六件专利，没有一件替第三方验凭证

当日逐字复核的六件详情页各有落点。微软（Microsoft Technology Licensing LLC）US20250298500A1 溯源内容追踪（2025-09-25 公开）claim 编辑系统里对模型生成段落挂溯源元数据并给可视化标识，判词：闭环在自家编辑器的显示层里。微软 US20250356057A1 生成模型内容检测（2025-11-20 公开）claim 篡改帧验证第一签名后补签第二签名，判词：盖章方自己补签，仍是签发端。个人申请人 Michael Boucher 的 US20250322156A1 AI 文本识别（2025-10-16 公开，sole inventor）claim 监听剪切板事件抓文本比对 AI 文本库，判词：一个人已在动手，但落点是剪贴板检测，不是凭证校验。公安部第三研究所 CN122196982A claim 多维向量投影加锦标赛采样的文本水印，合肥工业大学 CN122433060A claim 采样与优选输出的黑盒水印及检测，判词：两件都在学术嵌入端。

验真位的检索面：窄处真零

AI 内容溯源（content provenance，指标明内容来自哪个模型、经谁编辑的凭证链条）的检索面窄得多：”content provenance” “machine learning” 仅 75 件，”SynthID” “watermark” 仅 6 件，第三方检测 11 件。再往精确处查，”provenance graph” “watermark removal” “third-party verifier” 与去掉尾项的重查两次都返回 0，HTTP 均 200、返回体为合法 JSON、total_num_results 为零——空位不是检索通道故障。仓库侧同温：GitHub 上去水印工具 wiltodelta/remove-ai-watermarks 头名 6321 星，aloshdenny/reverse-SynthID 5058 星；唯一自称第三方水印取证的 karthikrshet/ClaudeMark 只有 10 星。

六条反方，逐条摆开

诚实呈现要有六条。其一，Qomplx Inc 的 US12602572B2 已授权（2026-04-14，优先权 2023-12-23），claim 把外部内容分块哈希后与自家注册内容元素数据库比对判 AI/非 AI——它验的是指纹库，不是签名凭证；本期只把它当内容验真订阅服务看。其二，ClaudeMark 虽仅 10 星，第三方水印取证这个坑位已被占。其三，微软两件圈住签发与显示端，外部校验器的边缘空间受挤压。其四，”watermark” “verify” “provenance” 命中 362 件，不是零；多数是签发链路带上 verify 字样，精确到第三方验证才见空位。其五，1944 件对抗攻击的头部申请人是中国高校与 Digimarc，攻防两头都有正经机构。其六，6321 星只证明拆标需求热度，推不出灰色产业规模。

单人切口：不建库的凭证校验器

空位对应一个个人可交付物：C2PA（业内内容凭证标准，把生成模型、编辑记录签进文件）与水印凭证的独立校验 CLI/CI 检查器——凭证可验、链可查、不建内容库。前文六件里，微软两件在签发显示端，Qomplx 的 claim 依赖自家注册哈希库，个人那件落在剪贴板比对；只验凭证、不碰库、不生成内容的形态暂无权利要求卡住。上一篇工具调用空结果语义管的是调用返回没人分箱，这一篇管的是内容本身没人验真。

References

• 微软溯源内容追踪专利
• 微软生成模型内容检测专利
• 个人申请人 AI 文本识别专利
• 公安部三所 LLM 文本水印专利
• 合肥工业大学黑盒大模型水印专利
• Qomplx 内容识别与验真专利
• GitHub：remove-ai-watermarks
• GitHub：reverse-SynthID
• GitHub：ClaudeMark

这里的「整任务解决率」有严格口径：一条 rollout 必须在任务的每一步都拿满分才算解决；Pass@4 则是同一任务跑 4 条 rollout，至少有一条解出整任务的比例。3 位作者全部来自 Klavis AI，无学术机构混合署名；评测框架 Harbor 由其关联方维护，开源基准仓 2026-11-04 建立、stars 仅 2，社区独立复现目前为零，18.5% 暂时是单一机构数据。

单步看着都对，整链几乎必断

Claude Opus 5.5 的单步通过率为 56.8%，整任务解决率只有 18.5%，两者差着 38.3 个百分点。Pass@4 多试 4 次也只到 31.9%。其余 8 款模型整任务解决率都不超过 17.8%：Claude Fable 5.1 为 17.8%，Gemini 4 Argon 与 GPT-6.1 Sol 同为 10.1%，GPT-6 Astra 为 6.9%，DeepSeek V4.1 Flash 为 6.5%，Qwen 3.8 Max 为 4.0%，MiMo 2.6 Pro 为 2.9%，Grok 4.7 只有 1.4%。

版本升级类任务是重灾区：智能体先把系统搭起来，再一个版本一个版本地改行为，20 道题里没有一款模型解决率超过 8.8%，其中 16 道题无人能解。

错误从第一步就开始复利

论文追踪「仍在正轨」的比例：截至当前步，每一步都通过的 rollout 占比。把任务按步数切成五段，Claude Opus 5.5 从第一段的 54.7% 跌到最后一段的 19.2%；Grok 4.7 从 13.1% 跌到 1.4%。9 款模型的最陡跌幅都出现在第一段到第二段之间，全模型均值从 34.9% 掉到 9.0%。与之对照，单步通过率下降得平缓得多，从 40.7% 到 27.8%——每一步单独看错误率变化不大，一旦后面每一步都建立在前一步留下的代码上，早期设计失误就会一路滚雪球。

失败多半不是算力不够

这一点比 18.5% 更有解释力。基准给每一步 2–4 小时、每任务 10–60 小时预算（471 步给 2 小时，56 步给 3 小时，47 步给 4 小时）。实测中只有 12% 的失败步骤跑到距离时限 5 分钟以内；6 款模型的中位失败步骤只用掉 24%–37% 预算，还剩 77–93 分钟没用。只有 3% 的失败以时间预算为停止理由，19% 结束时连最终报告都没交。多数失败是方向走错，而不是时间或算力不足。需要说明的是，每步 2–4 小时是基准的设计预算，不是模型真实部署成本。

局限：误杀的裁判与偏底层的题

论文自认：尽管经过专家评审并对齐既有事实来源，仍有些任务含有含糊需求，或存在漏判、误杀正确行为的 verifier（自动验证器）。另一个未解之处是能力与脚手架没有分离——把每一步单独执行的 isolated-step 基线被留作 future work，因此 18.5% 里有多少归因于模型能力、多少归因于任务串联难度，本文无法回答。任务分布也偏向系统底层：69 题里 C/C++ 占 38 题，Rust 11 题，Java 6 题，Go、JavaScript 各 4 题，Python 3 题，PHP 2 题，Ruby 1 题；结论外推到普通业务代码库需要谨慎。起点上 34 题从空目录或骨架开始、35 题基于已有开源代码库。因此 18.5% 是这套任务分布下的结果，不宜当成通用编程能力得分。

与站内《像查性能热点一样查智能体的开销》不同：那篇对已跑完的轨迹做开销归因，这篇测的是编码任务跨步累积的错误，两者不在同一轴上。

References

• Multi-step SWE: Can Coding Agents Keep Building on Their Own Code Over Long Horizons?
• Multi-step SWE 开源基准仓库
• Multi-step SWE 项目站与 leaderboard
• Harbor 评测框架

带着订阅搬走的四百三十三条评论

「执行壳」（harness）指套在大模型外面、替人执行命令与改写文件的那层工具，Claude Code、Pi、OpenCode 都算这一类。模型可以不变，壳可以换。主锚帖 50410107 在 11-08 03:11Z 登上首页，11-09 09:45（Asia/Shanghai）实测为 702 分 / 433 条，09:5x 的终采为 702 分 / 432 条；昨日 18:4x 终测还只有 320 分与 192 条评论。702 这个分数在连续多次采样里保持不变，评论树仍以每小时 4 到 5 条的速率增长，末条评论落在 11-09 01:46Z，属于持续发酵，而非一次性冲高。

主锚线程的叙事骨架是一批迁移自述，逐条可定位：50419687（indemnity）自述从 Claude Code 换到 Pi 的分支 OMP 之后精神状态变好；50419852（alexfortin）自述走过 Claude Code 与 OpenCode，最终停在 Pi，并对闭源模型失去兴趣；50413684（srid）自述经 agent-distro 换到 Oh My Pi 这个壳；50412579（gregwebs）自述本年大部分时间用 Pi，并且正考虑再转投他家。口径先写死：以上全为评论区自述的人工遍历，不是统计样本，只能证明搬家动作真实存在，而且当事人愿意在评论区署名。

开源壳这一侧的供给同步刷新（11-09 上午 GitHub API 实测）：earendil-works/pi 仓库 120,865 星，较昨日的 120,712 一夜再涨 153 颗；观察窗内新建的 pi 扩展仓库由 431 个增至 436 个。站内 《标价之外，Harness 替你买了什么》核算的是壳的价格，本期记录的是搬家朝向哪里。

高盛那一侧：把壳收回到工程师手里

50415628（11-09 上午 10:0x 实测 604 分 / 351 条）报道高盛把 Claude Code 与 GitHub 的使用范围收缩到「仅工程师」，交易员与银行员被切断，strats 这类量化岗仍保留着访问权限，内部指引于 10 月更新。这不是把模型搬回自家机房：高盛保留的仍是 Anthropic 云端的 Claude Code，改变的只是谁有资格握着这个壳，推理位置从头到尾都没有动。高盛发言人 Nick Carcaterra 的话属公司自述：评估过生产力与风险管理等因素后，把工具交给「最适合长期运用它们的人」这一群体。信源层级写死：可核的是 Bloomberg 报道（fa-mag 转载全文可查），HN 实际链接的 the-stateofai 被评论 50415815 指为 AI 生成站转述链，不当原始报道使用。

报道里另一句关键表述：「在高盛把 Anthropic 带上市的前几周」。高盛同时是 Anthropic IPO 的主承销商，这是利益绑定而非决裂，「甲方抛弃供应商」的说法不被证据支持；评论 50415930 提出的替代解释（是否关乎承销商信息墙）与这句互相咬合，只能并列呈现，动机不替任何一方写死。岗位侧的对照来自 50412499（surgical_fire），其自述「Pi 很棒，可惜岗位上强制用 Claude Code，体验很挫」，恰好是两线的焊点：个人往外搬，岗位往里收，收与搬的是同一样东西——对壳的选择权。这与站内 《官方渠道沦陷之后》讲的分发渠道投毒无关，本文不展开安全事件细节，相邻的 50407882（586 分 / 387 条）只当作迁移燃料记上一句。本期与 2026-09-05《外壳走上台前》的分工也写清楚：那期比较壳与壳之间的选型，本期记录人的搬家与岗位的收回，跑分不入文。

反方：六脚刹车

第一脚踩在动因上，用来拆掉「银行业集体动手」这个暗示。评论 50415825 指出 Barclays 正朝反方向移动（自述年底前半数工程师用 Claude Code）；50417888 则补充说，原文并未写 Barclays 允许交易员使用，只写了开发者一侧——「银行业集体撤壳」不成立，这只是单家银行的内部规约，不是行业共识。

第二脚踩在信源上，即 the-stateofai 转述链的可信度问题，上一节已经交代。第三脚踩在企业侧：评论 50416519 自述，企业界担心托管的开源模型被暗中注入缺陷，且自托管成本不划算——离巢浪进不了企业大门。

后三脚来自主锚线程，今日全树复扫未见推翻：50411310（jpardoe）自述切换之后被迫回流，因为订阅比按 API 计费更划算；50411155（commandersaki）指出 Anthropic 不允许 Pi 挂载 Pro/Max 订阅套餐，「带着订阅出走」这件事在服务条款层面受阻；50411772（0xbadcafebee）列举 OpenCode 的支持面短板，说明搬家目的地之间同样存在代差。六条反方并排之后，能站住的结论只剩下：壳的持有资格开始被分级，个人与甲方各自算账，方向恰好相反，谁也别说谁。据我们观察未发现同类中文报道。

References

• HN：Goodbye Claude, hello Pi
• HN：Goldman Sachs is pulling Claude Code from its bankers and traders
• Bloomberg 报道（fa-mag 转载）：Goldman restricts traders and bankers from using some AI tools
• GitHub：earendil-works/pi
• 站内：AI 范式雷达《标价之外，Harness 替你买了什么》
• 站内：AI 范式雷达《官方渠道沦陷之后》

RADAR-EDITOR-1109-DONE

大厂圈的是结果进模型之前的拦截线

四件当日二验的详情页给出同一条线。美国运通（American Express Travel Related Services Co Inc）的 US20260212002A1（LLM 交互安全沙箱，2026-07-23 公开，优先权日 2023-11-15，状态 Pending）claim 的是进模型的交互先进沙箱隔离（中译）。微软（Microsoft Technology Licensing LLC）三件：US12699853B2 语言模型幻觉检测（2026-08-04 授权公告，优先权日 2024-01-21）、US12688403B2 生成式人工智能系统的提示词注入判定（2026-07-21 授权公告，优先权日 2023-03-03）、US12430428B2 异常工具调用判定（2025-09-30 授权公告，优先权日 2023-11-15）。输入过滤、调用拦截、输出验真，四件全在「结果进模型之前」动手；没有一件 claim 工具返回空或报错之后，结果语义怎么分流。仓库缺货和收银机坏了，在大厂的权利要求里被当成同一件事。

缺口在结果进门之后

工具调用（tool calling，即大模型按预先约定的 schema 发起外部函数执行）返回失败或空值时，至少混着三种语义：数据库里本来为空、工具服务坏了、参数用错了。分错箱的代价很直接：agent 拿着假空值继续往下推理，把库存查询为空当成商品下架；或者对着临时故障无限重试，烧掉一大截 token 预算。三种情况的正确动作完全不同，如今分流靠的全是开发者手写的临时判断。检索面印证空位：精确短语 “empty tool result” 命中 0 件；”tool execution” 的 3638 件里，2025 至 2028 分箱 420 件、2022 至 2025 分箱 136 件，执行侧本身还在加速圈地，结果语义侧仍是零。

痛点有热度，供给全在写入侧

社区侧同温：Hacker News 近一年五个相关帖。「Google Antigravity exfiltrates data via indirect prompt injection attack」768 分（2025-11-25）、「Show HN: Forge – Guardrails take an 8B model from 53% to 99% on agentic tasks」687 分（2026-05-19）、「Fixing Tool-Call Accuracy in vLLM」172 分（2026-10-26）、「The M×N problem of tool calling and open-source models」159 分（2026-04-09）、「Local Indexing to reduce tool calling and token usage」127 分（2026-10-12）。工具侧生态同样热闹，但防的全是调用发生之前：npm 上 @stackone/defender（0.9.4，2026-10-21 发布）自述是面向 AI 工具调用的提示词注入防御框架，近一月下载 57051；评测工具 promptfoo 近一月下载 3949597。PyPI 上的 guardrails-ai 最新 0.11.0、llm-guard 最新 0.3.16，也是写入侧老工具：没有一个做失败结果进门后的分流。需求开了口，供给全堵在上游。

空位是只读的分箱记账

缺口对应一个个人开发者可交付物：只读的 tool-result（工具返回值）语义审计器。挂在工具调用日志之后，把失败与空返回值分箱成「本来为空、工具故障、参数错误」三类分开记账后出报告，帮开发者算清每类错误烧掉的重试成本；不拦截、不改调用、不碰模型。从公开文本看，四件专利的 claim 停在输入过滤、异常调用检测与输出验真，这种事后、只读、不执行动作的审计暂不落在其文字范围。拦截线上已经站满大厂，收银机后面的小生意还空着。上一篇智能体记忆坏账审计管的是记进长期记忆的账，这一篇管的是每次工具调用留下的流水。

References

• 美国运通 LLM 交互安全沙箱专利
• 微软幻觉检测专利
• 微软生成式 AI 系统专利
• 微软异常工具调用判定专利
• HN：Antigravity 间接注入数据外泄
• HN：Forge 护栏把 8B 模型 agentic 任务从 53% 提到 99%
• HN：修复 vLLM 工具调用准确率
• HN：工具调用与开源模型的 M×N 问题
• HN：用本地索引减少工具调用与 token
• npm：@stackone/defender
• npm：promptfoo
• PyPI：guardrails-ai
• PyPI：llm-guard

准确率只降 1.45 个百分点。三种架构分别是：skill 内检索（Skill，主 agent 自己查）、无状态检索子代理（每次新历史，返回一段 findings 总结）、持久检索子代理（Our method，跨轮保留检索历史、把原始证据直接交回主 agent）。数据集是 ServiceNow 的 ITSM 工单 57 题、HRSD 人事工单 48 题，以及带多轮依赖的 ITSM Complex 69 题；每组配置跑 3 次取均值。需要说明的是，作者 5 人全部来自 ServiceNow，实验跑在自家 agent harness 和自家企业工单集上，结论不宜泛化为所有 agent。

三套架构的账单差在哪

最贵的是让主 agent 自己把检索结果堆进上下文。在 ITSM Complex 上，Skill 平均每题 401.5k token、按公开牌价估算成本 $0.387；持久子代理是 210.8k token、$0.121；无状态子代理是 148.0k token、$0.133。持久方案对 Skill 的成本差为 3.2 倍，响应时间也从 58.3 秒降到 54.3 秒。跨 5 个多轮设置加权，持久子代理比 Skill 少 43.3% token、每题省 $0.157（45.0%）、快 9.1%。

代价也写在同一张表上：ITSM Complex 准确率从 91.30% 降到 89.85%，-1.45 个百分点。这个数字仅在 69 题多轮依赖集上出现，且是 GPT-5.4-mini 裁判判定的宽松通过率（得分大于 0 且判为一致即算通过），不是严格准确率。单轮场景反而打平甚至反超：ITSM 上两者同为 98.25%，每题估算成本从 $0.113 降到 $0.068。

省 token 与省钱是两本账

把对照系换成无状态子代理，结论会转弯。无状态子代理每次从零开始，持久方案反而比它多用 41.4% 总 token（ITSM Complex 口径），跨 5 个多轮设置平均多 65.1%；两口径属不同统计范围，不能混用。每题估算成本还贵 $0.043（29.1%），只是快 15.6 秒。保留历史把输入变大了，账单却没爆，因为未缓存输入 $2.50/百万 token、缓存输入只算 $0.25、输出 $15（OpenAI 公开的 GPT-5.4 标准牌价）——缓存单价只有未缓存单价的十分之一，存进缓存的那部分历史几乎不要钱，硬生生把账打了下来。所有 $ 数字都是拿录制 token 乘牌价的估算，不是真实账单，也不含检索服务与裁判调用。注意 43.3%/45.0% 的省是相对 skill 内检索说的，不能当成「比不优化便宜一半」。

消融：别写总结比保留历史更值钱

ITSM Complex 消融把两个机制拆开定价（每题均值）：去掉「直接回传证据」、让子代理改写 findings 总结，成本上浮 42%、慢 17.7 秒；去掉「持久历史」只上浮 8%、慢 4.3 秒，前者代价是后者的 5.3 倍；三种配置准确率都停在 89.85%。真正的大头是不让子代理作文：主 agent 自己读证据、自己写答案，省掉一次中间生成。持久历史的价值则在于复用：同一个子代理跑完 69 题只做了 23 次元数据查询和 59 次 Cypher 查询，而 Skill 是 36 次与 85 次。

与站内《像查性能热点一样查智能体的开销》不同：那篇是用 profiler 对已跑轨迹做开销归因，这篇是在架构层面比较三种检索外包姿势的选型，两者不在同一轴上。

References

• Persistent Retrieval for Conversational Agents: A Study of Retrieval Efficiency

五件专利全在管记账，没人管坏账

US20250259042A1（Qomplx Inc，2025-08-14 公开，优先权日 2024-02-08）claim 1 保护「任务分解后交给多领域 agent，初步结果嵌入所有 agent 共享的公共 token 空间供后续复用」的编排系统（中译），claim 2 再加跨 agent 分层记忆结构（中译）。EP4657312A1（Microsoft Technology Licensing LLC，2025-12-03 公开）claim 1 把上下文数据装入 agent 多层记忆（multi-layer memory），再由此机器学习出「监督等级」配置执行自由度（中译）。CN121233825B（北京城市网邻信息技术有限公司，2026-06-26 授权）claim 1 要求先按领域与主题类别从短期记忆存储区召回会话摘要，召不回再转长期记忆存储区（中译）；说明书把上下文工程（context engineering，即对进入模型的记忆与资料做采集、筛选、压缩、排序、更新）就定义为这套流水线。CN121301536A（上海羚数智能科技有限公司，2026-01-09 公开）把「基于智能体上下文工程的混合 AI 自适应优化系统」直接写成发明名称（中译），claim 1 的知识库由带来源、时间戳、使用次数、置信度元数据的结构化知识单元组成。US20260181056A1（Monday.com Ltd，2026-06-25 公开）最直白，跨 agent 记忆同步子系统直接写进标题：在两个以上 agent 实例间同步记忆完成协作（中译）。

检索面一边拥挤，一边近乎空地

Google Patents 检索接口对精确短语 “context engineering” 的聚合面返回 185 件，其中 146 件公开于 2025 年及以后（分箱来自接口自算 summary，两次命中计数一致）。185 不等于赛道全量，大量同技术专利用 memory store、token space 等词书写，不能作全行业定量结论。反向对比更能说明问题：查 “memory staleness” 仅命中 4 件，全是硬件内存泄漏与虚拟机状态旧专利（1987 至 2021 年），没有一件属于智能体记忆语义。写入装配的术语下七成就在近一年，读取失效的术语下近乎空地。

开发者先不相信，工具却只有仓库

社区侧同频，Hacker News 近 12 个月：「Agents don’t need memory, they need documentation」拿到 392 分，「Don’t trust large context windows」277 分、「Agent memory as a file format」191 分；一条 371 分帖子题为「OpenAI reduces Codex Model Context Size from 372k to 272k」，是社区上报叙述，PR 正文未读，但至少说明上下文预算被当成资源讨论。供给端却是另一个故事：npm 上 mem0ai 最新版 3.3.1（2026-09-25）自述就是 The Memory Layer For Your AI Apps，PyPI 上 cognee 1.6.6、memobase 0.0.27 同理都是「存」的库；搜 memory audit、context budget 一类命名，只有 4 个个人开发者体量的小包（1 到 8 个版本），做窗口预算估算或本地日志分析，没有一个审计记忆内容本身。这就是「供大于求、验大于零」的位置差：需求开了口，工具几乎为零。

空位是只读审计，不是又一个记忆库

缺口对应一个可交付物：记忆审计 CLI。指向本地 agent 记忆目录（JSONL、SQLite、Markdown），输出过期条目、矛盾记忆对、从未被召回的死记忆、跨 agent 重复写入；不依赖大模型，不改动记忆，只出报告。从公开文本看，五件 claim 覆盖写入、编排、召回与监督等级配置，只读、离线、不执行任务的审计目前不落在其文字范围；但 Monday.com 的协调层 claim 较宽，产品一旦做成带调度的同步中间件就会贴近，这条边界要守住。上一篇网络排障 Agent 专利解决「上场干活没人监考」，这篇解决「记下来的账没人对账」。

References

• US20250259042A1 - Qomplx
• EP4657312A1 - Microsoft
• US20260181056A1 - Monday.com
• CN121233825B - 北京城市网邻
• CN121301536A - 上海羚数智能
• HN: Agents don’t need memory
• HN: Codex context size 上报帖
• PyPI: cognee
• npm: mem0ai

研究由伊利诺伊大学厄巴纳-香槟分校（UIUC）的 Huimin Zeng 与东北大学（Northeastern University）的 Yuxuan Lu 共同一作，成员来自加州大学洛杉矶分校（UCLA）、UT Austin 及独立研究者，UT Austin 的 Jiaxin Pei 为共同通讯作者。实验覆盖 4 个基准（τ²-bench、SWE-bench Verified、Claw-Eval、MCP-Atlas）、6 款前沿模型（Kimi-K3、Gemini 3.1 Pro、GPT-5.6 Terra、GPT-6 Astra、Claude Sonnet 5、Claude Fable 5.1）和 5 款执行框架，属于受控测量而非全行业账单统计。

什么算「浪费」

论文把「浪费」定义为可操作的测量口径：先用 LLM 裁判（LLM-as-a-Judge）把轨迹里的推理片段标成四类——复述（Restate）、重复取数（Duplicate-Fetch）、凑字（Padding）、绕远路（Detour），再把这些片段删掉重放执行，验证任务表现是否受影响，而非人工主观标注。

删除实验证明了这把尺子的有效性：在 SWE-bench Verified 上，删掉被标记的浪费后仅 3.0% 的轮次动作分布显著移位，而删掉全部历史推理则移位 25.0%；MCP-Atlas 上是 10.5% 对 37.9%。浪费片段对后续决策的影响比全部推理小一个量级，说明被标记的确实是「可安全移除」的部分，而不只是冗长的部分。

删掉近半推理，成绩基本不掉

在线剪枝实验中，删除复述与凑字两类内容后：SWE-bench Verified 删 0%（基线）时 solved 为 89.0，删 41% 后升到 89.5，删 100% 全删则崩到 73.0；MCP-Atlas 基线 65.0，删 46% 后 62.3，全删崩到 56.0。

浪费的分布高度不均。跨轨迹统计里约 18% 的输出 token 被标为浪费，这是衡量剪枝空间的基准量；删复述与凑字两类可达 41%–46%，因为剪枝删的是可安全移除的片段集合，与全量浪费标记口径不同。在超过 45% 的任务里，单个智能体浪费的输出比另一个成功解出同题的智能体的全部输出还多——两者是相互独立的观察。浪费还高度集中：MCP-Atlas 上约 10% 的 OpenHands 轨迹占了 73% 的轮次，SWE-bench Verified 上长轨迹约占 40% 的轮次。

加钱买推理，边际收益有台阶

以 Kimi-K3 单模型为例的预算曲线显示：从低档到高档多花 0.99 百万 token，成功率从 69.7% 升到 78.4%；再从高档到最高档多花 0.80 百万 token，成绩无可测提升。高档到最高档新增 token 中 81% 花在结果不变的任务上，只有 12% 对应失败转成功。

更反直觉的是：同在 Kimi-K3 上，最高档每轨迹推理 token 是低档的 6.6 倍，被判定为浪费的比例却仅从 23.7% 变到 24.9%，同一批都能解出的任务上贵 1.62 倍。多烧的钱买的是更长的路径，不是更多的废话；省钱的抓手是剪掉被标记的片段，而非一刀切压低推理预算。这条曲线仅为单模型口径，不能外推到全部前沿模型。

与站内《像查性能热点一样查智能体的开销》不同：那篇是把 profiler 搬到智能体轨迹上做开销归因，这篇则是给「浪费」下了可删除、可验证的操作定义，并用它做在线剪枝干预，两者不在同一轴上。本文结论适用于其受控测量范围，不宜外推为全行业账单。

References

• How Do AI Agents Waste Your Money?

改不动是被量出来的事实

基准设定：18 个环境、352 个任务、九个应用领域，每个环境暴露 3 到 18 个工具（平均 10.1 个），任务流按 16、24 或 32 个任务排布，流内安排一到三次环境变更——参数上限、字段名、资源规则变了，但不告诉你。以往基准问「存下的经验有没有用」，这篇问「环境变了，存下的经验改不改得动」。

答案分两半。经验确实有用：带着经验做任务的表现差距明显，Qwen3.8-27B 在 62.48 与 73.44 之间。经验也确实难改：变更发生后第一个任务里，Qwen3.8-27B 只完成 29.05% 的应更新项，与商业模型中位数 29.75% 几乎并排——开源与商业在这道关卡前一样卡壳。

两条线越走越远

论文把两条覆盖率曲线盯到底：该更新内容的覆盖率在头四个受影响任务里从 21.47% 爬到 43.07%、59.40%、64.63%；该保留内容的保留率是 89.05%、88.07%、90.38%、91.07%，纹丝不动。第四个任务上按模型均值计，20 个模型里有 19 个是保留完胜更新。

还有一层结构差：17 个模型的「结构性覆盖」（经验大框架）高于「规则性覆盖」（具体条款），平均高出 4.79 个百分点，两款头部模型甚至差出 9.51 和 10.97 个百分点。模型记住的是经验的大概，丢的是细则——环境变更后坏恰恰坏在细则上。

做成过的活也会回退

变更当天的冲击最有痛感：损失最大的资源类分组，从变更前一个任务到变更后首个任务，经验带来的优势直接掉 40.33 个百分点，结构类与工具类也各掉 35.98 和 36.63 个百分点。

更值得注意的是回退：1,520 个完成过且有两个随访检查点的经验里，156 个——占 10.26%——在随后一个或两个检查点变回不完整。第一次做成不等于永远做成，经验是动态维护品，不是一次性入库品。而维护的价值可以直接标价：所需经验完备的交付率 95.31%，不完备只有 71.28%，差 24.03 个百分点。

对智能体工程的意思

先限定口径：这是基准测量，环境是受控演进场景，结论不是「长驻智能体不可行」，而是「现有经验管理管道只有写入功能、没有更新功能」。对工程实践，论文指向把工作翻面：环境变更要被侦测并反查受影响经验、做定向修订；对做成过的任务加回退检查；监控规则级覆盖，别只看结构级覆盖好看。它与站内《长文本翻车怪长度？怪的是抢注意力的对手》正好互补：那篇管住脏上下文里的检索，这篇管住过期经验里的维护，智能体上生产两道关卡都得过关。

References

• 论文 arXiv:2611.05450

九天六帖实测

时间线（分数与评论数系 2026-11-06 Algolia 全树实测）：

• 10-27 Wiz 测绘 PHP2Shell 利用与修复趋势（HN 50259343，192 分 / 52 评论，引信）
• 10-29 Dream Security 复盘 PHP2Shell 打穿 25 台服务器（HN 50286987，332 分 / 162 评论，引信）
• 10-30 Fortune 报道 Cisco 无限 token 重写遗留代码（316 分 / 386 评论）
• 10-30 SigNoz 工程博客《AI isn’t replacing SREs, it’s deskilling them》（684 分 / 498 评论）
• 10-31 博客帖《Postgres 19 is late because so many more bugs are being found now》（850 分 / 517 评论）
• 11-01 arXiv 论文《When Modernization Breaks Working Code》（22 分 / 14 评论，反面测量）
• 11-04 IEEE Spectrum《The PHP2Shell Vulnerability Heralds Cybersecurity Hell》（HN 50364336，1265 分 / 738 评论）

供给面注脚：微软 Command Line 官方博客《Cheap code, precious trust: Code modernization at scale》（10-26，3 分）自述 4 亿行代码库迁移规模，热度极低，只作「大厂把还债立项为工程学科」的佐证。

封面 a 面把这七帖画成分数对评论数的散点，横轴刻度 0、400、800、1200，纵轴刻度 0、200、400、600、800，最高的 IEEE 帖 1265 分与评论最多的 738 条都落在坐标系内。六帖分属媒体、甲方、厂商、开源治理、职业、安全研究六个互不关联的生态层，没有产品发布作纽带，共同对象只有一个：存量代码开始被系统性偿还。IEEE Spectrum 原文小标题逐字为「AI is forcing us to pay off 40 years of technical debt」，Tolmo AI 安全研究负责人 Matt Suiche 的原话是「all the legacy software that was written by humans over the last 40 years is being exposed」「Now it is time for the technical debt to be paid off」。PHP2Shell 只是引信：老代码的内存错误被利用，触发的却是债务清算叙事——与站内《官方渠道沦陷之后》讲的分发渠道投毒是两回事，那期敌人是别人，本期处置的是自己仓库里的旧文件。

三本账与一个口径

甲方账（HN 50304122）：Cisco 总裁 Jeetu Patel 受访称，公司给一名 27 岁工程师无限 AI token 授权，目标是重写 98% 遗留代码。标注：98%、无限 token、27 岁全是 Cisco 自述口径，第三方未复测；外溢帖 50303001（5 分）与 50356153（4 分）转抄同一篇 Fortune 稿，三帖热度独立、口径不独立；Fortune 正文被 403 拦截，仅引 HN 帖标题口径。

工期账（HN 50312408）：850 分把 Postgres 19 延期归因于 AI 扫老代码后缺陷发现量上升——「还债预算首次超过新功能预算」的开源版实证。同稿窗内被 Neon、LWN、Phoronix 等 4 家站点二次分发（5、3、12、4 分），分发独立、观点同源，按一个事件记账。职业账（HN 50305693）：SigNoz 设问当 AI 接手 95% 事故响应，人是否荒废那 5% 要命处置——95%/5% 为自述设问、非测量值。微软博文自述大迁移「increasingly backed by formal verification」，只作「还债需要验收手段」的注脚，不展开验证层叙事。

反方：三脚刹车

第一脚踩在归因上。评论 50332587 指 Postgres 帖把质量改善包装成 AI 之过——「finding more bugs is a good thing」；50331726 说前 AI 时代晚期 beta 同样撞出过服务器级缺陷，归因缺基线；50334080 自述被 AI 翻出「decades of nasty bugs」后结论是好事。若此论成立，本期叙事该从「AI 逼债」降格为「AI 记起了债」。

第二脚踩在造债速度上。评论 50370497：「every line of code is a liability」，人类会在加与不加之间取舍，LLM 不会、全都加；50366485 自述把 AI 写的表单应用砍掉三分之二；50365724 指出欠债成因是没上线就丢工作，工具变便宜不改写激励。偿还与制造同期发生，净债务走向未知。与相邻三期切割写死：《你关掉的开关，会自己回去》审计厂商数据授权默认值，本期处置自己的存量代码，Cisco 的无限 token 是预算授权、不是默认值同意；《模型的配方摊在桌面上》动的是参数空间，本期动的全是人写的源码文本；《标价之外，Harness 替你买了什么》核算 token 成本，本期不核算金额，只记「给还债排预算」这个动作。

第三脚带数字。arXiv 2610.40269《When Modernization Breaks Working Code》（HN 50330033，22 分 / 14 评论，实测 2026-11-06）：5 个模型各现代化每 100 个 WordPress 4.0 的 PHP 文件到 PHP 8.3，配 630 项隐藏行为检查与 511 项 Rector 指标。结论逐字：「Untouched, 83 files already pass every check; the best LLM leaves only 59. Each model breaks 32-51 working files while repairing at most 10, whereas Rector breaks 7 and repairs 6」，另「Only 37 findings (7 percent) require a change under PHP 8.3」。这是窗内唯一带可复现口径的量化反证：不碰留下的满分文件（83 个）比最好的模型（59 个）还多。评论 50345118 反击说模型迭代太快、结论存疑；50345266 指单文件粘贴是过时工作流——数字只适用于无反馈单轮现代化，不外推到带测试的 agent 流程。重写也非共识：50304948 的「未记录行为约定会在重写中丢失」至今没有硬反驳，正方引以为据的案例被 50322266 驳回——「two isn’t a ton」。

供给注脚与动作清单

GitHub 搜索面实测（2026-11-06）：legacy modernization 存量 2,215 库、code modernization 存量 1,648 库，限定 2026-09-01 后新建仍有 306 库；头部工具包（Anthropic 迁移工具包 787 星、微软示例仓 230 星）却均创建于窗外，窗内新建者星数个位到十位——需求与账本先行、工具轴滞后，据我们观察未发现同类中文报道。

可执行的动作：排期前先跑规则工具 Rector 建基线再让模型入场，把「破坏 32-51、修复至多 10」当默认预期；对重写产物按「未记录行为约定会丢失」设验收，先补测试再合并；Cisco 式授权当组织样本看，不替任何人验证 98%。旧账排进工期表不稀奇，稀奇的是账桌旁第一次坐下了预算委员会——账目仍要靠带验收的还法一本本核。

References

• HN：IEEE Spectrum——The PHP2Shell Vulnerability Heralds Cybersecurity Hell
• IEEE Spectrum 原文
• HN：Postgres 19 is late because so many more bugs are being found now
• HN：Cisco 给工程师无限 AI token 重写遗留代码（Fortune）
• HN：AI isn’t replacing SREs, it’s deskilling them
• arXiv 2610.40269：When Modernization Breaks Working Code
• Microsoft Command Line：Cheap code, precious trust
• 站内：AI 范式雷达《官方渠道沦陷之后》
• 站内：AI 范式雷达《你关掉的开关，会自己回去》
• 站内：AI 范式雷达《模型的配方摊在桌面上》
• 站内：AI 范式雷达《标价之外，Harness 替你买了什么》

长文本本身不背锅

context rot 指上下文变长后，模型找回目标信息的能力下降。测试对象是五个 0.5B 到 3B 参数、来自四个家族的开源模型：Qwen2.5-0.5B-Instruct、Qwen2.5-1.5B-Instruct、SmolLM2-1.7B-Instruct、OLMo-2-0425-1B-Instruct 和基座 Llama-3.2-3B。任务为受控检索模拟：上下文中埋入一条含目标数值的陈述，再询问该键的值，正确答案即目标陈述中的数值；每轮随机化填充与目标的位置，排除位置记忆的影响。

把无关文本换成与证据同格式的陈述句、放在完全相同的位置，准确率跌到 0.11 到 0.21，而中性填充在 32K token 内准确率始终保持 0.97 到 1.00。位置、格式、长度都没变，仅内容从无关变成竞争，结果就翻转。需要限定的是，这是小参数量开源模型上的受控检索模拟结论，机制是注意力竞争，不能外推为所有大模型长文本能力全面下滑的现实断言；它说明的是，在检索这类任务里，长上下文失效有一条清晰可测的因果链。

对手数量决定损失

单个「竞争值」陈述——给被查询的键一个错误取值——能让损失放大 9 到 110 倍，每多一个对手再叠加。在 Qwen2.5-1.5B、2,048 token 下，竞争陈述数量从 0 到 6 个及以上时，信息损失依次为 0.03、1.37、2.24、2.48、2.71、3.26、3.45 nats（衡量模型偏离正确分布的程度，越大越糟）。按冲突有无分组统计：不含任何同键陈述的上下文损失 0.02 到 0.34 nats，含至少一条的上下文损失 1.38 到 3.24 nats；无冲突上下文准确率 0.97 到 1.00，含冲突的样本准确率只有 0.25 到 0.52。也就是说，翻车不取决于上下文字符多少，而取决于其中埋了几个抢同一个键的对手。

注意力质量是先行指标

解释变量是证据 token 上残余的注意力质量 a*，即模型分配给目标陈述那几行的注意力份额，论文用 log(1/a*) 把它换算成损失量纲。126,473 次试验中，log(1/a*) 解释损失方差的 35% 到 58%，上下文长度的对数只解释 2% 到 8%，差距在 8K 到 32K token 全程存在。换句话说，想知道一条检索会不会失败，盯注意力分布比盯上下文长度有效得多。在 Qwen2.5-1.5B 上，损失在 a* 跌破约 0.35 前近乎为零，随后陡增，说明存在一个可操作的健康阈值。

Masking 实验拆穿长度归因

此前不少「长上下文退化」的结论，靠的是遮蔽（masking）填充文本——把填充盖住后，上下文在模型眼里其实并没有变长，却把性能下降记在长度头上。复现 Du et al. 的遮蔽协议，30K 遮蔽 token 让 Llama-3.2-3B 与 Qwen2.5-7B 的 MMLU 准确率下降 11 到 18 个百分点；检索任务里 32K token 遮蔽同样吃掉 46 个百分点准确率，而完整可见的同一填充分毫不损。遮蔽破坏的是注意力读数，长度本身无罪。论文已放出 probe 与 126,473 次试验数据（开源仓库）。

这套「注意力竞争」解释与站内早前《智能体学会主动清空记忆》的上下文管理思路互补：前者诊断脏上下文为何让检索失效，后者解决任务中途如何主动清空它；对做检索增强和智能体 memory 的工程实践，含义是控制同键冲突条数比控制总长度更关键。

References

• 论文 arXiv:2611.04169
• 开源仓库 yliusci/length-is-cheap