By Unbug 腾讯与中国科学技术大学团队的预印本论文《What Coding Agents Leave Unsaid: Measuring Task-State Gaps Between Execution and Reports》（arXiv:2610.20003）测量了一个反直觉的现象：编码智能体并非不知道自己的工作出了什么问题，而是例行报告天然漏事。直接问智能体本人，93.6% 的任务状态问题能答对；只看它写给用户的报告，只能恢复 52.0%，两者相差 40.7 个百分点。论文直言：监督者无法调查从未被告知发生过的失败。
报告与执行记录之间的差距怎么量
这项测量叫 CTXGAP，目标是量化「智能体面向用户的累积报告」与「完整执行记录」之间任务状态可恢复性的差距。「任务状态可恢复性」指读者能否从给定材料中回答关于任务真实状态的问题。实验覆盖 37 个编码任务、4,799 个有效探针，用三种读取方式对比：直接问智能体本人恢复 93.6%，读完整执行上下文的读者恢复 92.7%，只看报告的读者恢复 52.0%。需要强调的是，这是三种读取方式的可恢复性对比，不是任务成功率——93.6% 说明智能体按需被问就知道，不等于它会在报告里主动说。
结案时不收敛，缺口是轻描淡写
差距不会随任务收尾而消失。在 30 个已验证修复的最终检查点上，报告读者与完整上下文读者之间仍有 34.8 个点的差距。人工标注显示，最大的缺口类别不是彻底隐瞒，而是状态被提到了、但没带足够的支撑细节——失败的尝试、变通的做法和未解决的风险，被轻描淡写地一笔带过，监督者因此看不到本该细查的地方。这一差距跨 harness 持续存在，并在独立的 DeepSeek 执行与测量链路下复现。论文把「基于报告的任务状态可恢复性」确立为一个新的评测维度。
补救有限，报告通道本身是瓶颈
研究者测试了两条补救路线，效果都有限。给读者提供终端的完整回滚内容，恢复率升到 73.6%，仍明显低于完整上下文的 92.7%；做上下文信息重写（在报告长度对齐的条件下）只抬升约 8 个点，且「针对性提示重写」相对「自然重写」没有可检测优势。结论不是「调一下提示词就能解决」，而是报告这条通道本身是瓶颈。本系列 #191 介绍过的 SWE-Critix 训练轨迹裁判、主张判分不听汇报（详见），两篇机制不同——一个测报告缺口，一个训轨迹裁判——但叙事相连：先量化了报告漏掉 40.7 个点，才更懂为什么要让裁判直接读轨迹。
对使用编码智能体的团队，这篇论文的操作含义是一句话：把例行报告当交接文档可以，当审计日志不行。要追责、要复盘、要验证修复，得回到完整执行记录本身，而不是智能体自己写的摘要。
大厂抽文档省 token 的做法正在收敛：先定位，只喂那一小块