Essay 024 · Agent

次旗舰为什么能反超重型旗舰:多 Agent 交叉核验的三个正交维度

从一次三窗格同题核验的真实分化现场出发,用 Simon 满意即停阈值、Hoare 公理语义与动态探测对偶、以及 Knight-Leveson 共模失效与多样性预测定理,拆解多 Agent 工程协同在搜索预算、求真通道与组队拓扑上的三维正交框架。

一句话结论:多 Agent 交叉核验的有效性,不取决于叠加了多少个同构的高分模型,而取决于能否在“单步先验直觉 vs. 搜索停止阈值(纵轴:走多远)”、“静态白盒符号归因 vs. 动态黑盒运行态实证(横轴:信什么)”与“同源偏置共振 vs. 异构正交消差(深轴:怎么组)”三个正交维度上同时拉开张角。

从一次三窗格同题核验的分化现场说起

在日常重度使用 CLI Coding Agent 的工程环境里,我们越来越习惯在得到一个重要结论后,再开几个窗格做一轮交叉复核。

设想一个非常典型的跨工具链排障场景:一台开发机通过统一的终端工作台接入了 7 个主流 CLI Agent(Claude Code、Codex、dsh-TUI、Grok、Pi、Kimi Code 与 Antigravity CLI),并在公共目录 ~/.agents/skills/ 下新增了一套自研的本地数据查询技能。为了确认这套技能能否被所有工具开箱即用,前一个排查会话在检查了各工具的配置文件与目录结构后,给出了一份看似条理清晰的诊断报告:

  • 结论:“7 个 Agent 中,5 个可直接读到,1 个(Antigravity CLI)受启动目录限制有条件读到,1 个(Grok)目前完全读不到。”
  • 依据:“Grok 的配置文件 ~/.grok/config.toml 中显式关闭了 [compat.claude] skills = false,且 ~/.grok/skills/ 下没有建立软链接。”
  • 修复建议:“补建两条软链接,一条指向 ~/.grok/skills/,另一条指向 ~/.gemini/config/skills/。”

在动手执行这两条 ln -s 之前,把同一道核验指令——“核实上面这段排查结论是否正确”——原封不动地同时发给三个不同底座与推理深度档位(Effort)的 Agent 窗格:

  1. 窗格 1:次旗舰工程模型 + 高思考档(Gemini 4 Neon · high)
  2. 窗格 2:重型旗舰模型 + 中等思考档(Gemini 4 Carbon · medium)
  3. 窗格 4:跨生态实证型模型 + 最大思考档(Codex GPT-6.2-Astra · max)

六分钟后,三个窗格在核心事实真值上达成了完全一致:前序会话对 Grok 的判断是错的——Grok 原生就会在任意目录下全局扫描 ~/.agents/skills/,[compat.claude] skills = false 仅关闭对 .claude/skills/ 的兼容读取;真实情况是 6 个 Agent 无条件可读、仅 1 个有条件受限。

但如果我们打开三个窗格的完整执行轨迹,会看到三处耐人寻味的分叉:

  1. 次旗舰在工程方案深度上反超了重型旗舰:按底座级别本应最强的重型旗舰 Carbon (medium) 最快交卷(耗时 4 分 52 秒,调用 39 次工具)。它精准地找到了前几分钟刚跑过的一条真实 Grok 会话日志,证实该技能已被成功调用,随后顺着前序会话的框架建议“少建一条软链接,只保留给 Antigravity 补单条软链接即可”。反倒是底座更轻的次旗舰 Neon (high) 跑了 57 次工具调用(耗时 6 分 22 秒):它在证伪 Grok 的结论后没有停笔,而是继续去翻宿主环境的内置配置文档,挖出了在全局 skills.json 的 entries 中声明一次 "~/.agents/skills" 即可一劳永逸免去未来所有手工软链接的根治方案。
  2. 看源码的窗格与跑终端的窗格抓到了完全不同的盲区:窗格 1 和窗格 2 不约而同地走上了“拆源码”路线——去读 Shell 启动脚本 pane.zsh 的 while 循环、读 Node.js 技能加载器的 roots() 方法、甚至写脚本从 Mach-O 二进制里扒出内嵌的 skillRoots.ts,从而发现了前序会话遗漏的一条代码分支边界:“在 /tmp 等非 $HOME 子目录下运行启动器,路径注入也会失效”。而窗格 4 的 GPT-6.2-Astra (max) 根本不去抠静态源码分支,而是写 Python 脚本通过 JSON-RPC 拉起 agy acp 进程、用 pty.openpty() 开出虚拟终端把 dsh-tui 真正跑起来,模拟键盘敲入 /my- 捕获屏幕上的自动补全弹窗,从而直接给出了“在日常主目录项目下按现有方式启动,7 个全部可用,无需改任何配置”的实操判断。
  3. 唯一一次跨边界的安全告警:三个窗格都读取了前序会话的完整历史日志,唯独窗格 4 在结尾额外附加了一条提醒——前序会话早期的工具输出日志中夹带了明文 API 密钥,而本次核验读取日志时也将其带入了当前工具记录,对外分享这两段会话前务必先行脱敏。

为什么同一句提示词,会在三个窗格里投射出如此规整的能力分工?

剥离具体的模型代号与厂商命名,这三张答卷在粗糙的经验体感之下,恰好对应着任何智能体(无论是 AI Agent 还是人类工程师)在执行“系统诊断与技术核验”时,必须同时跨越的三个正交维度:

  • 纵轴(内部搜索预算维):单步先验直觉 VθV_\theta 与搜索停止阈值 τstop\tau_{\text{stop}} 的博弈——决定了智能体在解空间里走多远、停在哪;
  • 横轴(外部求真通道维):静态白盒符号归因(∀\forall 路径)与动态黑盒运行态探测(∃\exists 实例)的对偶——决定了智能体向外部世界采信什么形态的证据;
  • 深轴(多主体协同拓扑维):同源归纳偏置的共模失效与异构证据链的归纳汇合——决定了多个智能体并排工作时,误差是共振放大还是正交抵消。

第一维(纵轴):先验直觉斜率与“满意即停”阈值的正交反转

出处:Herbert A. Simon,《Rational Choice and the Structure of the Environment》(1956);Claude E. Shannon,《Programming a Computer for Playing Chess》(1950);David Silver et al.,《Mastering Chess and Shogi by Self-Play with a General Reinforcement Learning Algorithm》(2017)

日常使用大模型时,人们很容易把“模型能力”想象成一把一维的直尺:重型旗舰(如 Carbon)排在最顶端,次旗舰(如 Neon)居中,轻量模型(如 Hydrogen)垫底。按照这种一维直觉,把重型旗舰放进窗格,理应比次旗舰挖得更深、给出更彻底的工程架构解。

为什么实测结果恰恰相反——Carbon (medium) 停在了“给单个技能补一条软链接”的增量补丁上,而 Neon (high) 却多走一步,挖出了修改全局 skills.json 免除一切软链接的根治方案?

因为自香农 1950 年奠定博弈树搜索理论、到 AlphaZero 将神经网络与蒙特卡洛树搜索(MCTS)结合以来,任何一个具备多步工具调用能力的智能体,其实际求解过程都不是单一静态权重的输出,而是由两个正交参数共同决定的动态搜索过程:

  1. 单步先验直觉 Vθ(s)V_\theta(s)(由模型底座规模决定):站在当前观察节点 ss 上,不经外部试错就能一眼猜中“哪条命令、哪个文件最可能包含关键线索”的条件概率分布。底座越重,先验分布的熵越低,每一步选路的直觉斜率越陡,越不容易在无关目录里空转。
  2. 搜索停止阈值 τstop\tau_{\text{stop}} 与展开预算 BB(由推理档位 Effort 决定):当智能体在搜索树上已经找到了第一个能够解释当前异常、闭合用户字面追问的可行解(Feasible Solution)时,是立刻触发停止规则交卷,还是抑制“交差冲动”、继续向相邻文档与底层源码展开分支。

1956 年,诺贝尔经济学奖与图灵奖双料得主赫伯特·西蒙(Herbert Simon)在研究有限理性(Bounded Rationality)时指出:真实环境中的搜索者几乎从不执行全局极大值搜索(Maximizing),而是执行满意即停(Satisficing)——搜索者脑中设有一个抱负水平(Aspiration Level,即停止阈值 τstop\tau_{\text{stop}}),一旦在路径上撞见第一个得分满足 U(S)≥τstopU(S) \ge \tau_{\text{stop}} 的候选解 SS,搜索立刻终止。

把这个机制放进真实工程排障的解空间地形里,就能一眼看穿“次旗舰反超重型旗舰”的微观机理:

 解的工程彻底性 U(S)
   ▲
   │                                                       ╭───╮  深峰 S₂:全局机制解
   │                                                      ╱     ╲ (改 skills.json entries
   │                                                     ╱       ╲ 一劳永逸消灭软链接)
   │  ─ ─ ─ ─ ─ ─ ─ ─ ─ ─ ─ ─ ─ ─ ─ ─ ─ ─ ─ ─ ─ ─ ─ ─ ─ ╱ ─ ─ ─ ─ ╲ ─ ─ ── τ_high (High 档停止阈值)
   │                                                   ╱           ╲
   │                       ╭───╮  浅峰 S₁:局部补丁解  ╱             ╲
   │                      ╱     ╲ (证伪 Grok 误判,  ╱               ╲
   │  ─ ─ ─ ─ ─ ─ ─ ─ ─ ─╱─ ─ ─ ─╲ 仅补单条软链接)  ╱                 ╲ ── τ_medium (Medium 档停止阈值)
   │                    ╱         ╲                ╱                   ╲
   │                   ╱           ╲              ╱                     ╲
   │                  ╱  Carbon     ╲            ╱  Neon (high)          ╲
   │                 ╱  (medium)     ╲──────────╱   跨越局部极值谷底      ╲
   │                ╱  39 步精准命中   (额外付出 18 步周边配置与二进制探查)
   └───────────────┴──────────────────────────────────────────────────────────► 搜索树展开步数 (工具调用次数)
                  0                 ~35-39 步                            ~57 步

绝大多数工程诊断与重构任务的解空间,都不是只有一个山头的单峰地形,而是如上图所示的双峰地形(Bimodal Landscape):

  • 近处的浅峰 S1S_1(局部修补解 / Patch):顺着题目原有的提问框架,核实 7 个 Agent 的真伪,指出“Grok 不用建软链接,只需按原计划给 Antigravity 补一条软链接”。对于字面问题“原会话结论是否正确”而言,S1S_1 已经是一个逻辑闭合、事实准确的合格答卷。
  • 远处的深峰 S2S_2(全局结构解 / Structural Fix):在回答完“对不对”之后,多问一句“为什么每次新建一个技能都要手动去补软链接?宿主有没有声明式的全局目录配置?”要从浅峰 S1S_1 跨过中间的搜索谷底抵达深峰 S2S_2,智能体必须在已经拿够交差证据的情况下,额外花 15 到 20 步工具调用去翻阅宿主系统的自定义配置规范文档(json_configs.md)。

此时,底座直觉与 Effort 档位的交叉效应就发生了:

  • 重型旗舰 Carbon 配上 medium 档:得益于极高的单步先验直觉 VθV_\theta,它完全不走弯路,不仅跑了 grok inspect,还极其聪明地在会话目录里精准捞出了用户几分钟前刚跑通的真实 Grok 调用记录。仅仅用了 39 次工具调用、4 分 52 秒,它就已经抵达了浅峰 S1S_1 的山顶。然而,由于 medium 档设定的满意停止阈值 τmedium≤U(S1)\tau_{\text{medium}} \le U(S_1),停止规则在抵达 S1S_1 的瞬间立即触发——重型底座极高的单步效率,反而帮它在最短时间内撞上了 medium 档的早停天花板。
  • 次旗舰 Neon 配上 high 档:它同样在 35 步左右证伪了 Grok 的误判、爬上了浅峰 S1S_1。但 high 档位强行把满意阈值推高到了 τhigh>U(S1)\tau_{\text{high}} > U(S_1),禁止搜索器在“打单条软链接补丁”处停步。为了填满高档位要求的验证完备度,搜索树被迫继续向周边的内置文档和二进制符号表扩张,最终在第 57 步翻过谷底,拿到了 skills.json 全局挂载方案。

这给出了我们在调度 Agent 时的第一条反直觉定律——先验斜率与停止阈值的正交分离律:

模型底座的级别买到的是抵达第一个合格解的直觉速度(斜率);而推理档位(Effort)买到的是拒绝在第一个局部补丁处停笔、继续搜寻全局最优解的探索半径(阈值)。在解空间呈双峰分布的开放工程问题中,“次旗舰 + High Effort”往往比被 Medium 档捆住搜索深度的重型旗舰更能触达根治方案。


第二维(横轴):静态白盒符号归因与动态黑盒运行态实证的对偶盲区

出处:C. A. R. Hoare,《An Axiomatic Basis for Computer Programming》(1969);Henry Gordon Rice,《Classes of Recursively Enumerable Sets and Their Decision Problems》(1953);Edsger W. Dijkstra,《Notes on Structured Programming》(1970)

解决了“单个大脑在搜索树上走多远”,接下来看横轴上的第二个问题:为什么窗格 1、2(Gemini 系)和窗格 4(Codex 系)在面对同一道核验题时,本能地选择了两条截然相反的取证路线,并且各自抓到了对方漏掉的关键事实?

当任何一个智能体需要核实“软件系统 SS 是否具备某项行为属性 PP(例如:能否发现某个技能包)”时,它与计算机系统之间存在且仅存在两条正交的认识论求真通道:

                           ┌─────────────────────────────────────────┐
                           │    待核验命题:7 个 Agent 能否发现技能? │
                           └────────────────────┬────────────────────┘
                                                │
                       ┌────────────────────────┴────────────────────────┐
                       ▼                                                 ▼
     ┌───────────────────────────────────┐             ┌───────────────────────────────────┐
     │   通道 A:静态白盒符号归因 (∀)     │             │   通道 B:动态黑盒运行态实证 (∃)   │
     │   (读磁盘上的代码 Code-on-Disk)    │             │   (测内存里的活体 State-in-Memory) │
     ├───────────────────────────────────┤             ├───────────────────────────────────┤
     │ • 读 pane.zsh 启动脚本控制流       │             │ • 跑 grok inspect --json 探针     │
     │ • 读 dsh-skill-filesystem 源码    │             │ • 拉起 agy acp JSON-RPC 真进程    │
     │ • 反扒 kimi 二进制内 skillRoots.ts │             │ • 开 pty.openpty() 敲入 /my- 抓屏 │
     └─────────────────┬─────────────────┘             └─────────────────┬─────────────────┘
                       │                                                 │
         ┌─────────────┴─────────────┐                     ┌─────────────┴─────────────┐
         ▼                           ▼                     ▼                           ▼
  【独占优势】                【固有死穴】          【独占优势】                【固有死穴】
  全称控制流视野 (∀ path):   静态文本幻觉:        存在性活体铁证 (∃ run):    采样点局部视野:
  一眼揪出 while 条件在       若未跑活体验证,易被  100% 击穿配置优先级假象;   只测常驻项目目录时,
  /tmp 等非 $HOME 目录下      config.toml 字面开关  流经真实日志管道时顺手      看不见未触发的 /tmp
  会断路的反事实边界          误导(原会话败因)    触发明文 API 密钥安全告警   代码分支盲区

在计算机科学史上,这两条通道恰好对应着程序验证领域的两大基石流派:

1. 静态白盒符号通道(公理语义与全称控制流推导 ∀ path\forall \text{ path})

以弗洛伊德(Robert Floyd)与霍尔(C. A. R. Hoare,1969)创立的公理语义与静态程序分析为代表。走这条路线的智能体(如窗格 1 和窗格 2 的 Gemini 4 模型),第一反应是把系统当成透明的白盒:去读磁盘上的 Shell 启动脚本、JavaScript 模块源码、甚至用 Python 从编译后的二进制文件里提取内置源码字符串。

静态白盒通道拥有动态测试永远无法企及的一项特权——对代码分支的全称视野(Universal Quantification, ∀\forall)。

在本次测试中,为什么只有窗格 1 和窗格 2 发现了“在 /tmp 或外接盘等非 $HOME 目录下运行 ai a 包装命令也会读不到技能”?因为它们直接打开了启动脚本 pane.zsh,读到了第 82 行的循环守卫条件:

while [[ "$dir" != "$home_dir" && "$dir" == "${home_dir%/}/"* ]]; do
  # 逐级向上查找 .agents/skills 并追加 --add-dir
done

只要做一步最基础的符号逻辑取反:当起始目录 $dir 不以 $home_dir/ 为前缀(即 ¬prefix(dir,HOME)\neg \text{prefix}(dir, \text{HOME}),例如在 /tmp 下)时,while 循环一次都不会进入,--add-dir /Users/alfheim 永远不会被注入。不需要真正切到 /tmp 下去跑任何进程,静态符号推演就能在 O(1)O(1) 时间内覆盖这条未触发的反事实边界(Counterfactual Edge Case)。

但静态白盒通道同样背负着一个致命的理论诅咒——把“磁盘上的代码与配置文本(Code-on-Disk)”直接等同于“运行时的涌现状态(State-in-Memory)”。

根据可计算性理论中的 Rice 定理(1953),程序的任何非平凡语义属性在通用情况下都是不可仅凭静态文本判定的;落到现代复杂工程工具链中,环境变量注入、多层配置文件覆盖、二进制内置默认路径与硬编码回退逻辑,随时会让静态配置走查得出与运行时截然相反的假阳性结论。

被三个窗格同时纠错的“前序会话”,正是一起教科书级的纯静态白盒翻车事故:前序会话只读了 ~/.grok/config.toml 里的 [compat.claude] skills = false,又扫了一眼 ~/.grok/skills/ 目录为空,就在脑中沿着自己想象的控制流推导出了“Grok 必然读不到”。它漏掉了 Grok 二进制内部还有一条独立于 Claude 兼容层之外的 ~/.agents/skills/ 原生扫描通道。只要当时它肯向动态运行态迈出一步、执行一次 grok inspect,这个静态推导幻觉当场就会被击碎。

2. 动态黑盒运行态通道(操作语义与存在性活体探测 ∃ run\exists \text{ run})

以戴克斯特拉(Edsger W. Dijkstra,1970)对测试本质的界定及现代 Computer-Use / 灰盒动态探测为代表。走这条路线的智能体(如窗格 4 的 Codex GPT-6.2-Astra · max),在训练中注入了极强的实证主义偏置:它几乎不采信“配置文件里写了应该能行”的静态推论,而是执拗地要把活体进程真正拉起来试一遍。

在短短 6 分钟里,窗格 4 写出了两套纯动态探针: - 针对支持协议通信的 Agent,直接用 Python subprocess.Popen 拉起 agy acp --disable-telemetry,通过标准输入发送 JSON-RPC 握手包,对比带与不带 --add-dir 时进程实际吐回的技能数组; - 针对纯终端交互的 dsh-TUI,直接调用 pty.openpty() 创建伪终端,伪造 115×200 终端窗口尺寸启动真实 TUI 进程,用正则轮询屏幕 ANSI 字符流直到状态栏刷出 Context loaded ... Skills,再向伪终端写入 b'/my-wechat',亲眼捕获屏幕上弹出的完整技能名与描述。

动态黑盒探测在认识论上提供的是不可辩驳的存在性铁证(Existential Proof, ∃\exists):不管底层经过了多少层 Wrapper、环境变量、软链接去重或二进制内置逻辑,只要活体进程的弹窗里刷出了这个技能,一切关于“配置到底生没生效”的争论瞬间终结。此外,因为动态探针会驱动真实的数据流过终端与日志管道,它还天然具备运行时副作用与安全嗅探能力——在拉取前序会话日志字节流做解析时,直接触发了针对明文 API 密钥的安全告警,帮用户在公开分享日志前拦住了一次凭证泄露。

但正如 Dijkstra 那句著名的论断(“测试只能证明状态的存在,不能证明所有路径下的缺席”),动态黑盒通道的固有死穴是采样点的局部性(Point-wise Blindness):只要探针脚本选定的工作目录落在主目录项目(如 ~/code/demo/aipane)下,所有测试就全部绿灯通过,它永远不会主动意识到“如果未来某天用户切到 /tmp 目录下敲 ai a,外层 Shell 包装器的 while 循环会静默跳过”。

把两条求真通道放在一起对照,就会发现它们在逻辑量词上构成了一对严格的互补对偶(Dual Complement):

序号 认识论维度 静态白盒符号通道(读代码 / 查配置) 动态黑盒运行态通道(拉进程 / 开 PTY)
1 逻辑量词属性 全称推导(∀ path\forall \text{ path}):沿着控制流图(CFG)一次审视所有显式条件分支 存在性实证(∃ execution\exists \text{ execution}):在选定的具体环境坐标点上观测活体真实输出
2 独占捕获区域 尚未触发的反事实边界条件(如 pane.zsh 在非 $HOME 目录下的 while 守卫断裂)與底层隐藏配置项(如 skills.json) 多层配置叠加后的真实生效终态(一击打破 config.toml 字面假象)、TUI 真实交互渲染与数据流明文密钥副作用
3 固有盲区(单通道失配) 静态文本幻觉:误把局部配置开关当成全局唯一路径(前序会话误判 Grok 的根源) 采样点局部性:仅能证实被测目录(如主目录仓库)可用,看不见未采样目录下的分支退化

第三维(深轴):共模失效定律与异构证据链的“归纳汇合”

出处:John C. Knight & Nancy G. Leveson,《An Experimental Evaluation of the Assumption of Independence in Multi-Version Programming》(1986);Scott E. Page,《The Difference》(2007);William Whewell,《The Philosophy of the Inductive Sciences》(1840)

看清了纵轴(搜索深度阈值)与横轴(静态白盒 vs. 动态黑盒)之后,我们终于可以回答多 Agent 工程中最核心的架构问题:既然单个 Agent 必然受制于自身的停止阈值与取证通道偏置,当我们组建多 Agent 工作流(Swarm / 并行 Review / 交叉核验)时,到底该怎么组队?

当前很多团队在落地多 Agent 审查时,最直觉的做法是同构投票(Homogeneous Voting / Self-Consistency):挑一个当下跑分最高的模型,用同一套系统提示词和默认推理档位并发跑 3 个实例,让它们少数服从多数。

这套做法在软件可靠性工程史上早已被证明是一个代价高昂的陷阱。

20 世纪 70 至 80 年代,航空航天与核电控制软件普遍依赖一种名为 N 版本编程(N-Version Programming, NVP) 的容错架构:把同一份规格说明书发给 NN 个完全隔离的程序员团队,各自独立编写一套控制程序,线上运行时由表决器(Voter)取多数输出。当时的理论假设是:只要团队物理隔离,软件出错就是统计独立事件,若单套程序在某处出错的概率为 p=10−2p = 10^{-2},三套同时出错的概率就会暴降到 p3=10−6p^3 = 10^{-6}。

1986 年,弗吉尼亚大学的 John Knight 与加州大学尔湾分校的 Nancy Leveson 组织了来自两所高校的 27 名高水平程序员,各自独立编写导弹拦截雷达的逻辑程序,并跑了百万次真实测试。实验结果彻底击碎了独立性假设:多套独立程序在相同输入下同时犯错(共模失效,Common-Mode Failure)的频次,比统计独立假设高出数个数量级。

原因并不神秘:受过同类工程训练的主体,脑中共享同一套归纳偏置(Inductive Bias)——面对同一份题目,大家会本能地走同一条最省力的推导捷径,会在同一个容易混淆的字面配置上一起产生误读,也会在同一个反直觉的边界条件上一起漏判。

放到今天的 AI Agent 协同上,用同一个模型、同一档 Effort、同一种工具习惯连开三个窗格,本质上就是把同一个归纳偏置复印了三份。如果该模型天然偏爱“只读静态配置文件、不跑运行态命令”,那么开三个窗格得到的绝不是 p3p^3 的高可靠核验,而是三份众口一词地告诉你“Grok 因为 skills = false 所以读不到”的共模幻觉。

复杂系统学家斯科特·佩奇(Scott E. Page,2007)提出的多样性预测定理(Diversity Prediction Theorem),给出了消除共模失效的精确数学条件。设真实目标状态为 V*V^*,NN 个智能体各自的独立判断为 V1,V2,…,VNV_1, V_2, \dots, V_N,群体综合判断为 V‾\bar{V},则恒有:

(V‾−V*)2⏟群体综合误差=1N∑i=1N(Vi−V*)2⏟个体平均误差(由底座能力决定)−1N∑i=1N(Vi−V‾)2⏟预测路径多样性(由通道与搜索深度差决定)\underbrace{(\bar{V} - V^*)^2}_{\text{群体综合误差}} = \underbrace{\frac{1}{N}\sum_{i=1}^N (V_i - V^*)^2}_{\text{个体平均误差(由底座能力决定)}} - \underbrace{\frac{1}{N}\sum_{i=1}^N (V_i - \bar{V})^2}_{\text{预测路径多样性(由通道与搜索深度差决定)}}

这个恒等式揭示了一条极其硬核的组队法则:群体核验的误差要想真正趋近于零,减号后面的“第二项(各智能体搜索轨迹与取证通道的方差/正交度)”,必须与减号前面的“第一项(单兵底座能力)”同等重要。

回头审视本文开篇那三个窗格为什么能严丝合缝地把前序会话的漏洞、隐藏的全局配置解、运行时的真实 TUI 行为以及日志里的明文密钥一网打尽?因为它们在坐标空间里恰好构成了一支零同构冗余的正交三角编队:

   纵轴:搜索停止阈值 (Effort Budget)
   ▲
   │
   │   [窗格 1:Neon · high]
   │   • 位置:(静态白盒通道, 高停止阈值 τ_high)
   │   • 贡献:57 步深搜跨越局部补丁,从二进制与配置规范中
   │           挖出 skills.json 全局免软链接根治方案 + /tmp 边界
   │
   │                                            [窗格 4:GPT-6.2-Astra · max]
   │                                            • 位置:(动态黑盒通道, 极致实证 τ_max)
   │                                            • 贡献:JSON-RPC + PTY 伪终端模拟敲键,
   │                                                    给出日常工作流 100% 可用铁证 + 拦截日志明文密钥
   │
   │   [窗格 2:Carbon · medium]
   │   • 位置:(静态白盒+历史日志锚点, 满意即停 τ_medium)
   │   • 贡献:39 步 / 4分52秒最短路径精准狙击,直接调取刚跑通的
   │           真实历史会话完成低延迟基线证伪 + 定位 /tmp 边界
   │
   └──────────────────────────────────────────────────────────────────────────────► 横轴:认识论求真通道
       静态白盒符号归因 (∀ 控制流分支)                        动态黑盒运行态实证 (∃ 活体进程/PTY)

当窗格 1 和窗格 2 从静态源码与二进制符号表推导出“除裸启动与非主目录外,其余全部可读”,而窗格 4 从完全不看源码的 PTY 伪终端击键与 RPC 进程响应中实测出“主目录仓库下 7 个 Agent 全部弹出了该技能”时,19 世纪科学哲学家威廉·休厄尔(William Whewell,1840)所定义的最高等级科学确证——归纳汇合(Consilience of Inductions)——就在终端里发生了:

当两条机制完全正交、物理载体互不相交的独立证据链(一条走磁盘上的静态符号逻辑,一条走内存里的动态进程管道)在终点收敛于同一个事实判断时,两条通道同时发生假阳性的联合概率才会真正塌缩为乘积 pstatic×pdynamic→0p_{\text{static}} \times p_{\text{dynamic}} \to 0。


收束:多 Agent 调度的三维正交坐标系与条件相图

把这三层隐秘的联系收拢到一起,我们在日常工程中调度 Coding Agent 就不再是凭感觉“随便挑个模型开几窗”,而是拥有了一套可按任务性质精确配比的三维正交坐标系:

  1. 纵轴(搜索深度维:τstop\tau_{\text{stop}}):你需要的是快速拿到第一个合格补丁(Medium 满意即停),还是跨过局部创可贴、搜寻全局免维护的根治架构(High / Max 抬高停止阈值)?
  2. 横轴(求真通道维:∀ White-box⟂∃ Black-box\forall \text{ White-box} \perp \exists \text{ Black-box}):待核验的问题更容易死在“未触发的极端代码分支”(需静态白盒源码审计),还是更容易死在“多层配置覆盖后的运行态假象”(需动态黑盒进程/PTY 实测)?
  3. 深轴(协同拓扑维:异构正交度):当任务风险高到需要开多个窗格交叉核验时,多个窗格之间是否已经在“模型家族 / 取证偏好”与“推理档位”上拉开了正交夹角,从而避免共模失效?

正如任何工程架构都不存在脱离前提的“绝对最优配比”,这套三维框架在不同约束条件下会呈现出清晰的最优解相变。下次在终端里敲下启动命令前,可以先按下面这张条件相图对号入座:

序号 任务场景与隐含前提集合 PP 最优调度拓扑(帕累托前沿解) 为什么不选其他组合(违反时的代价)
1 单峰事实核对与常规局部修改
(解空间仅有一个确定答案,改动完全可逆,对延迟与配额敏感)
单窗格:重型旗舰 · Medium
(或高频主力 次旗舰 · Medium/High)
此时不存在深峰 S2S_2;强行开 Max 或多窗格并发不会产生新信息,只会白白烧掉数倍的时间与周配额
2 双峰架构寻优与消除技术债
(厌恶每增一个模块就打一次软链接/补丁,希望挖出宿主底层声明式机制)
单窗格或主窗格:次旗舰/旗舰 · High
(必须显式推高停止阈值 τhigh\tau_{\text{high}})
若使用 Medium 档,哪怕底座是重型旗舰,其高直觉也会让它在找到第一个能跑通的增量补丁 S1S_1 时立即触发 Simon 早停,错失全局解 S2S_2
3 高风险集成诊断与跨工具链验收
(静态配置与运行时环境强耦合、前序结论存疑、或涉及发版/分享安全边界)
异构双通道编队:
Gemini 系 (High · 白盒源码归因)
+ Codex 系 (Max · 黑盒进程/PTY 实证)
单靠白盒易掉进静态配置幻觉(如误判 skills = false);单靠黑盒易漏掉未采样目录(如 /tmp 分支);同模型多开则会触发 Knight-Leveson 共模失效

看懂了这张表,以后再看到多个 Agent 窗格在屏幕上给出长短不一、切入点各异的回答时,你就不会再纠结“到底哪一个模型才是最强的真神”。真正强大的从来不是某一个孤立的底座,而是你作为调度者,懂得用高停止阈值去逼出深层架构解,用白盒源码与黑盒活体的正交对撞去夹死所有幻觉与盲区。

参考资料

  • Herbert A. Simon, “Rational Choice and the Structure of the Environment”, Psychological Review, Vol. 63, No. 2, 1956, pp. 129–138
  • Claude E. Shannon, “Programming a Computer for Playing Chess”, Philosophical Magazine, Ser. 7, Vol. 41, No. 314, 1950, pp. 256–275
  • David Silver et al., “Mastering Chess and Shogi by Self-Play with a General Reinforcement Learning Algorithm”, arXiv:1712.01815 / Science, Vol. 362, 2018
  • C. A. R. Hoare, “An Axiomatic Basis for Computer Programming”, Communications of the ACM, Vol. 12, No. 10, 1969, pp. 576–580
  • Henry Gordon Rice, “Classes of Recursively Enumerable Sets and Their Decision Problems”, Transactions of the American Mathematical Society, Vol. 74, No. 2, 1953, pp. 358–366
  • Edsger W. Dijkstra, “Notes on Structured Programming”, EWD249, Technical University Eindhoven, 1970
  • John C. Knight & Nancy G. Leveson, “An Experimental Evaluation of the Assumption of Independence in Multi-Version Programming”, IEEE Transactions on Software Engineering, Vol. SE-12, No. 1, 1986, pp. 96–109
  • Scott E. Page, The Difference: How the Power of Diversity Creates Better Groups, Firms, Schools, and Societies, Princeton University Press, 2007
  • William Whewell, The Philosophy of the Inductive Sciences, Founded Upon Their History, John W. Parker, London, 1840
查看本文修订记录(1)
  1. v1.0 · 2026.11.20 首次发布。