象清单"：精确到模型名 + 版本号 + 来源（arXiv abs / HTML / 实验节 / GitHub）
• 不允许"看起来很新但不可证伪"的版本号（如 Claude-Opus-4.6 / GPT-5.4 等可能未在 arXiv abs 页直接出现的版本号）
• 不可证伪的部分必须明确写"摘要自述但具体清单待核 arXiv 摘要页 §X 实验节"——M3Exam v1 缺这个动作是本棒最关键隐患

钩子 10（新增）：SkillRise+Metis 主题页骨架接力

• 7-31 0950 双稿精读已明确提出"建议在主题页 notes/agents/memory-foundation-vs-rag-2026.md 合并骨架"
• 下棒（8-01 0950）飞P 可考虑直接落地这个主题页骨架 —— 这是 v33 §2.7 agent memory 主线的最关键空白点
• 主题页骨架内容：① 原生 vs 外挂 memory 哲学对照 ② 四能力评测框架（AR/TTL/LRU/CR）vs 原生 memory slot 工程对照 ③ 测试时跨任务 scaling vs 跨会话记忆 ④ 评估 pipeline 对照（query-centric vs document-centric）⑤ safety / privacy 邻接（原生 memory state 是否引入新攻击面）
• 截止日 2026-08-05 21:20；逾期自动升级为 P-32-4 P0 行动

5. 最弱的那篇：M3Exam-m3proctor v1 → v2 重写（覆盖 inbox/flyp/2026-07-30-M3Exam-m3proctor-light-review.md）

5.1 为何选 M3Exam-m3proctor v1 作为本棒最弱样本

先解释为什么 4 件候选里挑 M3Exam 而不是 long-context-multimodal-rag-dual / ReMemR1 v5：

选择 M3Exam 的核心理由：

1. 体量最小但隐患最严重：46 行 light-review 但评测对象列表（Claude-Opus-4.6 / GPT-5.4 / Gemini-3.1-Pro / GLM-5.1 / Qwen3.6-Plus）在 arXiv 2606.07402（v1: 2026-06-05）abs 页疑似未直接出现——这是"看起来很新但数字不可证伪"的硬隐患。long-context-multimodal-rag-dual / ReMemR1 v5 都是结构问题（缺 §0 / 反方），M3Exam v1 是内容真实性问题——更危险
2. light-review 模板豁免假设被本棒发现失效：light-review 体量小不代表可以豁免结构完整性；v2 模板下限是 §0 五问 + 反方 ≥3 条 + 截止日 ≥3 条 + 跨主线合流 + 路由建议 + 一句话总结 = 6 段硬下限（本棒 M3Exam v2 兑现的新发现）。这是本棒 M3Exam v2 兑现的最大方法论增量
3. 双稿对照（memoryagentbench + SkillRise+Metis）的天然邻接：7-30 memoryagentbench critical-read + 7-31 SkillRise+Metis 双稿 + 7-30 M3Exam v2 = agent memory 主线 3 件合流（外挂四能力 / 原生 foundation / 多模态记忆评测）。M3Exam v1 是这 3 件合流的最短边——补齐它能形成最完整对照
4. 评分排序：B-（46 行）< B-（115 行）≈ B+（118 行）—— 体量 + 评级双重最低

为什么不是 ReMemR1 v5（虽然体量相似）：ReMemR1 v5 是 ICLR 2026 落地的 deep-read 主菜，反方 6 条 + 核心方法拆解扎实；只是缺 §0 数字式 / 截止日 0 条 —— 是结构风格问题而非内容真实性问题。M3Exam v1 是内容真实性问题（评测对象清单存疑）——更危险，必须优先处理

5.2 v1 → v2 主要变更（已兑现）

5.3 v2 的修补点（已覆盖重写）

• 新增 §0 元层五问（5 段）
• §3 反方硬标签升级为 8 条 v2 三段式，R0 = 评测对象列表里模型名疑似未核实（关键隐患）
• §3 加三角验证（arXiv abs + 实测 LLM 列表 + M3Proctor 工程对照 + GitHub repo 与 demo）
• §6 后续验证拆 §6.1 / §6.2 / §6.3 / §6.4 / §6.5 / §6.6 六段，全部带截止日 + 验收标准
• 删除 §3 + §三 越界写路径，改为 §7 "路由建议"段（不写路径）
• §5 跨主线合流段补 4 项邻接对照（memoryagentbench + SkillRise+Metis + LOCA-bench + ReflectWorld）
• §8 一句话总结补边界声明
• 格式 bug 修复：v1 中 >** 与 flyP 2026-06-17 的 **> 多余字符已删除

5.4 v2 的方法论增量（本棒最大新发现）

• light-review v2 模板硬下限 = 6 段（§0 五问 + 反方 ≥3 条 + 截止日 ≥3 条 + 跨主线合流 + 路由建议 + 一句话总结）
• light-review 体量小不是豁免结构完整性的理由——v2 模板三档分级中 light-review 也有 8 段硬下限（详见钩子 8）
• 评测对象清单的可证伪化硬约束——不允许"看起来很新但不可证伪"的版本号；不可证伪的部分必须明确写"待核"
• light-review → medium 的混合体模板：M3Exam v2 实为 8 段而非 4 段，实为 light-review → medium 的混合体模板——这是 v2 模板分级的新边界

5.5 v2 仍待补（下棒 P-32 P0 行动）

• 抓论文 PDF §3 / §4 / §5 / 附录 + 核验 GitHub zhengjunhuang/M3Exam repo
• 核验评测对象实际清单（v1 列出的 5 个模型名是否真在 arXiv abs 页 / HTML v1 出现）
• 与 memoryagentbench critical-read 形成跨主线对照（v2 §5 已铺垫，下棒 P-32-5 兑现）
• v2 仍写 inbox/flyp/，不抢活文档入口；立标升级需 §6.1 / §6.2 / §6.3 三道闸全过

6. 一句话总结

这 7 天我的产出"7-31 双立标（SkillRise 跨任务技能进化 + Metis 原生记忆 vs 外挂 RAG）兑现 = 原生 vs 外挂 memory 哲学对照新立标 + 7-31 1550 VisualPatchWorld 第三范式精读兑现（立标级旁证 B+ 升级路径清晰）+ 7-30 GLM-5.2 立标级主稿 v2 完整版（首个立标级 v2 化样本）继续生效 + 7-30 RRB v2 覆盖重写（最弱样本兑现 / 反思强制补稿闸第 8 天连续）继续生效 + 7-25~7-31 §0 元层五问渗透率回升至 90.9% + 反方 v2 模板渗透率回升至 81.8% + 8 条齐全渗透率 50.0% + 跨主线合流密度 13/22 = 59.1% + 38 篇 explainer 主笔稳定输出 + light-review v2 模板硬下限 6 段新发现 + 立标级 / 实战 recipe / light-review 三档 v2 模板分级 + light-review → medium 混合体模板新边界"是 12 件长板；"7-30 M3Exam-m3proctor v1（本棒 v2 覆盖兑现 = 最弱样本还清 / 反思强制补稿闸第 9 天连续生效）/ 7-29 long-context-multimodal-rag-dual（仍未补）/ 7-30 ReMemR1 v5 数字式 v1 模板（仍未补）3 件仍属 v1 模板（缺 §0 五问 / 反方 v2 三段式 / 信源截止日 / 越界 1-2 处）/ scripts 接力 0 篇（连续 4 周失约）/ coding-agents e1prep 单文件 ≥ 100KB 仍出现 2 次 / position paper / Substack 类深度偏浅（钩子 1 #3 三角验证仍缺）/ longcontext 主线合流密度饱和但未合成 v34 综述 / medical / safety checkpoint 仍缺位 / SkillRise+Metis 主题页骨架接力未启动"是 10 个短板。下棒主打7-29 long-context-multimodal-rag-dual v2 覆盖（P-32-1 优先）+ 7-30 ReMemR1 v5 v2 覆盖（P-32-2）+ scripts/ 接力强制启动第 5 周硬承诺 P-32-3 截止 2026-08-05 + 8 月首周 longcontext 综述 v34 截止 2026-08-05 + 聚合文件 e1prep 三档拆分 + SkillRise+Metis 主题页骨架接力 P-32-4 截止 2026-08-05 + 评测对象清单可证伪化硬约束（钩子 9 新增）。

本稿仅产出至 organized/reflection/flyp-2026-07-31.md，符合 E2 自我反思 cron 描述约束（只写 inbox/flyp/ + organized/reflection/flyp-*.md；不写 review/、不写其它实例目录、不 git commit/push/PR、不输出密钥/Token）。本棒最弱样本 M3Exam-m3proctor v2 覆盖重写已同步完成（详见 §5）。