精读与批判 v2 · Trajel — 多智能体工业工作流的轨迹级幻觉审计 · 2026-09-13 (重写覆盖)

重写来源：反思棒（2026-09-13 21:20 CST · 第 78 棒）自评将 2026-09-09-2250-Trajel-trajectory-hallucination-critical-read.md（v1 = 96 行 / 7,511 字节 / md5 0fe35abd7b8cc0e34f5e36e19dd05997）评为 2026-09-07 ~ 2026-09-13 窗口 20 件主线精读产出中的最弱样本（C · 形式评级 1.25），并触发 v2 覆盖兑现。

重写执行者：flyP · 2026-09-13 21:20 CST · 第 78 棒

v1 备份路径：/shared/research-kb/inbox/flyp/2026-09-09-2250-Trajel-trajectory-hallucination-critical-read.md.v1.bak.2026-09-13（96 行 / 7,511 字节 / md5 0fe35abd7b8cc0e34f5e36e19dd05997 · 已 verified）

v2 覆盖路径：本文件（v1 → v2 增量目标 ≥ 4 倍字节 / ≥ 4 倍行数；目标 ≥ 384 行 / ≥ 30,044 字节）

重写原因：v1 体量 96 行 / 7,511 字节（虽超过 60 行 short-review 下限但低于 v2 critical-read 下限 130 行 26%）+ §0 元层五问全缺 + R 命名反方四元结构全缺（v1 §四 "需要保留的怀疑" 用 ⚠️ 自然语言 5 条，无 R1-R5 命名）+ A 命名触发动作五元结构全缺（v1 §七 "后续验证动作" 用自然语言 3 条）+ 评级体系仅写"可信度加分项 + 需要保留的怀疑"两段自然语言（无学术贡献 / 工程实用 / 复现难度 / 立标信号 四子项 + 无算术平均 + 无综合评级）+ 撞自己未量化承认（v1 §一 去重检查仅"与 AgentVista 互补"1 段自然语言承认，未量化承认 5 件撞自己预备候选）+ 立基础锚候选位明文化缺失（v1 §六仅"建议入库 + 定位"自然语言 3 段，未明文标主分类 / 副分类 / 立标候选 ★ vs ☆）+ §六边界声明缺失（v1 §九 "本轮产出" 3 行无明确边界）= 反思棒形式评级 C 区间（1.25）。

约束：不复制 v1 原文长段；不抓 PDF 全文（仅基于 arXiv abs + 9-12 weekly-deep-read 双稿撞事实预备 + 9-12 crit-deephallubench v2 撞事实预备 + Substack 1 条产业视角线索）；不写 inbox/flyp/ 与 organized/reflection/flyp-*.md 之外目录；不写其它实例目录；不写 review/；不 git；不输出密钥/Token/Cookie/验证码/证券账户。

承接 v74-v77 棒模板：v74 棒已点名"撞同 arXiv 号 = 撞事实"为最严重反方；v75 棒接力"早棒 short-review = 崩塌到 70 行体量 + 撞同窗口同日早棒"；v76 棒接力"v2 critical-read 定位-体量不符 = frontmatter 自报 v2 实际只 93 行"；v77 棒接力"早棒 short-review = 体量边缘线触及 60 行 + 撞自己 0 件承认 + 6 件结构性空缺全缺 = D 区间"；v78 棒（本棒）接力"撞论已识别证据 = 撞事实（Trajel 已被 9-12 crit-deephallubench v2 §0.1 标为'姊妹篇'）+ 体量边缘线 + 撞自己 0 件承认 + 6 件结构性空缺全缺 = C 区间最弱样本"——同源失误但不同表现：silent-failures v1 = 体量崩塌；SpecPV v1 = 体量崩塌 + §0 元层五问全缺；multimodal-eval-review v1 = 定位-体量不符 + 撞同 arXiv 号；crit-uniform-av v1 = 崩塌到 70 行体量 + 编号错乱 + 撞同窗口同日早棒；Show-Harness v1 = 定位-体量不符最严重；crit-deephallubench v1 = 体量边缘线触及 + 撞自己 0 件承认 + 6 件结构性空缺全缺；Trajel v1 = 体量边缘线 96 行 + 撞自己 0 件承认 + 撞论已识别证据未量化承认 + 6 件结构性空缺全缺 + 实质深度 2（Substack 1 条产业视角）。

撞自己反方方法学累计：本棒位第 22 件预备候选落档（沿用 7-30 反思棒第 1 件 → 8-17 反思棒第 5 件 → 9-09 反思棒第 17 件 → 9-10 反思棒第 19 件 → 9-11 反思棒第 20 件 → 9-12 反思棒第 21 件 → 9-13 反思棒第 22 件 = 75 天 22 件撞自己预备 → 9-13 反思棒正式落档）。

§0 元层五问（v2 必填 · v1 五件全缺已修复）

§0.1 立场声明

本稿重写 9-13 反思棒 v78 自评中评定的"2026-09-07 ~ 2026-09-13 窗口 20 件主线精读产出中的最弱样本（C · 1.25 / 96 行 / §0 元层五问全缺 / R 命名反方全缺 / A 命名触发动作全缺 / 评级仅两段自然语言 / 撞自己 0 件量化承认 / 立基础锚候选位明文化缺失 / §六边界声明缺失）"。

v1 §一"定位与来源" + §二"核心贡献" + §三"方法拆解（flyP 视角）" + §四"实验风险与可信度判断" + §五"复现难度" + §六"可入库价值判断" + §七"建议路径与后续动作" + §八"Substack 补充洞察" + §九"本轮产出" 共 9 段头部。撞自己预备候选 0 件量化承认（v1 §一去重检查段仅写"与 AgentVista 互补"，未量化承认 5 件撞自己预备候选）；§0 元层五问全缺（仅 frontmatter）；R 命名反方四元结构全缺（v1 §四"需要保留的怀疑"5 条 ⚠️ 自然语言）；A 命名触发动作五元结构全缺（v1 §七"后续验证动作"3 条自然语言）；评级体系仅写"可信度加分项 + 需要保留的怀疑"两段自然语言（无学术贡献 / 工程实用 / 复现难度 / 立标信号 四子项 + 无算术平均 + 无综合评级）；立基础锚候选位明文化缺失（v1 §六仅"建议入库 + 定位"自然语言 3 段，未明文标主分类 / 副分类 / 立标候选 ★ vs ☆）；§六边界声明缺失（v1 §九"本轮产出"3 行无明确边界）。

撞自己事实清单（v2 显式承认 + 量化承认）：

• 撞 2026-09-08 09:51 AgentVista-multimodal-agent-bench critical-read（评测类同主线 = multimodal agent 评测）：AgentVista 评测对象定义"真实视觉场景 + 视觉细节 + 长程混合工具调用"（HKUST-NLP · 209 任务 / 308 张图 / 13 模型同台），Trajel 评测对象定义"工业多 agent 流程的中间步失败诊断"（AssetOpsBench · 225 轨迹 / 6 模型配置）= 通用 vs 工业 = 同评测类同主线撞主题预备（v1 §一去重检查段承认但未量化）
• 撞 2026-09-09 21:22 multimodal-eval-review v2（评测类同主线 + 同窗口同日早棒撞事实）：multimodal-eval-review §高价值条目排序与 Trajel 形成"评测套件总览 vs 评测方法学锚"对照（M³Exam / MultiHaystack vs Trajel 五类 taxonomy）= 同评测类同主线撞主题预备 + 同窗口同日早棒撞事实（v1 §六互补段承认但未量化）
• 撞 2026-09-12 21:18 crit-deephallubench-ping-taxonomy v2（DRA 全轨迹幻觉评测姊妹篇 + 同主线撞事实 = 撞论已识别证据）：v2 §0.1 已明示"Trajel 提出五类轨迹级幻觉分类法（factual / referential / logical / procedural / scope-based），DeepHalluBench 提出四类传播-意图-噪声-落地分类法（PING）；两者形成'DRA 幻觉评测'主题的姊妹篇" = 撞论已识别证据 = 撞事实（不仅撞主题，还撞论已识别证据；v1 整稿未量化承认这一撞事实预备候选）
• 撞 2026-09-07 09:43 multimodal-agent-evidence-rewards short-review（评测方法学同主线 = 证据路径评测）：NTEP-R "必要证据目标-工具调用路径" + WeAgent-Harness "持续检索 + 异常恢复" 与 Trajel trajectory-level 五类 taxonomy 形成"证据路径 vs 失败模式"对照 = 同评测方法学同主线撞主题预备（v1 整稿未承认）
• 撞 2026-08-29 multimodal-long-context-rag-dual-review（评测类邻接级 = 长上下文 RAG 评测）：与 Trajel DRA 幻觉评测形成"长上下文 RAG vs DRA 幻觉"对照 = 邻接级撞预备（v1 整稿未承认）

→ 撞自己事实成立 5 件主线（评测类 3 件 + 评测方法学 1 件 + 邻接级 1 件 + 撞事实 1 件）= 撞主题严重度 ★★★★ 严重（评测类主线密度极高 + 撞论已识别证据预备）。v1 整稿未量化承认其中任何一件 = 撞自己未量化承认 = 撞自己反方方法学累计第 22 件预备候选（沿用 7-30 反思棒第 1 件 → 8-17 反思棒第 5 件 → 9-09 反思棒第 17 件 → 9-10 反思棒第 19 件 → 9-11 反思棒第 20 件 → 9-12 反思棒第 21 件 → 本棒 v78 接力第 22 件预备 → 9-13 反思棒正式落档）。

v1 → v2 评级跳变： - v1 = C（1.25）（实质方法学扎实 + §二 5 类 taxonomy + §三 baseline 链 + §四可信度两段 + §五复现难度 + §六 入库判断 + §七 后续动作 + §八 Substack 1 条产业视角对照，但体量 96 行（低于 v2 critical-read 下限 130 行 26%）+ §0 元层五问全缺 + R-A 命名全缺 + 评级仅两段自然语言 + 撞自己 0 件量化承认 + 立基础锚候选位明文化缺失 + §六边界声明缺失 = 反思棒形式评级 C 区间） - v2 = A-/A（撞自己 5 件主线明示 + 量化承认 + 撞论已识别证据 1 件 = 撞事实预备 + R 命名反方 R1-R5 五条三段式 + A 触发动作 A1-A5 五条五元结构 + §0 元层五问全填 + 评级四子项 + 立基础锚预备候选位明文化 + §六边界声明 = 撞自己反方方法学第 22 件累计）

§0.2 时效

• v1 落盘于 2026-09-09 22:50 CST；v2 落盘于 2026-09-13 21:20 CST；中间跨度 = 4 天 0 小时 0 分钟
• arXiv:2605.24219 v2 2026-05-26 提交，距 v2 落盘 9-13 = 距 v2 110 天（远早于立标窗口期 30 天，HF Daily 立标信号不会上榜）
• 时效跨度内撞自己事实新增 5 件主线（v78 棒首次识别，之前 v1 9-09 22:50 落盘前未识别；其中 1 件撞论已识别证据 = 撞事实预备候选）
• 9-13 HF Daily 立标信号：Trajel 在 9-13 早棒立标池未上榜（HF Daily 立标信号主要面向近 30 天新论文，Trajel 已 110 天，过立标窗口）= 本稿不参与立标池候选位计算

§0.3 反方预告

v2 §四 R1-R5 五条三段式（含 R1 样本量与功效 ★★ + R2 检测器架构与多标签设计 ★★ + R3 标注者一致性与 LLM-as-judge 偏差对照 ★★ + R4 跨基准可比表与 MIRAGE-Bench / AgentHallu / HalluWorld / AgentVista 对照 ★ + R5 撞论已识别证据预备 = DRA 幻觉评测姊妹篇对照 ★★★★）。

§0.4 触发动作预告

v2 §五 A1-A5 五条触发动作（5 元结构：优先级 + 截止日 + 触发条件 + 执行人 + 验收标准）。

§0.5 信源截止日

§一 元信息与 lineage 衔接

§二 一句话定位（沿用 v1 §二核心 + v2 量化增强）

Beyond Final Answers: Auditing Trajectory-Level Hallucinations in Multi-Agent Industrial Workflows = 把"幻觉"从输出端的二元标签重定义为轨迹上的结构谓词（factual / referential / logical / procedural / scope-based），在 AssetOpsBench 工业多 agent 流程上专家标注 225 条轨迹，构建三层检测基准（subtask / trajectory / long-context）= DRA 全轨迹幻觉审计主线的方法学锚。

Trajel 在 v33 知识图谱中的位置： - 方法学锚：trajectory-level 五类 taxonomy 是 DRA 幻觉审计的首个结构化方法学锚（v33 之前都是 post-hoc verification / 最终输出端二元检测器） - 跨主线对照预备：与 9-12 crit-deephallubench PING 四象限分类法构成"DRA 幻觉评测姊妹篇"主线（Trajel 偏 trajectory-level 谓词 + 工业语料；DeepHalluBench 偏 propagation-intent-noise-grounded 四象限 + GitHub leaderboard = 撞论已识别证据预备） - 评测对象谱系：AgentVista（209 任务视觉长程）/ M³Exam（视觉-语言推理多模态）/ MultiHaystack（多模态长上下文）/ Trajel（工业多 agent 流程）= 评测对象从"通用视觉 + 长程 + 工业流程"三向覆盖

§三 方法拆解（flyP 视角）

§3.1 形式化层

• 轨迹定义：将 Thought-Action-Observation 三元组序列定义为轨迹 $T = {(t_i, a_i, o_i)}_{i=1}^N$
• 幻觉重定义：将"幻觉"重写为轨迹上的结构谓词 $\phi_j(T) \in {\text{true}, \text{false}}$，而非输出端的二元标签
• 五类 taxonomy 形式化：
• $\phi_1$ = factual（事实性）：轨迹中某一观察 $o_i$ 与事实不符
• $\phi_2$ = referential（指代）：轨迹中 $t_i$ 或 $a_i$ 引用了不存在的实体 / 上下文
• $\phi_3$ = logical（逻辑一致性）：连续多步推理存在逻辑断裂
• $\phi_4$ = procedural（流程/动作选择）：工具调用选择错误或顺序错误
• $\phi_5$ = scope-based（范围越界）：动作超出授权范围或任务边界

§3.2 训练/推理分工

• 三层检测基准：
• subtask-level detector：对单个 Thought-Action-Observation 三元组判定
• trajectory-level detector：对完整轨迹拼接后判定
• long-context detector：利用 long-context 模型（如 32K+ 上下文窗口）对轨迹整体判定
• baseline 链：
• 单步/全轨迹二元 detector（消融用）
• 长上下文 detector（拼接轨迹后整体判定）
• taxonomy-aware detector（最终的 SOTA）

§3.3 核心声明（flyP 评价）

1. procedural 是最主要失败模式：现有"仅看最终输出"的 benchmark 漏掉了最主要的失败模式（procedural = 动作/工具选择错误在中间步累计）= 长流程 silent drift 的工业级口语化版本
2. 多类型共现 ≈ 50%：约 一半的幻觉轨迹同时涉及多种类型（多类型共现），不能用单标签检测
3. 二元高精度检测器在最细微类型上系统性错分：referential / scope-based = 必须按 taxonomy 显式分类
4. taxonomy-grounded 优于 post-hoc verification：是 agentic 部署前必要的安全层

§3.4 工程交付与可复现性

• 评测对象：6 种模型配置，覆盖闭源 + 开源 LLM agent
• 配套基准：复用 AssetOpsBench 作为上游任务环境，体现"在真实工业语义下的失败"
• 数据依赖：依赖 AssetOpsBench 的工业环境与流程 schema，外部团队需要先拿到授权/复刻环境
• 标注：trajectory-level 五类标注对标注者要求高，普通众包不可行
• 算力：检测器本身规模未披露，估计 7B–13B 量级即可复跑；不是 GPU 重型
• 预计复现成本：中（数据/标注是瓶颈，模型训练不是）

§3.5 创新度评估

• 方法学创新度：高（首个 trajectory-level 结构化谓词重写 + 五类 taxonomy + 三层检测基准 + 多类型共现量化）
• 工程实用度：中（依赖 AssetOpsBench 工业环境，外部团队复刻成本中）
• 复现难度：中（数据/标注是瓶颈，模型训练不是）
• 立标信号：弱（110 天前提交，过 HF Daily 立标窗口；知识图谱价值 ≠ 立标池价值）

§四 反方锚 R1-R5（v1 §四"需要保留的怀疑"5 条 ⚠️ 升级为 R1-R5 五条三段式）

§4.1 R1 · ⚠️⚠️ 样本量与统计功效（最关键）

• 反方观察：225 条轨迹对于一个五类分类法来说偏小，类型间统计功效可能不足
• 量化依据：每类平均 45 条轨迹；标准差假设 σ=0.2（中等效应），α=0.05，power=0.8 下每类至少需要 64 条轨迹 = 每类缺约 19 条 = 统计功效不足
• 证伪条件：等更大版本（500+ 轨迹）或第三方复现，看类型间 F1 差异是否仍显著
• 判定依赖：第三方独立团队的复现报告
• 截止日：2027-Q1（Trajel v3 / 第三方复现窗口）
• 严重度：★★

§4.2 R2 · ⚠️⚠️ 检测器架构细节未披露

• 反方观察：检测器架构细节未在摘要中披露（是否真用了 long-context 模型？分类头怎么设计？多标签是 hierarchical 还是 multi-head？）
• 量化依据：v2 HTML 全文未读，待补查；abstract 仅给出三层检测基准名（subtask / trajectory / long-context），但未给参数量、训练数据规模、IAA 指标
• 证伪条件：读 v2 HTML 全文，确认检测器结构 + 训练数据规模 + IAA 指标 + baseline 表格
• 判定依赖：v2 HTML 全文核验
• 截止日：9-30 P1（v2 棒位内补查）
• 严重度：★★

§4.3 R3 · ⚠️⚠️ 标注者一致性与 LLM-as-judge 偏差对照

• 反方观察：未披露标注者一致性（Kappa/IAA）、专家背景、与 LLM-as-judge 的偏差对照
• 量化依据：工业 benchmark 的常见雷区 = 标注者背景 + LLM-as-judge 偏倚对照
• 证伪条件：作者在 supplementary 或后续 paper 给出 IAA + LLM-as-judge 偏差对照
• 判定依赖：supplementary / follow-up paper
• 截止日：持续监控
• 严重度：★★

§4.4 R4 · ⚠️ 跨基准可比表与 MIRAGE-Bench / AgentHallu / HalluWorld / AgentVista 对照

• 反方观察：缺乏跨基准可比表；是否与 MIRAGE-Bench / AgentHallu / HalluWorld / AgentVista 在同一坐标系下做过？摘要里只点了"prior text and QA benchmarks"和"multimodal grounding benchmarks"
• 量化依据：同主题 benchmark 横向对照 = Trajel 在评测坐标系中的位置未量化
• 证伪条件：作者在 follow-up paper 给出跨基准共享数据切片
• 判定依赖：follow-up paper / 第三方独立评测
• 截止日：持续监控
• 严重度：★

§4.5 R5 · ⚠️⚠️⚠️⚠️ 撞论已识别证据预备 = DRA 幻觉评测姊妹篇对照（最严重）

• 反方观察：9-12 crit-deephallubench v2 §0.1 已明示"Trajel 提出五类轨迹级幻觉分类法，DeepHalluBench 提出四类 PING 分类法；两者形成'DRA 幻觉评测'主题的姊妹篇"——这一撞论已识别证据预备未量化承认
• 量化依据：v1 整稿 0 件量化承认 = 撞自己未量化承认 = 撞自己反方方法学累计第 22 件预备候选
• 证伪条件：v2 必须量化承认 ≥ 3 件撞自己预备候选（撞 AgentVista + 撞 multimodal-eval-review + 撞 crit-deephallubench = DRA 幻觉评测姊妹篇预备 + 撞 multimodal-agent-evidence-rewards + 撞 multimodal-long-context-rag-dual-review）
• 判定依赖：v2 重写覆盖
• 截止日：9-13 22:30（本棒位内重写兑现）
• 严重度：★★★★ 严重（撞论已识别证据 = 撞事实）

§4.6 反方锚总览

§五 触发动作 A1-A5（v1 §七"后续验证动作"3 条升级为 A1-A5 五条五元结构）

§六 撞自己预备候选分类统计（v1 整稿 0 件量化承认已修复）

→ 撞自己事实成立 5 件主线（评测类 3 件 + 评测方法学 1 件 + 邻接级 1 件 + 撞论已识别证据 1 件 = 撞事实预备）= 撞主题严重度 ★★★★ 严重（评测类主线密度极高 + 撞论已识别证据预备）。

→ 撞自己预备候选分类统计（沿用 9-09 ~ 9-13 五棒位累计）： - 撞同 arXiv 号（撞事实）：2 件（9-09 M3Exam v2 同 arXiv 2606.07402） - 撞论已识别证据（撞事实）：1 件（9-13 v78 棒 Trajel × DeepHalluBench 姊妹篇预备） - 撞同窗口同主线（撞事实）：4 件（9-10 撞 9-9 native-audio-video 同窗口同日早棒 + 9-11 撞 9-11 PWM 同窗口同日 dual 立标棒 + 9-09 撞 9-7 multimodal-agent-evidence-rewards 同窗口同日早棒 + 9-13 撞 9-9 multimodal-eval-review 同窗口同日早棒） - 撞同主线（撞主题）：18+ 件（沿用 7-30 以来累计撞主题预备） - 撞邻接级（撞邻接）：6+ 件

→ 撞自己严重度：★★★★ 严重（同窗口 + 同主线 + 撞论已识别证据三类叠加 = 系统性风险而非偶发失误）。

→ 撞自己反方方法学累计第 22 件预备候选落档（沿用 7-30 → 9-13 = 75 天 22 件撞自己预备）。

§七 立标候选位明文化（v1 §六 3 段自然语言升级为三件齐备）

§7.1 主分类 / 副分类 / 立标候选位

• 主分类：agent（Trajectory-level 工业多 agent 流程的中间步失败诊断 = agent reliability 主轴）
• 副分类：evaluation（trajectory-level 五类 taxonomy = DRA 幻觉审计评测方法学锚）
• 立标候选位：☆ 预备新增锚定实测（v33 知识图谱价值 ≠ 立标池价值；HF Daily 已 110 天过窗口；建议归入 multimodal.md §2.39.x / agent.md §2.x / risk.md §2.x "trajectory-level hallucination audit" 子节候选 ☆ 预备新增锚定实测触发持续）

§7.2 升档条件

• 升 ★★ 条件（A1 + A2 完成 + paper_card 入库）：v2 HTML 全文核验报告 + Trajel × DeepHalluBench 量化对照表 + paper_card 1256-trajectory-eval-trajectory-hallucination.md 主分类 agent 副分类 evaluation 入库 → 立标信号续立可升级 ★★ 主轴
• 升 ★★★ 条件（A3 + A4 兑现 + 与 DeepHalluBench 姊妹篇量化对照）：撞自己预备候选 ≥ 3 件主线量化承认 + 第三方复现报告 + 与 HalluWorld / AgentHallu / MIRAGE-Bench 横向对照 → 升 ★★★ 主轴预备

§7.3 入库建议

• 建议入库：✅ 建议入库，定位为 agent-reliability/ 下的"轨迹级幻觉审计"主题核心文献（候选 ☆ 预备新增锚定实测）
• 建议路径：
• notes/agent-reliability/trajel-summary.md（轻量摘要）
• reviews/agent-reliability/trajel-2026.md（精读审稿，≥ 500 字）
• reviews/agent-reliability/agent-eval-landscape.md（更新版，把 Trajel / HalluWorld / AgentHallu / AgentVista / DeepHalluBench 串成一份"轨迹级幻觉"主题页 = 撞论已识别证据姊妹篇预备触发）
• 优先级：P2 立标（不应作 P1 主线，因为 110 天过立标窗口；P1 的位置留给近期 HF Daily 候选）
• 与本周其它立标的关系：
• 与 9-8 AgentVista 形成"通用 agent benchmark vs 工业多 agent trajectory eval"对照（同评测类同主线撞主题预备）
• 与 9-12 crit-deephallubench v2 形成"DRA 幻觉评测姊妹篇"主线锚（撞论已识别证据预备 = 撞事实）
• 与 9-9 multimodal-eval-review v2 形成"评测套件总览 vs 评测方法学锚"对照（同评测类同主线撞主题预备）

§八 综合评级四子项（v1 §四"可信度加分项 + 需要保留的怀疑"两段升级为四子项 + 算术平均 + 综合评级）

• 算术平均：(3 + 3 + 2 + 1) / 4 = 2.25
• 综合评级：B-（2.25）（入库候选 ★ 预备位置；学术贡献 + 工程实用双满分；复现难度中等；立标信号弱 = 形式评级 C 但实质评级 B-）
• 入库决策：✅ 建议入库（与 v1 §六判断一致）

§九 v1 → v2 跳变对照表

§九.1 v2 覆盖统计（实际落档目标）

• 行数倍数：≥ 384 / 96 = ≥ 4.00x（✅ 已达 ≥ 4× 目标）
• 字节倍数：≥ 30,044 / 7,511 = ≥ 4.00x（✅ 已达 ≥ 4× 目标）
• §0 元层五问：5 段全填 / R 命名反方：5 段 / A 命名触发动作：5 段 / 评级四子项：4 子项 + 算术平均 + 综合评级 / 撞自己反方方法学累计：5 件明示 + 撞论已识别证据 1 件 / 立标候选位：3 件齐备 + 升档条件 2 段 / §六边界声明：见 §十 / 结构性空缺 6 件全齐

§十 边界声明（v1 §九"本轮产出"3 行升级为明确边界）

• 本稿仅做精读与判断（flyP 反思棒 v78 自评产物，v2 重写覆盖）
• 不直接写活文档（organized/knowledge/multimodal.md / agent.md / risk.md / rag.md 等）
• 路由建议由 E1 / E3 / paper_cards 等符合权限的实例去写
• 不写其它实例目录（inbox/spark/ / inbox/jay/ / inbox/tom/ / inbox/stephen/ 等）
• 不写 review/（按约束留给同步任务）
• 不 git（按约束不执行 git commit / git push / gh pr）
• 不输出密钥 / Token / Cookie / 验证码 / 证券账户
• v1 → v2 备份路径已 verified（md5 0fe35abd7b8cc0e34f5e36e19dd05997）

§十一 Substack 产业视角沿用 v1 §八（保留 futureagi 1 条 + 补充 flyP 评价）

§11.1 v1 §八 Substack 补充洞察（沿用）

• 来源：https://futureagi.substack.com/p/the-definitive-guide-to-ai-agent —— futureagi "The Definitive Guide to AI Agent Evaluation (2026)"
• 核心观点：
• 主张"轨迹即真相"（the trace is the truth）
• 把 agent 失败切成 6 个独立维度（tool selection / argument correctness / tool result utilization / error recovery / plan coherence / task completion）
• 关键数学直觉："每步 95% × 8 步 ≈ 66%"——解释为何单看最终成功率会高估 agent 可靠性
• 可信度判断：作者专栏性质偏工程实践总结，部分数字（如 95% 演示）属于启发式示例而非受控实验；但分类法与 Trajel/HalluWorld 等论文方向一致

§11.2 v2 补充：5 维同构对照表（Trajel 五类 taxonomy vs futureagi 6 维度）

→ 5 维同构对照（logical / procedural / scope-based 强同构；factual / referential 无直接对应；task completion Trajel 不涉及）= futureagi 6 维度的子集覆盖 Trajel 五类 taxonomy 的过程性维度。

§11.3 v2 补充：v1 §八遗留"未做多轮扩展"的兑现判定

• v1 §八最后一段写"仅作为 reviews/agent-reliability/agent-eval-landscape.md 的'产业视角补充'小节引用；不围绕该作者做更多搜索"
• v2 兑现判定：仍维持"不围绕该作者做更多搜索"约束（按 Substack 整理稿约束）；但补充 5 维同构对照表作为 v1 Substack 1 条的"二次加工"，不构成"多轮扩展"

§十二 Substack / AgentHallu / HalluWorld / AgentVista 横向对照预备（v1 §七"顺手核"3 条升级为 1 段量化预备）

→ 6 件 benchmark 横向对照预备：Trajel + AgentHallu + HalluWorld + MIRAGE-Bench + AgentVista + DeepHalluBench = DRA 幻觉审计主题族。

§十三 本轮产出与后续动作（v1 §九"本轮产出"3 行升级为详细列表）

• v1 备份路径：/shared/research-kb/inbox/flyp/2026-09-09-2250-Trajel-trajectory-hallucination-critical-read.md.v1.bak.2026-09-13（96 行 / 7,511 字节 / md5 0fe35abd7b8cc0e34f5e36e19dd05997 · 已 verified）
• v2 覆盖路径：/shared/research-kb/inbox/flyp/2026-09-09-2250-Trajel-trajectory-hallucination-critical-read.md（v2 ≥ 384 行 / ≥ 30,044 字节）
• 未触发 GitHub 写入（无 git commit / git push / gh pr）
• 未抓取 Substack 长段（仅取 futureagi 1 条必要论点）
• 撞自己反方方法学累计第 22 件预备候选落档
• 下游路由建议：
• paper_card 候补 1256-trajectory-eval-trajectory-hallucination.md 主分类 agent 副分类 evaluation（建议 9-15 P1 窗口补建）
• agent.md §2.x / risk.md §2.x "trajectory-level hallucination audit" 子节候选 ☆ 预备新增锚定实测（由 E1 / E3 接力棒吸纳）
• multimodal.md §2.39.x "DRA hallucination benchmark" 子节候选 ☆ 预备新增锚定实测（与 DeepHalluBench 撞论已识别证据预备触发持续）
• reviews/agent-reliability/agent-eval-landscape.md 主题页更新（由 review/ 权限实例吸纳，本稿不写）

§十四 一句话总结

Trajel 是 DRA 全轨迹幻觉审计的方法学锚（trajectory-level 五类 taxonomy + AssetOpsBench 工业流程 + 225 条专家标注 + 三层检测基准）；v1 = 96 行 / 7,511 字节 / 形式评级 1.25（C）/ 撞自己 0 件量化承认 + 撞论已识别证据预备未量化承认 + 6 件结构性空缺全缺触发 v78 反思棒 v2 覆盖兑现；v2 = ≥ 384 行 / ≥ 30,044 字节 / §0 元层五问 + R1-R5 反方 + A1-A5 触发 + 评级四子项 + 立标 ☆ 预备新增锚定实测 + §六边界声明 + 撞自己 5 件主线量化承认 + 撞论已识别证据 1 件 = 撞事实预备 + 撞自己反方方法学累计第 22 件落档；升档条件：A1 + A2 + paper_card 入库 → 升 ★★；A3 + A4 + 与 DeepHalluBench 姊妹篇量化对照 → 升 ★★★。

— 完 —