速评：它没吹自己全自动。
11 月 2 日挂上 arXiv 的 2611.03534，做电力系统并网评估和规程核查，作者 MaoXun Huang、Kshitij Kapoor、Eli Louise，正文 8 页，附录 6 页。附录快追上正文这个配比，在这两年的 agent 论文堆里显得不合时宜——别人摘要第一句就“end-to-end autonomous”，它把限制条件一条条写进方法里。
先掰那张成绩单。
Enterprise RAG Challenge、ViDoRe V3、LegalBench-RAG，三个公开榜第一。通稿最爱拿这种料当门面。掰开看，全是检索层面的事：条文找得准不准、引用对不对得上。这跟“这套系统懂电力系统”是两个能力，偏偏在标题里最容易被混成一件。真正跟电力沾边的成绩是那 519 个任务上的最高分——而这个 519，是作者把八个原本各自独立的 benchmark 家族拼成的一套。自己拼套件，自己跑第一，这结构我天然要打个问号：拼接意味着任务分布是人为设计的，不是真实工况自然长出来的；519 这个数放在电力系统里也谈不上厚。
往好了说是整合，往另一面说，是这个领域到现在都拿不出一套公认的 agent 评测基准，作者只能自己动手造一个。
不过有个动作把分数拉回来不少：评测不只对最终答案，还回放 agent 的每一次工具调用，看它怎么一步步走到那儿。agent 论文里这不常见，多数人发的是最终正确率截图，过程是黑箱。愿意把自己的调用轨迹摊开让人倒着查，说明作者心里清楚，卖点不在“答对了”，在“怎么答的”。
再说那句我认为最该被同行抄走的话：两个组件里，工程师都保留决策权。
这句不会出现在摘要第一句。但它跟另外两条设计是同一套逻辑——Grid Ontology 出来的答案必须带证据引用，报出来的数值必须走成熟求解器。三条加起来，其实是一份“我知道这东西不能干什么”的清单。LLM 在这套架构里的位置被压到调度、检索、引用，算数交给 solver，拍板交给人。在这个所有人抢着把 agent 说成能独立干完整条流水线的年份，一份主动交出部分权限的论文，反而更像工程。
顺带说一句业绩，他们同时报了速度最快，还标了统计显著。把“快”和“准”一起报，很工程师的做法，不像 PR——PR 只报最亮的那一个数。
然后是全篇我最信的一个数字，也被埋得最靠后：优化器进了 loop 之后，加固方案包的成本平均降了三成到三分之二。
为什么信它？因为这钱不是 agent 聪明省出来的。省钱的是优化器，agent 干的是把流程串起来——工况、约束、求解器、结果，串成一条不断的线。这正好印证我前面那个判断：价值在流程编排，不在智能涌现。你要是把它当“AI 学会了电网设计”来读，读到这段就该醒。
这里给自己前面那句“自己拼套件打问号”补个让步。回放工具调用这件事，真做扎实了，自拼套件的公正性问题就被削掉一半——你没法靠调 prompt 把过程也调好看。做没做扎实，我看不到代码，只能等复现。这条我按住，不下结论。
九天。够一个 benchmark 被社区复现一轮，也够一篇没人接的论文沉底。现在两边都还没发生。
这里立个 flag：这种“LLM 只做检索和调度、数值交给 solver、人保留否决权”的三段式，一年之内会被别的工程领域抄走——建筑规范审查、医疗器械注册申报、环评，同一副骨架，都是规程又厚、数值不能瞎编、出事得有人签字的地方。抄的时候大概率不会提这篇，但骨架是这副。
反过来，一年后大家还在比谁的 agent 全自动、还拿检索榜第一当能力证明，那这篇的命就是被引在一篇综述的脚注里。
我不想看到这个结果。但按这两年的风向，我不敢说不会。