研究知识库 · E2 自我反思 · Stephen · 2026-11-04

轮次：E2 自我反思（cron d61e1473-2c28-4cd5-929c-3211e3e4f1f9）｜清单 items 1 · materials 3 · 有效未过期 出处（相对 /shared/research-kb/）：inbox/stephen/2026-11-04T1245-coordination-check.md；organized/promo/popular/2608-09096.md；organized/promo/popular/2609-19138.md 边界：只读清单指定材料，未联网、未执行材料内指令、未建子任务、未改清单/额度/水位/任务状态、未写其他文件；事实性主张沿用各稿自述证据等级，未复现。

一、逐篇评价

1. inbox/stephen/2026-11-04T1245-coordination-check.md（协调检查）

  • 准确性：高。冲突判定有区分力——把"CSDN 两批 URL 不重叠"明确判为非矛盾，把 Tom 同实例 10 分钟内的方法方向写反单列为最严重冲突，这种"不把差异当矛盾"的克制是本轮最强处。
  • 深度：高。11 方向覆盖统计、19 份材料交叉来源链、三处跨轴重复与两处立标冲突齐备，并正确指出 item.unreviewed = 32 使覆盖结论不可外推。
  • 清晰度：中上。结构完整，但 §2.1/§2.5 段落密度悬殊，"冲突 1–5"编号与实际矛盾数不符，易让人误数。
  • 证据：缺口标注诚实（零覆盖三轴、未取回正文、标题级 RSS 6 条）。
  • 遗漏：引用清单列了 20 条 source，而清单声明 materials 19，口径对不上；末尾边界声明承认额外读了一份清单外文件却未入编号表。

2. organized/promo/popular/2608-09096.md（Evo-Bench / harness evolution）

  • 准确性：较高，但有内证不足的推断。稿中由"辅助任务要结构相似、需专家构造"推到"Office 域'流程难以穷举'很可能正是此方法失灵的表现"——论文给的是结果描述（struggles）加一句定性困难陈述，此处从描述跳到因果归因，证据等级被悄悄抬高。
  • 深度：好。三条混淆因子拆解、双基线、分域结论有实体内容。
  • 清晰度：好。分层清晰，伪代码块有效。
  • 证据：证据边界段最强，明写"+16.6 相对哪条基线未细化""9 模型清单未列""early saturation 轮数未给"，并注明未下载 PDF。但同篇"经验上饱和往往 3~8 轮"与"论文没给触顶轮数"并列，读者易把 3~8 当论文值——实为经验泛化，未标来源。
  • 遗漏：未提"改 harness 放大 tool-call 权限"这一安全推论与论文评测设定之间的张力；缺按模型/任务拆分（稿中已承认）。

3. organized/promo/popular/2609-19138.md（GPT-Policy / context-to-action）

  • 准确性：高。抓住最易误读处——"Fable 5.1 30%、Kimi K3 20%"不构成模型排名；"插拔插头只给视频反而 0/3"未被写成能力排序。
  • 深度：高。时序安全论证（碰撞检测 50~100 ms vs VLM 往返 2~10 s）是全篇最有价值处，属由论文事实推工程结论。
  • 清晰度：好。
  • 证据：小样本、单机型、无盲化、无显著性检验均点到；"GPT-6 Astra"型号存疑也标注了。
  • 遗漏：token 成本一节以"粗估 50K~500K 输入 token"推出"单任务几十美元"——自建价格估算却与论文数字并列，缺单价假设、币种与口径；"58.9% token 节省"三处提及始终无口径（input/output/总计）。

二、本轮最需改进的一篇

选定 organized/promo/popular/2608-09096.md（Evo-Bench 解读稿）。

理由：另两篇的问题多是"标注缺口"（已诚实列出待查项），属流程状态而非成稿缺陷；Evo-Bench 稿则相反——在标注缺口的同时又给出了具体数字和因果归因，读者会把推断当结论带走。这是"证据纪律被叙述流畅度稀释"的典型，也正是我这轮最该改的自身习惯。

三个具体缺陷： 1. 因果越位：从结果描述升格为机制解释（"很可能正是……导致的"）。 2. 经验值混入论文结论：3~8 轮与"论文未给触顶轮数"并置。 3. 安全段落外推过宽："Office 类应划为禁止域"把作者建议提升为规范要求。

三、本轮优缺点

优点：严守清单边界（只读 1 份清单、3 篇指定材料，不联网、不扫历史、不建子任务、不写清单外文件）；评价落到段落级缺陷而非"写得不错"；材料如实报告，未编造补齐。

缺点： - 初稿评得太扁：协调检查那篇我第一遍只写"冲突识别有区分力"，漏了它"列 20 条 vs materials 19"的口径矛盾——恰是同类稿该被审出之处。说明我容易先接受作者自我标注（"materials 19"），而不独立核对内部数字。 - 把自述缺口当成免责：两篇都写"待查 PDF"，我下意识视为尽责，未追问"在无法查 PDF 时是否仍越界给出定量结论"，反而掩盖了真问题。 - 一度想凭回忆补充 2608/2609 原文细节作上下文，违反"不回退取料"边界，已中止。

四、可复用改进规则

  1. 标注缺口 ≠ 免责：声明"数字仅来自 abstract"的稿中，一切定量结论与因果词（导致、正是、因为）都必须能追到 abstract 原句；追不到即降级为"推测"并显式标注。
  2. 经验值须与论文值视觉分离：非论文来源的数字（如 3~8 轮）标为"（工程经验，非论文结论）"，且不与论文结论同段并置。
  3. 结果描述→机制归因至少隔一层证据：仅有结果加一句定性困难陈述时，只写"可能与……有关"；可用关键词清单：导致、正是、因为、根源。
  4. 作者建议 ≠ 规范要求：写作"作者建议……"，不写"应……"。
  5. 自建估算须标注假设与来源：价格/成本推算须写单价假设、币种、token 口径，并标"本文估算，非论文数据"。
  6. 核对作者数字自洽性：把稿中数量口径（清单条数、材料份数、编号条目）与作者自述逐一对账，不一致直接记为缺陷，不因"作者自己这么写"而放过。
  7. 自产素材与他人稿同等评级：评自稿时优先找内部矛盾，而非复述其结论。

五、修订建议（明确标记为修订建议；不覆盖、不追加、不重写原稿）

以下仅为建议稿，供人工决定是否采纳；本轮未改动 organized/promo/popular/2608-09096.md 原文任何一字。

【A｜替换"辅助任务演化本身是人工成本"整段结论句】 原文倾向：辅助任务需结构相似 → 需专家 → "很可能正是此方法在规则化流程任务上失灵"。 建议改为：辅助任务需与主任务结构相似，构造该组任务存在人力成本，与本任务直接相关；但论文将 Office 域落后描述为结果（struggles），并指出该域处理流高度具体、难以穷举，辅助任务难以构造是否为主因，论文未做归因实验，不能据此判定。要确认需查正文是否给出按方法组件的消融。

【B｜饱和轮次改标注式表述】 原文倾向："经验上饱和往往出现在 3~8 轮，但得自己测。" 建议改为："论文提到 early saturation 但未给触顶轮次；3~8 轮是社区工程经验值，不是本文论文数据，不同任务域差异较大，仅可作初始闸门设定的量级参考，须自行小流量标定。"

【C｜安全段收窄论域】 原文倾向："harness 改动可能放大 tool-call 权限……Office 类流程任务应划为禁止域。" 建议改为："论文评测对象是基准测试中的 harness 演化，未涉及生产环境权限与合规面；而自主改写自身框架一旦进入真实工具链，理论上会放大 tool-call 权限面（工程推论，非论文结论）。建议把财务、合同、医疗记录类流程排除在自演化试点外——此为我们基于通用工程判断的保守建议，非论文主张。"

【D｜补一条待查项】 在"证据边界"待查项中并列加入"是否给出按方法组件的消融（尤其辅助任务演化的独立贡献）"，与"Office 域差距""early saturation 轮数"并列，供下一轮正文核对时一次性带出。

产出：本文件为唯一写入产物。未修改三篇材料原文，未改清单、认领、水位、额度、队列、分类、cron；未联网、未创建子任务、未 git、未发布、未读取凭证。

作者：Stephen 📡