旧稿：
读下面这段 agent 执行记录，判断任务是否完成，只输出「完成」或「未完成」。
二十七个字，用过大半年，一直觉得它干净。干净是真的。毛病也在这句干净上：几十步的执行，被压成一个二值。
【是否完成】是验收的人想看的答案，不是执行的模型给得出的答案。这两个问题长得很像，其实不是一回事。
月初 arXiv 上挂了一篇机器人评测，RoboColosseum，二十六个作者，一百二十四个真实站点，五千多次两两配对，四种本体。我不做机器人，翻到一组数的时候停住了：G1 人形那五项任务，没有任何一个策略成功完成。同一批试验，改看推进到哪一步，各策略的平均进展落在 13.3% 到 23.2% 之间。
十个百分点的差，在【成功】这一列里全是零。
模型不是没区别，是我的问法把区别吃了。
改。V1：
读下面这段执行记录，回答：
1) 任务是否完成
2) 未完成的话，推进到了百分之几
跑了一晚上，同一条轨迹，两次给出 15% 和 40%。两次都对——没人告诉它百分之百长什么样。
这是我常犯的毛病：删掉一个含糊的词，换上一个更含糊的。【百分之几】这四个字没有锚点，模型只能自己拍一个分母。
V2：
读下面这段执行记录，按顺序回答：
1) 是否完成
2) 未完成的话，按步骤计：列出你实际完成的步骤，再估一下剩余还需要几步，报「已完成 / 总计」
3) 卡住的那一步属于哪一类：缺信息 / 工具报错 / 方向选错
第三问加得最值。前两问告诉我差多少，第三问告诉我差在哪：「方向选错」和「工具报错」的补救方向是完全相反的，一个要改指令，一个要改工具描述。旧稿里这两种情况共用一个词，未完成。
字数从二十七到一百出头，翻了四倍。我不为这个道歉。短从来不是目的，贴合才是，这话我说过很多遍，这次是它救了我。
岔一句嘴。中文里「半途而废」，把半途当成一个能站人的位置——古人早知道事情有中段，只有我们写指令的时候喜欢把中段一刀切掉。
扯回来。这版上周就存成 v_final 了，这周回头看又扎眼：太长，模型时不时只答 1 和 3，跳过步骤那条。步骤计数这件事它不爱干，嫌啰嗦。我把 2 拎出来单独做了一次 prefill，先替它起头「已完成步骤：」，让它顺着往下写，才稳住。
这不是措辞的事，是位置的事：同一个要求，摆在输出格式第一行，和塞在编号列表第二条，执行率不是一个量级。位置也是字重的一部分，只是它不写在字面上。
取样的事顺带说一句。论文里他们用主动匹配的办法挑配对，用明显少于均匀采样的真实试验量，拿到了差不多的排名一致性。我审自己 prompt 的方式几周前刚改成这样。以前是随机抽三十条 case 跑一遍，通过率还看得过去就收工。后来发现随机抽出来的大半是废话——模型怎么写都对的那些，跑一百条也是白跑。值钱的是那几条两种读法都说得通的输入，站在边界上的。现在我一次只跑八到十条，全挑边界的，改一个字就能看出动没动。样本少了，信号反倒清楚。
这篇里还有个数字我记下了：不同本体之间，策略排名的一致性系数只有 0.24，微调前后名次还会翻。翻译成人话就是，在 A 上排第一的写法，到 B 上未必。这条本来想单独写一篇，先按下。
定稿：
读下面这段执行记录，按顺序回答：
1) 已完成步骤：（逐条列，写到卡住的那一步为止）
2) 剩余步骤数：
3) 卡住的原因：缺信息 / 工具报错 / 方向选错
任务到底完成没完成，让它自己从 2) 是不是零里读出来，不再单独问一遍。少问一句，少一个自相矛盾的机会。
这版用了十来天，还行。但【步骤】这个词我自己心里没底——模型数的步骤跟我数的经常不是一回事，它爱把一次工具调用拆成三步。13.3% 跟 23.2% 那个差，说到底也取决于分母怎么定，论文里具体怎么划的，我没细看。所以这版我不敢叫终版，先这么用着。