系列：用经典理论指导 Agent 实践（第三篇） 第一篇：双轮审查：召回和精确为什么不能兼得 · 第二篇：策略基因：借遗传算法思路精简审查 prompt
TL;DR： 两组对照实验。代码审查维度从 8 个加到 11 个，已知问题的发现率从 1/6 升到 6/6。设计审查引入公理化设计维度，发现率同样从 1/6 升到 6/6。但加了数学公式的版本证明维度不是越多越好——计算过程挤掉了审查注意力，发现数掉 35%。做对照实验，用已知问题做参照，才知道哪个维度有效。
上一篇解决了"prompt 里写什么"——删掉可推导的冗余内容，只保留策略基因，审查质量升了 29%，但还有一个问题没回答：审查的维度够不够？
策略基因再精，维度不够，还是看不到。
先看结果
两组对照实验。同一个思路：收集已确认但被现有维度漏掉的已知问题，加维度，看找回了几成。
实验一：代码审查维度增强
代码审查原来有 8 个维度。对照实验发现，6 个已知问题只找到了 1 个。
加了 3 个维度（安全深度、测试缝隙分析、资源安全），变成 11 个。
结果：6/6 全部找到。
实验二：设计审查维度增强
设计审查原来有 11 个维度。6 个已知问题只找到了 1 个。
引入公理化设计（Axiomatic Design），加了 3 个维度（独立性公理、信息公理、需求纯度），变成 14 个。
结果：6/6 全部找到。
两个实验的结论看起来一样：加维度，效果好，但故事没结束。后面还有一个实验，结论完全不同，下面会详细说。
对照实验方法论
两组实验用了同一个方法论——对照实验。我为此写了一个双盲实验的技能，让 AI agent 按照统一的流程跑。
控制变量
每次只改变审查维度。同一个代码库，同一批已知问题，同一个模型。其他条件不变。
维度数量不同，效果差异才能归因到维度变化上。
已知问题做参照
参照是之前审查中已确认的真实问题，但被现有维度漏掉的。
这些问题不是"可能有问题"，是"确实有问题"。它们经过人工确认，有明确的错误描述和修复方案。
用这些已验证的问题做参照，实验就有了客观的衡量标准。
衡量指标
已知问题发现率 = 实验组报出了多少个之前被漏掉的问题。
为什么不直接看"报了多少问题"（发现总数）？
因为发现总数可以通过降低标准来注水。一个维度报 100 个发现，可能 90 个是误报。降低标准 = 多报 = 数字好看但质量差。
已知问题发现率看的是另一件事：真正有价值的问题被找到了多少。 这些问题之前被漏掉过，说明它们不容易被发现。新维度能不能找到这些"难发现的问题"，才是衡量维度有效性的标准。
为什么用已知问题做参照
一般做审查实验会用人工标注做参照。我没用，原因很简单——没有精力标。
但我发现这反而更好。已知问题不是"标注出来的问题"，是"之前审查确认过、实际修复过的问题"。它们的存在已经被验证了，不需要再找人确认"这个到底算不算问题"。
公理化设计
实验二引入了公理化设计，这个理论框架我之前也没有听说过，这里做一个专门的介绍。
公理化设计是 MIT 的 Nam P. Suh 提出的设计理论[1]。核心是两条公理：
- 独立性公理：功能需求之间的耦合越少，设计越好
- 信息公理：在满足独立性公理的方案中，最简单的最好
两条公理有顺序。先满足独立性，再选最简方案。
独立性公理怎么用在审查里
独立性公理说：好的设计里，每个功能需求（Functional Requirement，简称 FR）由独立的设计参数（Design Parameter，简称 DP）实现。如果两个功能需求共享一个设计参数，改一个功能会影响另一个。这就是耦合。
把这个检查放进审查维度：画功能需求和设计参数的对应关系，看是不是一对一。如果出现多对多的关系，说明设计有耦合。
纯正确性审查不检查这个，“功能对不对"和"功能之间有没有耦合"是两个不同的问题，正确性维度只检查前者。
信息公理的两个版本
信息公理说：如果多个方案都满足独立性，选最简单的。I=-log₂(p)，p 是成功概率。成功概率越高 = 方案越简单。
我做了两个版本：精简版就一句"选择最简方案"。公式版要求模型做完整的 I=-log₂(p) 计算。哪个更好？这里继续留个悬念，后面一并说。
怎么想到的
起点：审查没看到的问题
前两篇解决了两个问题。第一篇，审查循环怎么跑——双轮审查。第二篇，prompt 写什么——策略基因。
双轮审查和策略基因优化后，审查循环收敛变快了。轮次少了，每轮的有效发现率高了。
但还有一个现象：收敛后去做回归测试，总会发现之前审查没报过的问题。不是审查报了没修，是审查根本没看到——维度里没有对应的检查项。
一个典型的已知问题
SQL 查询里的 ORDER BY created_at 没有 tiebreaker——没有加决胜列。当多条记录的 created_at 相同时，数据库每次返回的顺序可能不一样。
这不是逻辑错误——查询结果在大多数情况下是对的，不是安全问题，不是性能问题，但现有的 8 个维度里没有一个覆盖它。
“正确性"维度不查这种事，“安全性"维度也不查，“性能"维度也不查，需要一个新维度来检查这类问题，于是加了"测试缝隙分析"维度。
对照实验
用前面说的方法跑了一轮：6 个已知问题做参照，只改变审查维度。
第一步加 3 个维度（安全深度、测试缝隙分析、资源安全），跑出来 1/6。不够。
仔细看没找到的 5 个问题，发现维度方向其实对了——“测试缝隙分析"确实覆盖了排序确定性问题。但模型不知道该看什么。
于是改了措辞。不再是"检查测试缝隙”，而是告诉模型具体看什么：排序字段相同时有没有加决胜列？查询条件有没有跳过复合主键的前面几列、导致索引失效？
再跑，6/6。
这个迭代过程本身说明一件事：维度设计不是"想到了就有效”。想到了方向，还需要验证。验证发现方向对了但不够具体，再加线索。
公理化设计的灵感
前面的维度迭代解决的是"方向对了但不够具体"的问题。修完措辞后，tiebreaker 和索引问题都能找到了。
到此为止，我能想到的维度都加了。但耦合这类问题，我之前根本没有关注过。不是"知道有问题但不知道怎么查”，是压根没意识到这是一个维度。
正巧推友 @goldengrape 和我聊记忆系统设计时提到，公理设计里有个设计矩阵，迭代到上三角就能保证设计质量。我听着挺有意思，就去了解了这套理论的核心思路（前面"公理化设计"一节已经介绍过了），然后抱着试试看的心理，把 FR-DP 耦合检查加进了审查维度。
跑了一轮实验。结果出乎意料——它找到了之前所有维度都没发现的问题。耦合不是我预设的目标，是实验结果告诉我的。
当然，从理论到可用的审查维度不是直接搬的。Suh 的方法里还有一套量化比选的数学公式，我也试了。结果……
公式版被否决的教训
把数学公式放进维度时，我是有信心的。数学上严谨，语义上精确，模型应该能算出"哪个方案更简单”。
结果不是预想的那样。
33 个发现，比精简版少了 35%。召回还掉了半个。
回头看，原因很清楚：I=-log₂(p) 要求模型做数学推理。评估成功概率、取对数、比较。这些计算消耗的注意力，远超一句"选择最简方案"。
这就是第二篇的策略基因原则在另一个层面的体现。不是只有 prompt 的文字有冗余内容，维度本身的设计也有冗余内容。独立性公理的检查框架是策略基因——它指导模型做有价值的检查。数学公式是冗余内容——它让模型做了和审查无关的事。
系列：一条共同的规律
到这里三篇都写完了，做个简单回顾。
第一篇，双轮审查。问题：一个审查 agent 同时优化"找全"和"找准"，两头都不好。解法：拆开。理论依据：信息检索里 Recall 和 Precision 的矛盾关系。
第二篇，策略基因。问题：prompt 太长，模型注意力被稀释。解法：删掉可推导的冗余内容，只保留策略基因。理论依据：Holland 的遗传算法 building blocks 概念和 Wang 的 strategy genes 研究结果。
第三篇，维度实验。问题：审查维度不够，系统性地漏掉某一类问题。解法：对照实验验证维度有效性，用已知问题做参照。理论依据：对照实验方法论和公理化设计。
三篇用了三个不同的经典理论，IR、遗传算法、公理化设计，看起来没什么关系。
但其实只在讲一个规律：把经典理论搬进 AI Agent 设计时，最重要的是分辨什么是策略基因、什么是冗余内容。
- 双轮审查：Recall 和 Precision 的矛盾是策略基因，“模型应该自己权衡"是冗余内容。
- 策略基因：约束和反面例子是策略基因，步骤描述和正面例子是冗余内容。
- 维度实验：独立性公理的检查框架是策略基因，数学公式是冗余内容。
每一篇的"被否决方案"都在说同一件事：理论里看起来重要的东西，放进 Agent 不一定有用，关键是看它对输出有没有实际影响。没有影响的，再优雅也是冗余内容。
这个判断只能通过实验来做，删掉它，看输出变不变，加进去，看召回升不升，没有捷径。
参考
- Suh, N. P. The Principles of Design, Oxford University Press, 1990. https://global.oup.com/academic/product/the-principles-of-design-9780199259796