协议遵守的半衰期（续）：创可贴能撑多久
TL;DR： SELF-MONITORING 发布后，确认请求降了 94%，状态块完整率涨了 5 倍。但 60% 的状态块仍然残缺，连闹钟本身偶尔也会忘响。创可贴有效，但撑不到 100%。最有效的修复是最不"Agent"的那个：让程序管状态，让模型管推理。 ...
AI Agent
协议遵守的半衰期（下）：深层根因
TL;DR： 上篇发现 Agent 从第 2 轮起就把协议的五角色分离合并成了四角色，格式完整但核心约束被篡改。这篇挖根因：注意力稀释让"不可合并"的约束权重降到阈值以下，模型的优化本能接管；EOS 偏好提供了简化流程的动机；无状态架构让偏差进入正反馈循环。v0.21.0 的定期重载是创可贴，不是根治。 ...
协议遵守的半衰期（上）：Agent 为什么不会自己转
TL;DR： Agent 在多轮审核长任务中不会自己循环，反复问"要不要继续"。更严重的是，从第 2 轮起就把协议要求的五角色分离悄悄合并成四角色，格式完整但核心约束被篡改。这不是上下文压缩导致的，而是 LLM 在长时序任务中的系统性退化——协议漂移。 ...
AI 设计的实验，你得自己审
系列：AI Agent 实验方法论（第三篇） 上一篇：实验设计没毛病，LLM 为什么还是翻车了 TL;DR： 双盲实验 B 赢了 4/4，数据漂亮。但审设计时发现 rubric 有 3/8 维度直接测试被测变量，超过 1/3 上限，差点变成自我验证；另一个验证里一个场景满分、另一个才暴露缺陷，只跑一个就宣布通过的话缺陷就上线了。两个坑都是审设计发现的，不是跑完实验才看见的。 ...
实验设计没毛病，LLM 为什么还是翻车了
系列：AI Agent 实验方法论（第二篇） 上一篇：如何用双盲实验验证 skill 改动的有效性 TL;DR： 双盲实验跑完第一轮，B 赢了 3/4 但没过"幅度筛选"，结论是"证据不足"。排查发现 S1-A 的输出被终端颜色代码污染，scorer 在 ANSI 乱码上认认真真打了 8 个维度的分。修复执行上下文后重跑，B 变成 4/4 全胜。翻车的原因不是实验设计，是子 agent 的上下文构造没约束异常行为。 ...
如何用双盲实验验证 skill 改动的有效性
TL;DR： 改了 skill，怎么知道是真的变好了还是自我感觉良好？我跑了一个双盲实验：两个版本、四个场景、独立评审盲打分。评审看到 X=2.44、Y=2.41，说分不出来。揭盲后精简版 4/0 全胜。 ...