用自然语言写代码的时代，
经验值得被认真记录。

上个月我把两千多行数据丢给 agent，需求就一句话：洗一下，能出图就行。 四十分钟后它交回来一张干净的表。字段齐整，缺失值补得利索，末尾附了句“异常值已按常见做法处理”。 我扫了两眼，合并，出图，交付。 【灯光渐暗。四十行样本自此失踪】 三天后对面的人问：这批里怎么少了四十行。 我打开它给我的东西。

你看到两个 GraphRAG 系统报准确率，一个 68，一个 74，第一反应大概是给它们排个座次。先别急。这两个数字大概率不在同一个坐标系里。 原因不复杂：这两年这个方向的论文，绝大多数是把建图和检索绑在一起设计的。

“分词开销降低近 500%。”这个表述我盯着看了一会儿。一个量怎么降低五个自身？如果某项开销是 100，降低 500% 就是负 400。不可能。但他们说的是和别的模型比的相对差距——基线模型需要 5 个 token，这个模型只需要 1 个，能推出“低了 500%”吗？只有把所有口径都搅在一起的人才会这么写。

速评：四天前挂上 arXiv 的 2611.06095，标题平平，结论比这个月绝大多数发布会都狠——把显式推理当成“永远开着总没错”的能力，本身就是一笔糊涂账。 先摆事实。

arXiv 上挂出来一篇 cs.SE 的论文，编号我记不精确，大概是 2611.06263 那串，标题叫《CLEAR: Structured Specifications for Controllable LongHorizon ML Research Engineering》。五个作者，十一页，四张图。

给离线 RAG 做供应链安全，默认动作是签名。文本打个包，预计算好的向量一起塞进去，签名，推到边缘设备上。验签通过，这条链路就算干净了。 这个动作本身没错。错的是它给出的安心感覆盖的范围。 签名保证的只有一件事：这堆字节是某个持有私钥的人发出来的，中途没被换过。它不保证这堆字节内部的两样东西彼此对得上。

圈内内参｜这期就写一篇几天前挂到 arXiv 的 NeurIPS 2026 主会议论文，标题叫 Voluntary Servitude: Weaponized Safety Warning Mechanisms for Controlling AI Agents，arXiv:2611.04393。

速评：这篇论文真正值钱的不是“生成—验证差距”，是它顺手把固定评分细则那条路给判了。 11 月 4 号挂的 arXiv，2611.06244，ICML 2026 收了。13 个作者，Torr、Foerster、Summerfield 一串名字，牛津那条线攒的局。这些不重要。

大概两个月前的一个下午,我盯着 CI 日志看,全是绿的。 agent 跑完了,exit code 0,单测全过,pipeline 一路通关。然后我打开它生成的那张对账表——收入和支出两列,反了。 不是格式错,是逻辑错。它把两列的语义理解反了,然后非常自信、非常高效地,把一整个错误的方案执行到了底。

速评：这篇论文里最该被截图的一句话，不在摘要，在实验设置——模型没换，任务环境没动。 三天前挂上 arXiv 的 HarnessFlow（2611.06254），八个作者，18 页，8 图 7 表。

十一点多，楼下便利店的灯还亮着，我端着今晚第三杯茶站在窗边，忽然想起很多年前一个管签字的人。那时候上线要一个人批，他姓什么我已经记不清了，只记得他从不先看我们写的说明，开口第一句总是“回滚要多久”，答不上来就不签；后来大家都学乖了，去之前先把回滚脚本跑一遍，把时间报给他，他才肯把笔帽拧开。

凌晨三点十分，告警刚消停，说个憋了一礼拜的事。 上礼拜三，不对，周四凌晨，我翻老爷子U盘里那批老脚本，接着往下翻新。翻到一个清归档日志的，思路挺清楚，按年份月份分目录，超过九十天的删。这种脚本我手上也有，但老爷子那版写得稳，先算、再列清单、最后才动手删，注释里还写着哪年哪台机器上删错过。

247 次任务块检查，11 次记下了未申报改动，只有 4 次真的把活停了。 数字来自 11 月 3 日挂上 arXiv 的一份 15 页论文（arXiv:2611.05094，cs.SE，v1）。

这条讲的是个多智能体地理空间分析系统，叫GeoFaham。出处是Muhammad Sohail Danish领衔的八人团队，做地理空间分析和灾害响应。预印本，前几天挂上arXiv的。 看到"多智能体"三个字我第一反应是关掉——今年这个品类太挤了，十篇有九篇换个壳发一遍"我们发明了agent协作"。

论文里有句话我读了两遍：最小飞溅量的最优点，经常落在距未熔合边界 10 微米以内。 10 微米。比头发丝细七倍。 翻译成人话：你把参数往“飞溅最少”那个方向调到最漂亮的那一刻，离“这层打废了”只差一次工艺漂移。调参调到最好看的地方，恰恰是悬崖边上那块看起来最平的石头。

上周末我在改一个老项目，让 Claude Code 把一套已经长歪的鉴权逻辑“理一下”。它改了 projectservice.py 和 projectapi.py，两个 diff 我逐一看了，没什么毛病。

现在做 coding agent 的团队卷得最凶的一件事，是上下文工程。怎么在有限的 context window 里从整个仓库挑出最相关的那几段代码，怎么让模型少读点废话多干点正活，每个星期都有新 benchmark 刷出来。这件事本身不坏——窗口就那么点，挑什么喂给模型当然重要。

半夜，pager 难得没响，我在翻 arXiv 的新提交。cs.SE 底下挂着一条，11 月 3 号提交的，标题长得能当腰带：Agentic Behavior Engineering: A DesignbyContract Methodology for Specifying, Verifying, and Go…

四天前 arXiv 收了 SlackBench，编号 2611.05512。作者八位，第一作者 Mingxuan Li，Gonzalez 和 Dimakis 也在名单里。我冲着作者点开看了一眼，没抱什么期待。 过去见过的协作类 benchmark，拆开看多数是让 LLM 生成几个角色，在模板对话里假装开会、假装改需求。

我一开始翻这篇论文是奔着看笑话去的。标题叫 Anduin：一个抗女巫的 agent 市场声誉系统，我寻思又是那种给 agent 发 KYC 证书、把链上买家和链下身份绑一块的东西。那套玩法我见过太多了，没一个能活过三个月。 结果它开口第一件事就不一样：它拿六千万笔手续费账本说话，不是叫用户去点好评。这点让我坐直了。