为什么要研究 Agent

我想知道一个 Agent 为什么能完成任务，又为什么会停错、引用错、恢复失败。 Agent loop 如何观察、决策、行动和验证？上下文如何选取？工具调用怎样受约束？ Harness 怎样把模型的判断接到可检查的执行过程？尤其要讲清楚：哪些职责交给代码，哪些交给大模型。

产品的长期目标，是持续研究 Agent 工程，产出可追溯、可读、可保存的研究报告与研发建议， 最终作为长期服务运行。研究材料要支持机制解释、工程借鉴和未知边界，不能只停留在 Release 新闻摘要。 产品也不提供任意外部代码执行。

目标闭环：来源 → 信号 → 主张 → 证据 → 实验 → 结论 → 决策。当前只打通了其中受限的研究与实验切片。

代码与模型分别负责什么

代码负责执行边界和记录。来源白名单、鉴权、工具权限、调用次数、步数、超时和预算由服务端控制； 检索与工具执行走受限接口。代码从已保存的来源快照匹配引用，计算原文位置与 hash， 校验结构并保存报告、版本和运行轨迹。固定实验的指标与比较也由代码计算。

模型负责语义理解和解释。在允许的任务与工具范围内判断证据和问题的关系，提出行动或实验建议，解释机制、 工程启示与不确定性。模型提出的决策仍要经过代码校验；研究流程中的实验建议只进入待审批状态。

引用可追溯，不代表结论已独立验证。匹配到原文只能说明报告确实引用了这份材料。机制解释、兼容性判断和研发建议还需要更充分的文档、 PR、源码、测试或受控实验。外部内容始终作为不可信数据处理。

已经验证的能力

  • 服务基础：Java/Spring AI 本机服务、DeepSeek 接入、PostgreSQL/Flyway、鉴权、Docker 与无密钥 CI。
  • 来源采集：三个白名单仓库的 GitHub Releases 采集、去重和来源版本保存。
  • 证据处理：Claim/Evidence 提取、全文检索、来源引用；缺乏证据时返回证据不足状态。
  • 受限 Agent Loop：观察、决策、行动、验证、恢复与停止；预算和停止条件、持久化恢复、调用轨迹已有固定任务范围验收。
  • 研究 API 与可读报告：从已保存 Signal 启动研究，保存并读取同一研究资源；页面展示问题、发现、解释、工程启示、引用和后续建议。
  • 显式原文复核：读取该研究绑定的完整已保存原文，单独生成补充解读；按研究 ID 与提示版本保存，重复读取、同版本重复请求和重启后复用已有结果。
  • 固定 Prompt-strategy A/B 切片：版本化计划、人工审批、固定五例与两臂十次子运行、确定性指标和恢复已通过本地固定夹具验收。

最新本地 Java 验证记录为 418 个单元测试、246 个集成测试，0 失败/错误，5 个条件跳过； 报告页面 Node 测试 11/11。PR #11 已于 2026-10-14 合并到 main，test/image CI 均成功。 这些记录描述本地固定任务与单一真实样本的验收，不代表任意输入都能得到可靠结论。

当前真实能力边界

目前的三个采集来源是：

三者目前都只采集 GitHub Releases。复核的“完整原文”是已经保存的来源快照， 不意味着自动读过它链接的文档、关联 PR、源码或测试。问题驱动的主动补证据链路尚未实现。

固定 A/B 能力是另一项已验收的小切片，不能当成本次 Release 研究做过实验的证明。 已有固定样本评测与有限对抗探针，也不能代表全面语义质量或系统性安全验证。 本机可用、Docker 可构建和 PR 已合并，仍不等于服务器长期部署或生产运维就绪。

最新报告切片：完整原文复核

本次真实回归样本研究的是 OpenAI Agents SDK（Python）的 v0.22.0 发布。 v0.22.0 是被研究 SDK 的版本，不是 Agent Evidence Lab 的产品版本，也不是产品的固定研究范围。

完整来源快照复核得到三项发现：

  1. 工具输出防护：结合来源引用说明工具输出与 Agent 执行边界的关系。
  2. RunState 用量隔离：解释用量归属和隔离对运行状态、计量的工程意义。
  3. Sandbox 补丁校验：补回初次提取遗漏的标题级证据；具体规则细节标为 PARTIAL，不能据此宣称兼容性行为或预测升级失败。

补充解读已保存，重复请求与应用重启后可读回同一结果。初次报告没有改写， 本次研究的实际实验运行数仍为 0。以上解释与建议来自模型解读，尚未由独立实验验证。

仍待完成

  • 遇到问题或证据不足时，主动追读文档、关联 PR、源码和测试的深度研究。
  • 工程文章、官方文档、论文等其他来源的接入。
  • 通用受控实验与 CPU、内存、网络、命令等沙箱边界。
  • 全面语义质量评测与系统性安全验证。
  • 恢复后的应用接入、异机恢复与服务器长期部署。本地隔离数据库逻辑恢复已有单次演练记录；最新补充报告对应的数据恢复仍需验证。

完整 M4/M5 和“研究 Agent 的 Agent”产品目标仍未完成；当前成果是有明确验收范围的本机研究切片。

下一条主线：问题驱动、主动补证据

已认可的下一方向，是先补一条小而完整的深度研究链路：从一个具体工程问题出发， 识别现有证据的缺口，再在受控范围内追读必要材料，形成机制解释、代码与模型分工、可借鉴做法和未知边界。 在本专题核对的已合并基线中，这个方向尚未实施；后续开发与验收将按版本追加。

拟议验收目标：

  1. 能指出原有证据为什么不足，并记录每次补读的理由、来源和版本。
  2. 在允许的来源、工具和预算内完成一条问题到补充证据再到研究报告的链路。
  3. 报告区分直接证据、模型推断和仍未知的内容，给出机制解释与适用范围明确的研发建议。
  4. 结果可追溯、可读、可保存、可重读；证据仍不足时明确保留未知，不制造完成结论。

下一阶段围绕这条研究链路推进；页面样式和大规模仓库扩展都不是当前主线。