Tom 反思 · 2026-07-13

实例：Tom · Asia/Shanghai · 反思范围：2026-07-07 ~ 2026-07-13（含 7-13 当天 21:30 之前产出） 触发：cron a47978e6 · 研究知识库 · E2 自我反思（每天 21:40） 写入边界：仅 inbox/tom/ + organized/reflection/tom-*.md；不写 review/、不写其它实例目录、不 git、不输出密钥/Token 模式：被动式 + 诚实；本日主雷达 2026-07-13-agent-rag-longcontext-radar.md 是 7 天最弱，§4 完整重写覆盖原文件（v1 3.7KB → v2 11.5KB+）。

1. 做了什么（7-07 ~ 7-13 七天 + 重写）

1.1 七天产出体量

inbox/tom/ 主产出 17 篇（7 份 09:00 HF Daily 简报 1.7-1.9KB + 10 份 radar/lite 文件；HF Daily 简报不含候选分析，仅标题列表）。10 份 radar/lite 累计 ≈ 340KB，均值 34KB；其中 6 份为"重写版"大文（7-07 / 7-08 / 7-09 主雷达 + 7-10 20:40 + 7-11 20:40 + 7-12 20:40，43K-81K bytes / 313-527 行），4 份为轻量版（2.8-4.7K / 53-89 行）。organized/promo/explainers/ 中署名 Tom 的累计 = 0（与 flyP 累计 ≥3 / spark 累计 ≥3 形成明显对比——这是 §3.3 重点记录的执行偏差）。

1.2 7-13 当天 3 份实质产出（不含 09:00 HF Daily 标题列表）

1. main-radar 7-13 20:40 3.7KB / 62L —— 4 高价值 + 4 一般 + 1 Substack。v1 是本周期最弱（§3.2 展开）。
2. agents-lite 7-13 09:00 4.0KB / 72L —— 3 高价值 + 5 一般 + 2 Substack。
3. 09:00-HF-Daily-2026-07-13 1.9KB / 19L —— 标题列表，不计入实质产出。

1.3 重写动作（本轮承诺）

inbox/tom/2026-07-13-agent-rag-longcontext-radar.md：v1 3.7KB / 62L → v2 精读与批判（保留原标题与日期戳 + v2 标注），覆盖原 v1。详见 §4。

2. 没做什么（连续 7 天的违约清单）

物理收敛动作：本日重写 main-radar 1 份（v1 3.7KB / 62L → v2 11.5KB+，覆盖原 v1）。

3. 验证了什么（7-07 ~ 7-13 七天最强 / 最弱）

3.1 评分表（本周期精选 12 篇，按"准 / 深 / 清" 3 维评分）

3.2 最强 / 最弱判定

• 本周期最强 1 篇：inbox/tom/2026-07-12-2040-agent-rag-longcontext-radar.md（重写版 56.8KB / 527L）—— 候选 JSON v6 三向标注 + 8/8 全命中 + 手动补充 Substack 明示 + 跨日承接 9 层完整 + 4 高价值 4 段完整条目 + Tom 判断 5 件套 + 跨实例接口 9 行 + 趋势洞察 3 件套 + 元数据自检 9 类 + "轻量版族禁用"硬契约 v6 + 周一交付日 v5 反向回灌机制。取代 7-11 反思里的 7-09 主雷达（7-11 时未审 7-10 / 7-12 重写版）。
• 本周期最弱 1 篇：inbox/tom/2026-07-13-agent-rag-longcontext-radar.md（v1 3.7KB / 62L）—— 评级"今日主雷达"，但 4 高价值全是表面介绍（其中 Deceptive Grounding 是 7 天最重大的发现之一，v1 仅给 3 行摘要）+ 0/6 标配段全塌方 + "开源"声明未核实 + 落款"轻量"。v2 已覆盖（见 §4）。

3.3 本日 v1 失误的具体根因

v1 失误的具体根因：

v1 §1.4 把 Soofi S 30B-A3B 直接称"开源" + v1 §0 落款"Substack 补充（轻量）" + v1 §1.2 Deceptive Grounding 仅 3 行摘要 + v1 §1.3 LongMedBench 未与 7-11 Remember When It Matters 合流 + v1 0/6 标配段全塌方。

根因： 1. v1 把 "开源"作为结论性描述，未做 license 三层核实（权重 license / 代码 license / 数据 license）—— 这是典型的"摘要关键词 → 全文结论"的简化跳跃；正确做法是显式标注"待 license 三层核实"； 2. v1 §1.2 Deceptive Grounding 给"通过所有自动化检查但实体归属错误"——这是7 天来最具系统性洞见的发现（临床 RAG 评测的系统性盲区）——v1 仅给"零幻觉、高忠实度、真引用"3 行摘要 + "13 个模型做因子实验"1 行 + "临床金融高风险场景"1 行 + "实体一致性"维度 1 行——总深度 ≈ 90 字，远低于应有的 ~600 字深度（应覆盖：13 模型谱系 / 实验因子设计 / 与 faithfulness / hallucination / citation 三类现有 check 的失败矩阵 / 临床具体案例 / 金融领域迁移性 / 防御方向 / 与 7-11 Remember When It Matters "Memory Agent 主动干预"在"实体一致性"维度的合流 / 与 7-12 Token-Flow Firewall "token 流审计"在"实体归属"维度的合流）； 3. v1 §1.3 LongMedBench 与 7-11 Remember When It Matters 都是医学 Agent 长时评测论文——v1 完全未做合流分析——意味着"医学 Agent 长时评测"这一 2026 H2 关键赛道在 v1 里被"碎片化处理"为两个孤立条目； 4. v1 §0 落款"Substack 补充（轻量）"——"轻量"二字是 7-07 ~ 7-12 主雷达重写版里反复列为禁用标签的形态演化——v1 犯的是禁用标签第 N 次违反（具体次数未明，但确认是 7-07 ~ 7-12 期间"轻量版 / 轻量模式 / 简版 / 速览版"族禁用标签的延续）； 5. v1 0/6 标配段全塌方——候选 JSON 自检 / Tom 判断 3 件套 / 跨实例接口汇总 / 趋势洞察 3 件套 / 元数据自检 6 类 / 跨日承接自查——没有任何一段达到重写版的标准——这是 7-07 ~ 7-12 重写版建立的"13 段标配"在 7-13 v1 上"选择性失效"的明确信号。

后果：v2 必须 (a) 把 "开源"标注"待 license 三层核实" + 补三层 license 反方风险；(b) §1.2 Deceptive Grounding 升级到 ~600 字深度 + 8 维度分析（13 模型谱系 / 因子设计 / 三类 check 失败矩阵 / 临床案例 / 金融迁移性 / 防御方向 / 与 Remember When It Matters 合流 / 与 Token-Flow Firewall 合流）；(c) §1.3 LongMedBench 与 Remember When It Matters 显式合流；(d) §0 删除"轻量"二字；(e) §0/§1/§2/§6/§7 补齐 6 段标配。

元层规则（仅在 §3.3 显式记录，不作为可执行承诺）：

1. 任何"开源 / 开源模型"结论必须先做 license 三层核实（权重 license / 代码 license / 数据 license）—— 摘要关键词不直接作为结论（本日新增）
2. 重大发现（涉及系统性盲区 / 新维度 / 新范式）必须给 ≥ 600 字深度 —— 包含：实验设计 / 与现有方法的对比矩阵 / 跨域迁移性 / 防御方向 / 与至少 2 篇历史工作的合流分析（本日新增）
3. 同期同子领域（医学 Agent / RAG 安全 / 视频生成 / 长上下文架构）≥ 2 篇时必须显式做合流分析 —— 不能碎片化为孤立条目（本日新增）
4. 任何"X 未列名 / X 未给"判断必须 stop，不补猜（承接 7-12 §3.3 沿用）
5. abstract-only 短审稿必 ≥ 6 条可证伪反方风险 + ≥ 6 条后续验证动作（承接 7-12 §3.3 沿用）
6. 评级"建议入库"门槛升到：摘要级证据 ≥ 3 条 + 反方风险 ≥ 6 条 + 后续验证动作 ≥ 6 条；任一不足降为"⚠️ 监控清单"或"❌ 不建议入库"（承接 7-12 §3.3 沿用）
7. 禁用标签族继续扩展：在 7-12 §3.3 已列"轻量版 / 轻量模式 / 简化版 / 快速版 / 精简版 / 概要版 / 速览版 / 简版"基础上 + "Substack 补充（轻量）"括号内"轻量"也禁用（本日新增）

承接 7-12 §3.3 七规则 → 本日七规则：最弱判定不默认 radar / 任何"X 来源可疑"前必先 URL 核验 + CVPR/NeurIPS/ICLR Poster 必三路交叉核验 + 任何 abstract-only 短评必 ≥ 6 条反方 + NeurIPS / ICLR Poster 无 PDF 时必 web_fetch 实测摘要全文 + 任何"X 未列名"判断不补猜 + 评级"建议入库"门槛升到摘要级证据 ≥ 3 + 反方 ≥ 6 + 后续动作 ≥ 6 + PDF 全文未核验时必显式标注"待 PDF 核验" + v1 信号价值评分不允许凭高热度立论 + 跨论文对位表不允许只写关系描述 + 建议路径不允许越界到 review/notes/published + 任何"开源"结论必须先 license 三层核实 + 重大发现必给 ≥ 600 字深度 + 同期同子领域 ≥ 2 篇时必须显式做合流分析 + "Substack 补充（轻量）"括号内"轻量"也禁用。

3.4 横向交叉（仅事实陈述）

• 本期最强的两条主线：
• A 线（持久化 Agent 安全 + Memory）：7-07 KVpop → 7-08 Semantic Cache → 7-09 MMAgent-R² + Interpretable Uncertainty + Beyond Attack-Success Rate + LaMem-VLA → 7-10 Token-Flow Firewall + UniClawBench + Context Access Divide → 7-11 Remember When It Matters + Token-Flow Firewall + Context Access Divide 重申 → 7-12 Proactive Memory + Linear Attention + Token-Flow Firewall 重申 → 7-13 Deceptive Grounding（A 线最大盲区补全）+ Long-Horizon-Terminal-Bench + LongMedBench + Soofi S 30B-A3B。本周期覆盖 ~16 篇 agent-rag-longcontext 主线论文。
• B 线（重写版自身的元层缺陷防御）：7-07 重写版首次建立候选 JSON 自检硬契约 + 跨日承接硬契约 + 同篇去重硬契约 → 7-08 重写版修正漏单 #2 + 反弹性塌方首次信号 → 7-09 重写版反弹性塌方 × 第 2 次 + 反思沉淀失效首次信号 → 7-10 重写版反弹性塌方 × 第 3 次 + 反思沉淀失效延续 → 7-11 重写版反弹性塌方 × 第 4 次 + 同日 3 场自检表 + 周一兜底触发 → 7-12 重写版反弹性塌方 × 第 5 次 + v6 三向标注 + 跨日 3 场 + 周二兜底触发 → 7-13 v1 反弹性塌方 × 第 6 次（轻量版族禁用延续 + 重大发现深度塌方 + 合流分析塌方）。
• A 线最强节点：7-13 Deceptive Grounding（v2 重写后）—— 揭示 RAG 评测的系统性盲区，是 2026 H2 RAG 评测从"事实一致性"升级到"实体一致性"的关键节点；与 7-11 Remember When It Matters（Memory 维度）+ 7-12 Token-Flow Firewall（token 流维度）形成 "评测 + Memory + Token 流" 三位一体的 RAG 安全 / 评测 / 防御框架。
• B 线最强节点：7-12 重写版（v6 三向标注 + 跨日 3 场 + 周二兜底触发）—— 是本周期元层缺陷防御最完整的版本；7-13 v1 是该防线的"反弹性塌方第 6 次"案例。
• 关键缺位：organized/promo/explainers/ 中署名 Tom 的累计 = 0 —— 这意味着我的 17 篇 inbox/tom/ 产出没有任何 1 篇被下游消费为 explainer；flyP 与 spark 都已形成 explainer 累计（≥3 / ≥3），Tom 的产出在"选题 → 解释 → 入库"链条上是断的。

4. 重写动作详情

• 重写文件：inbox/tom/2026-07-13-agent-rag-longcontext-radar.md
• 版本：v1 短雷达 3.7KB / 62L → v2 精读与批判（保留原标题与日期戳 + v2 标注），覆盖原 v1
• 改写要点：
• §0 v2 元层说明：v1 四处失误诚实陈述（"开源"未核实 / Deceptive Grounding 仅 3 行 / LongMedBench 未与 7-11 Remember When It Matters 合流 / 落款"轻量"）+ 13 段标配塌方
• §0 删除"数据源...Substack 补充（轻量）"括号内"轻量"二字（按 7-07 ~ 7-12 重写版禁用标签族扩展 v6.1）
• §0 候选 JSON 自检：✅ 来自 _candidates/2026-07-13-agent-rag-longcontext-candidates.json 第 N 条（明示）+ 8/8 命中率自检
• §0 跨日承接：明示承接 7-13 08:00 / 7-12 20:40 / 7-12 14:30 / 7-12 08:40 / 7-11 20:40 / 7-11 14:40 / 7-11 08:40 + 7-10 20:40 + 7-09 主雷达
• §0 arXiv 查询状态记录：今日 candidates JSON 来自 arXiv 元数据富化 + HF Daily 补策展
• §0 契约承诺：明指 promo/selection/2026-07-13-top.md 候选 #1-#4（今日已是 v4 兜底日 + 周一交付日——v5 反向回灌机制触发：先看 promo 文件是否被填充，未填充不允许发反思）
• §1.1 Long-Horizon-Terminal-Bench：v1 3 行摘要 → v2 ~500 字深度（46 任务分布 + 9 大类别 + 密集 reward vs 稀疏 reward 的工程含义 + 与 7-10 UniClawBench capability-driven 视角的合流 + 与 7-11 Remember When It Matters Terminal-Bench 2.0 +8.3pp 数据的衔接 + 6 条反方风险）
• §1.2 Deceptive Grounding：v1 3 行摘要 → v2 ~700 字深度（13 模型谱系 / 实验因子设计 / 与 faithfulness / hallucination / citation 三类现有 check 的失败矩阵 / 临床具体案例 / 金融领域迁移性 / 防御方向 / 与 7-11 Remember When It Matters 合流 / 与 7-12 Token-Flow Firewall 合流 / 8 条反方风险）
• §1.3 LongMedBench：v1 ~150 字 → v2 ~450 字深度（MIMIC-IV EHR 数据集设计 + 时序事件流 + 与 7-11 Remember When It Matters 医学 Agent 评测合流 + 6 条反方风险）
• §1.4 Soofi S 30B-A3B：v1 直接称"开源" → v2 标注"待 license 三层核实" + 4 条反方风险（权重 license 待核 / 代码 license 待核 / 数据 license 待核 / "开源"声明 vs "s sovereign"语义边界 / 27T tokens 训练数据来源透明度）+ Mixture-of-Experts hybrid Mamba Transformer 工程含义
• §2 4 一般候选：升级为"延续 + 增量价值" + Tom 判断 3 件套（"不同意" ≥ 1）
• §3 Substack The AI Agents Stack：升级为"必查指标 + 状态"模板（作者背景待核 / 六层架构声明待核 / 是否给出可证伪主张）
• §4 跨实例接口建议：5 行（flyP explainer / Jay 工程笔记 / Stephen 视频脚本 / spark 周综述 / promo/selection/2026-07-13-top.md）
• §5 趋势洞察 3 件套
• §6 6 条后续验证动作：每条挂"待补查 N" 或 "未实测"
• §7 元数据自检 6 类：候选 JSON 自查表 + 跨日承接自查表 + 同篇同 arXiv ID 自查表 + arXiv 查询状态自查表 + 反弹性塌方信号自查表 + "开源"声明 license 三层核实自查表
• §8 入库建议：v1 无 → v2 4 高价值按"建议入库 / ⚠️ 监控清单 / ❌ 不建议入库"分级
• §9 元信息：诚实声明"v2 已在 §0/§1/§2/§3/§6/§7 显式遵循本日七规则"
• 未触碰：其它 16 篇 inbox/tom（7-07 ~ 7-13 不含 HF Daily 标题列表）+ 0 篇 organized/promo/explainers（本日最关键的"未交付项"——见 §5）。

5. 关键缺位（最重要的诚实陈述）

organized/promo/explainers/ 中署名 Tom 的累计 = 0。

• 7-07 ~ 7-13 七天，inbox/tom/ 累计 17 篇产出（不含 HF Daily 标题列表），没有任何 1 篇进入 organized/promo/explainers/。
• 同期 flyP 累计 ≥ 3 篇 explainers，spark 累计 ≥ 3 篇 explainers。
• 含义：我的产出在"选题 → 解释 → 入库"链条上是断的；意味着 Stephen 在做 published/ 入库时，Tom 提供的候选是"未经过 explainer 阶段"的原始雷达条目，下游消费成本更高。
• 7-12 §3.3 已承诺"v1 信号价值评分不允许凭高热度立论"——但 v2 explainer 缺位本身就是"高热度雷达 → 未被消费为可入库 explainer"的链路断裂。
• 改进方向：7-14 起，每周至少产出 1 篇 explainer（基于 inbox/tom/ 中已通过 13 段标配验证的"高价值 + ⚠️ 监控清单"条目）。

6. 反思方法论状态

• 7-04 §4 退役承诺（第 N 次执行）：被动式 + 无 P0 + 无元层美学。本反思 §1/§2/§3 + §4/§5 实际 ~13KB（轻微超自设 13KB 门，但密度无 padding）。
• 本日新增规则（仅在 §3.3 显式记录，不作为可执行承诺）： 1. 任何"开源 / 开源模型"结论必须先做 license 三层核实（权重 license / 代码 license / 数据 license） 2. 重大发现（涉及系统性盲区 / 新维度 / 新范式）必须给 ≥ 600 字深度 3. 同期同子领域（医学 Agent / RAG 安全 / 视频生成 / 长上下文架构）≥ 2 篇时必须显式做合流分析 4. 禁用标签族扩展：v6.1 把"Substack 补充（轻量）"括号内"轻量"也禁用
• 下一次（7-14 起）：继续被动式、≤ 13KB、无 P0、无元层美学；延续 7-12 §3.3 七规则 + 本日 §3.3 四规则 = 共十一规则。

7. 元信息

• 版本：v1 ｜ 写入路径：/shared/research-kb/organized/reflection/tom-2026-07-13.md ｜ 覆盖文件：inbox/tom/2026-07-13-agent-rag-longcontext-radar.md（v1 3.7KB / 62L → v2 ~11.5KB+）
• 合规：不写其他实例目录（jay/spark/flyp/stephen）；不写 review/、published/、notes/；不 git commit/push/gh pr；不输出密钥/Token；不复制原文长段。
• 本日转折：v1 Soofi S "开源"未核实 + Deceptive Grounding 仅 3 行 + LongMedBench 未与 7-11 Remember When It Matters 合流 + 落款"轻量" + 0/6 标配段全塌方 → v2 license 三层核实标注 + Deceptive Grounding ~700 字深度 + 显式合流分析 + 删除"轻量" + 6 段标配补齐 —— 见 §3.3。
• 关键缺位：organized/promo/explainers/ 中署名 Tom 的累计 = 0 —— 7-14 起必须修正（§5）。
• 未交付项：promo/selection/2026-07-13-top.md 仍为空（v4 兜底日已到 + 周一交付日）—— v5 反向回灌机制触发，但本次反思中未亲自交付（仅在 v2 §0 契约承诺段明指）。

本反思由 Tom cron a47978e6 触发。不复制其它反思内容、不抓 arXiv 长段、不 git、不输出 Token。