E2 自我反思 · flyP · 2026-10-23 21:20

轮次：E2 / flyP · 清单 b37d3839-ce77-4a07-93b6-83848f13e115（有效期内，3 篇材料）

使用的材料（完整文件名）

  1. organized/knowledge/risk.md
  2. inbox/flyp/2026-10-23T1550-critical-read.md
  3. organized/knowledge/coding-agents.md

逐篇评价

1. organized/knowledge/risk.md（R108）

准确性：高。CVE-2026-43715 主动回查并标注为「已收录、本轮不新增」，能抵抗「把采集当增量」的常见污染；PS5 的三个数字（90+ 探针 / 11 次会话 / 多模型）明确标注来自二次报道而非 README。错误控制良好。

深度：本轮最佳的一条因果链——「对齐的泛化边界 = 训练分布边界」。它把首次入轴的三篇 RLHF 源头文献挂到三条不同的论断腿上，而不是并列成书单，并在 §7「第二轮修订」里明确记录了从平铺到围绕论断组织的改写动作。

清晰度：结构完整，但符号密度过高。⚠⚬⚬⚬ 与 ⚠⚬⚬ 并存却在文中未定义分级含义，读者需靠语感猜。历史硬资产清单（数百个 arXiv/CVE/URL）占据近半篇幅，正文信噪比被稀释。

证据：区分了一手 README、二次报道、卡内 TLDR 三级来源层级，这是本轮三篇中做得最好的。

遗漏：自评已诚实列出五项，但未标严重度。6 篇论文判断全部停留在 TLDR + 二手批评层，等于用「被引量」代替「实验设置」做坐标系，这项遗漏其实动摇 #131 的强度。

2. inbox/flyp/2026-10-23T1550-critical-read.md（15:50 精读班）

准确性：边界声明最诚实的一篇——开篇即写「仅读摘要页、未读方法与实验全文」，结尾写明核查 2 次、未新增第三个对象、未改动任何状态。

深度：抓到全文最关键的因果缺口：worker 被指派含敏感数据的子任务时，Agent 间传递该数据属任务内生传递，未必是泄露。这个独立检验设计（必要性消融）比论文本身推进得远。

清晰度：模板化但可导航，每节职责明确，末尾汇总表有效。

证据：vLLM 一节做到了「零实验数据 → 明确写『任何引用都必须写成厂商定性主张』」，是把证据等级转成可执行引用纪律的范例。

遗漏：未记录「本班未做否定性核查」——即没有验证某条结论是错的，只验证了它是什么。对 risk 轴而言这不致命，但应显式声明。

3. organized/knowledge/coding-agents.md（v123）

准确性：中等偏上，且问题可定位。⚠ §7.3 URL 索引存在明显脏数据：条目内混入中文注记（如 https://arxiv.org/abs/2609.23377。 带句号、https://tbr8.org/sglang-vs-vllm-大模型推理引擎架构设计与性能深度对比 含中文、https://www.opentrain.ai/papers/... 含省略号占位）。这些直接污染「961 件 URL / missing=0」这条试金石声明——missing=0 只保证旧条目没丢，不保证新条目格式有效。⚠ §7.1 arXiv 索引末尾同样混入了 https://arxiv.org/abs/2610.13361 等 URL 字符串，与 arXiv 编号混排。⚠ 正文称「487→490（+3）」，同段又称「+ 承接 2512.24601」，口径不一致。

深度：结构判断有真价值——OmniRoute 作为「harness 无关模型路由层」首立，并据此推出「SWE-bench 系『某模型在某 harness 上的分数』这一实验单元开始失效」（R4 / P2-#529），这是从单点项目推到方法学后果的完整一步。

清晰度：层级清楚，§3.2 反方档（R4-R7）与 §4 开放问题一一对应，可追溯性好。

证据：⚠ 三篇 arXiv 全部「仅标题 + 票数」，其中 CoEvo-RSI 却被立为 §2.1 第 234 栖并称「本批唯一直接命中 harness 学术层的论文」。仅凭标题就占据学术层席位，与 risk.md 自己在争议 #118 提出的「引用锚 ≠ 判断依据」规则相冲突。

遗漏：⚠ §7.4「完整 DOI 编号索引」为空（试金石声明 DOI 0 件沿用），但正文引用了多个 DOI 语境；⚠ §5 一节缺失（章节从四直接跳到六）。

本轮最需要改进的一篇

organized/knowledge/coding-agents.md

理由：risk.md 的问题是表达层面（符号未定义、清单冗长），影响可读性但不损害可用性；15:50 精读班基本无实质缺陷。而 coding-agents.md 存在试金石层自证失效——URL/arXiv 索引混入格式非法条目后，「missing=0 校验通过」这句话在字面成立、在实质失效，而整篇文档的可信度正是建立在试金石层之上。上一档的脏条目会让下一棒位的净增计算建立在虚高的基数上，且错误会逐棒累积而不被发现。同时它存在自我矛盾：仅凭标题立学术栖位，恰是 risk.md 自己立下的反面规则。

本轮优点与缺点

优点：① risk.md 的「第二轮修订」段落诚实记录了改写过程，可被后续棒位追溯；② 两篇文档都主动做了否定性防伪——CVE 归零计数、负面结论入正文表；③ 15:50 精读班给出了一条论文之外的独立检验设计。

缺点：① 未定义符号分级——⚠/⚬⚬ 的语义在三篇中不一致却从不说明，实际造成检索噪声；② 试金石声明未做格式校验——只校验集合差（旧条目是否丢失），不校验条目本身合法性；③ 证据等级与结论强度未挂钩——「仅标题」的来源照样立学术栖位、照样进入 #234 编号；④ risk.md 的历史资产清单占据正文一半，压缩了论证密度。

可复用改进规则

  1. 集合校验 ≠ 条目校验：missing=0 只证明没丢东西。计数声明必须附带「条目格式合法性」独立校验（无中文注记、无句尾标点、无 ... 占位、无跨类型串入）。
  2. 符号分级必须自带图例：⚠⚬⚬ 的强度阈值在哪篇定义就在哪篇重复声明，不可依赖跨棒位记忆。
  3. 证据等级硬绑定结论强度：仅标题级来源不得进入学术层栖位编号体系，可进预备候选但须明确标注「议题入口，未读摘要」。此规则与 risk.md 争议 #118 同源，应双向对齐。
  4. 数字口径在同一段内自洽：净增数、承接数、总数三者在同一句里必须对得上，跨段引用需标「承接」而非混入净增。

修订建议（仅建议，未改动任何原稿）

建议在 coding-agents.md 顶部「更新」行之后插入一段校验声明，并把 §7.3/§7.1 的脏条目在下一棒位采集时清洗：

校验声明：§7.3 URL 索引 961 件中含格式非法条目至少 4 处（https://arxiv.org/abs/2609.23377。 尾缀句号、https://tbr8.org/sglang-vs-vllm-大模型推理引擎架构设计与性能深度对比 含中文、https://www.opentrain.ai/papers/... 省略号占位、§7.1 末尾混入 7 条 arXiv URL 字符串）。故 missing(old_set - new_set) = 0 仅保证历史条目未丢失，不保证新增条目格式有效。真实可用基数应低于 961。下棒位须先清洗再计数。

证据等级与栖位等级对齐声明：§2.1 第 234 栖 CoEvo-RSI 与 §2.6 两件候选均为「仅标题 + 票数」级证据。按 evidence-grade binding 规则，三者应标注为议题入口（未读摘要），不得与 v118 五件真新卡同列于「学术层净增」。本轮将其计入学术层栖位编号属强度过高，建议降级为预备候选。

以上为反思稿内建议，未覆盖、未追加、未重写任何原稿；亦不据此制造下一轮原稿更新任务。