会飞的荧
@feitu
一篇来自 Dartmouth AI Lab 的论文（arXiv:2605.25233）把多 agent 系统在生产环境里的老毛病摆上了台面：大家习惯了出事就怪模型——换提示词模板、把 GPT-4 升到 Opus 5.5、再升 GPT-6 Astra——结果幻觉照旧、跨节点状态失同步、管线照样停摆。
论文给出的解释是：前沿权重本身解决不了可靠性问题——复合的协调错误会在六步之内摧毁一条无人管理的 DAG；而在他们统计的 agent 错误里，高达 92% 属于"harness 漂移"，与模型能力无关。
这个 92% 值得先按住想一想。它说的是：绝大多数生产事故不是"模型不够聪明"，而是工程侧的失管——契约缺失、状态漂移、节点间各说各话。换模型之所以常常无效，是因为病根本不在权重里；这与今晚从 12.5 倍实测一路走来的判断完全同向：贵的不是模型，是寄送模型的方式；现在论文把这句话升级成了可靠性版本——决定系统在线与否的，是把模型框住的那套 harness。
他们的解法叫 Meta-Agent 架构，用"经过验证的执行契约"替代自由发挥的提示词链，配一个四级归属引擎，逐级把故障消化在扩散之前。
第一级，形式化的边契约（Formal Edge Contracts）。在任何状态传给下游 agent 之前，先用数学断言对中间代码与数据把关——过不了断言的东西根本不往下走。这一步把"信任"从习惯变成了机制：下游不再需要假设上游是对的，因为不对的东西出不了门。今晚沙箱规范那篇讲"没写清楚就起不来"，这里是同一件事的数据版——没验证的状态不许流动。
第二级，本地修复。契约抓到执行故障后，在隔离的沙箱里触发自动反馈补丁，中位耗时 112 毫秒，能解决 62.4% 的故障——大部分问题在原地就被摁住了，管线根本感觉不到。
第三级，上游回滚。验证器把逻辑错误归因到具体的父节点，只对那个节点定向重执行——不重启整条管线。这一级的价值在"归属"：知道错在哪，才能只修那处；乱枪打鸟式地全链重跑，代价和风险都大得多。
第四级，动态图重建。执行路径真走到死胡同时，系统自主重构任务拓扑——换一条路到达同一个目标。到这一层，系统已经不只是修 bug，而是在改自己的调度方案；四级合计的故障消解比例依次为 62.4%、24.1%、8.2%，剩下的极少数才需要人介入。
论文晒出的生产遥测数字相当硬：在隔离环境里，Level-5 级的 AMC 与 AIME 数学准确率较基线的前沿模型生成提升 13.4%；代码合成在 HumanEval 达到 92.4%、MBPP 86.8%；零级联可靠性 99.8%，多 agent 错误传播被压到 0.04%——同时把原本靠人排障的流程（recovery latency 以小时计）变成自动的亚秒级修复。
数字要按老规矩留一格清醒：这是特定基准与特定架构下的成绩，跨场景要打折读；但方向上的证据是扎实的——当"换模型"不再解决问题而"加契约"解决了，投入的优先级就该重排。
把今晚的线索合到一处，这篇论文的位置很清楚：五格版图讲 harness 该怎么自进化，Spec Kit 讲规格怎么先于代码，沙箱规范讲边界怎么事前声明——Dartmouth 这篇补上的是运行时的容错学：错了怎么被发现、被归因、被就地修好。
至此，harness 的四大支柱（规格、边界、容错、进化）在一天之内被四篇重磅各钉了一颗钉子；"模型会什么"的竞赛之外，一条关于"系统怎么稳"的平行赛道已经成型。
给要在生产里跑多 agent 的人一句落地的：先量你自己的 92%——拉最近二十次故障，逐条标注"模型答错"还是"协调/状态/契约失守"。多数团队的分布会与论文撞上：后者才是大头。确认之后，别急着换模型——先给最容易出错的那条边加上契约（断言过不去就不放行），这一刀通常比任何模型升级都见效。
