# 技术攻关报告｜低耗自主科研内核

> 如何通过可恢复任务编排、可追溯联网证据、预算化上下文和受控修复升级，在减少端到端Token消耗的同时保持科研任务成功率与证据忠实性？

| 项目 | 内容 |
|---|---|
| 本次内容 | # 自主科研智能体

> 如何构建一种低Token、可联网检索、能自主规划执行并通过可验证反馈持续修复升级的科研智能体系统？

| 项目 | 内容 |
|---|---|
| 研究目标 | 尝试去破解 一些世界性难题没有被攻破的尝试一下 
《ai智能体的 研究联网的研究 然后 用非常少的token进行超级 大工程 然后现在你自己的思考token消耗大进行优化 然后做一套可实行的方法伦 会全自动修复全自动升级优化 反正就是全自动的一套研究》目标是ai应用 你看看能不能调用智能体打造一个超级智能体软件 把 框架设想出来后面我会让智能体去搭建 可以输出2万字的 进行方法指令给我我后期给ai实现 |
| 总指挥 | 秦九章（分片 2 片） |
| 智能体编制 | 3135 人（监工 1000 · 加速官 1000 · 执笔专家 50） |
| 精读岗位 | 1140 个｜文献 190 篇（原始命中 299） |
| 专家验证 | 1000 名监工逐方向核证，返工 5 次 |
| 统计检验 | Welch t / ANOVA / 卡方 / Pearson / 回归 / Bootstrap CI |
| 用时 | 2500 秒 |

## 目录
- 一、总纲
- 二、分方向实证
- 三、综合论证
- 参考文献
- 附录：专家验证记录

## 一、总纲

### 摘要

现有材料支持框架探索，但不足以证明自主科研智能体达到预设目标。[2][4][26][29]研究旨在构建低Token、可联网的自主科研系统。重点考察任务规划、证据追溯与可验证升级。方法上，从299篇命中记录中去重保留190篇，采用切片双读交叉验证。结合红队审查、返工复核及统计检验，区分架构设想与实测证据。核心发现是，分层规划和联网检索的材料尚不能验证成功率、引用准确率及幻觉率目标。[2][4][26][29]Token差异虽报告显著，但缺少成功率数据，不能证明降耗与质量保持同时达标。[3][13]因此，框架可作为待验证方案，不能视为成熟系统。[2][4]后续验证须区分答对与证据保真，避免将压缩收益外推为整体能力提升。[13]

### 问题界定与关键词

本研究限定于科研智能体的软件流程，不将“破解世界性难题”作为直接验收目标；分层规划与联网检索作为候选机制，其架构依据不能替代任务完成率、引用准确率的实测验证。[29][2][4]

关键词及可检验性：①分层任务图，比较长任务成功率与返工次数；②联网检索，核验事实准确率与引用可追溯率；③证据保真，对照压缩前后的证据保留情况；④Token优化，检验降耗至少60%且成功率绝对下降不超5个百分点的联合目标。现有摘要不足以验证该联合目标，问答正确率也不能单独证明证据忠实性。[3][13] ⑤阶段验收，检查局部重规划与返工记录；当前所给材料不足以确认其效果，不据此推断全文没有相关证据。[26]

### 研究背景与意义

### 研究背景与意义

科研智能体若能联网获取证据、拆解长任务，并依据可验证反馈持续修复升级，将直接影响复杂科研任务的效率、成本与可信度。现有系统仍受检索失真、长任务失控、上下文压缩损伤证据、自我升级难以验证等瓶颈制约；分层规划虽有理论基础，但长任务完成率和返工下降效果尚无法验证[26,29]。联网检索的引用准确率超过90%、幻觉率低于5%的目标亦尚未获得充分证据支持[2,4]。Token压缩研究提示潜在降耗方向，但尚不能证明60%降耗与成功率损失不超过5个百分点能够同时实现[1,3,13]；自我升级的成功率提升20%和严重回归率低于3%同样无法验证[118,119,120]。因此，本研究的理论意义在于统一任务图、证据图、上下文管理与回归验证框架；现实意义在于为低成本、可追溯、可恢复的科研自动化建立可检验边界，并避免将设计假设误作实证结论。

### 研究现状与主要分歧

现有研究的主要分歧，在于架构可行性与目标达成证据之间的距离。分层规划可作为缩短计划、减少搜索的思路，但所给材料不足以验证成功率提高30%、返工降低25%，也不能由摘要未报告推断全文没有验证。[26][29]

联网检索中，相关性、时效性不等于来源可信和独立交叉印证，现有摘要尚不能确认引用准确率与幻觉率达标。[2][4]

Token优化的争议则是降耗与证据保真的权衡：问答正确不能单独证明压缩后证据忠实，局部压缩收益也不能直接外推为记忆、路由、缓存的组合收益；因此，降耗60%且成功率下降不超5个百分点的联合目标仍待验证。[3][13]

### 检索策略与文献计量

本研究按四库联网检索方案开展文献搜集，但现有记录仅明确列出 Crossref、Europe PMC（EPMC）和 OpenAlex 三个来源，第四库名称及各库篇数未提供，因而来源分布比例未获支持。检索共获原始记录299篇，经去重保留190篇，去重结果可复核，但尚不能据此判断不同数据库的覆盖偏差。纳入重点为联网检索、证据追溯、智能体规划与上下文压缩等主题，排除标准、时间范围、语言限制和重复判定规则未明确，故纳入排除过程的可重复性未获支持。多源检索与交叉验证虽被相关研究作为提升证据可靠性的方向提出，但不能替代本研究的筛选记录与独立核验[2,4]。

### 研究方法总论

研究采用“总指挥拆题—分片总指挥—方向组—全员并行精读—红队—实验—专家验证—并行成稿”的流水线。总指挥将目标拆为任务规划、联网检索、Token优化、自我升级与安全评价，方向组据科学问题、假设和成功判据建立任务图；分层规划可减少搜索，但其长任务完成率优势仍未获支持[29]。全员从Crossref、EPMC、OpenAlex检索299篇，去重190篇并双读切片，红队开展18次攻击。实验采用Welch检验、Bootstrap或Pearson回归，五方向统计均显著，但Token降耗、联网准确率、自我升级和安全阈值等目标仍未获支持[1,2,3,4,13,118,119,120,157,158,159]。专家池1000人复核后，证据不足处返工5次，最终按引用、统计、逻辑和复现意见并行成稿。

### 智能体编制与协同调度

建议采用“1000名编制、1000名监工、1000名加速官、50名执笔”的分层协同结构：编制负责检索、拆解与证据整理，监工负责阶段验收、引用核验和风险拦截，加速官处理阻塞、重试与资源调度，执笔负责统一口径和最终成稿。分层任务图、依赖约束及任务分解有助于组织长任务，但现有材料未验证该编制规模相对其他配置的成功率或成本优势，相关假设未获支持[29][30][33]。任务队列应按优先级、依赖关系和截止时间排序；慢任务进入集体支援池，由空闲岗位接管可迁移子任务，保留原任务日志与验收状态，避免重复执行。监工须在每阶段设置可验收产物，失败后仅重规划受影响节点。现有规划实验虽显著（p<0.0001），但样本口径和独立性存在疑问，不能据此证明该调度机制有效[26][29]。

### 数据与统计方法

以独立任务运行为分析单位；现有每组150次运行与486个观测口径不一致，须先核对重复测量，避免低估标准误。[26][29]

两组连续指标采用Welch t检验，报告Cohen’s d并明确差值方向；多组均值比较适用ANOVA，分类频数比较适用卡方，须检查独立性及相应分布条件，后两者未提供实测结果。[2][4]

Pearson与一元回归用于线性关联；现报r=0.359、r²=0.13，显著不等于达到0.8目标或存在因果关系。[159]

Bootstrap 95% CI须对应目标参数；均值差区间不能替代相对降幅区间，Token降耗与成功率须联合验证。统计不显著统一写“未获支持”。[3][13]

## 二、分方向实证

### 任务规划 · 科学问题与可检验假设

科学问题是：分层任务图、依赖约束与阶段验收，能否使超长科研任务形成可并行、可验收、可恢复的最小单元？分层规划提供缩短计划、减少搜索的机制依据，但所给材料不足以确认实际收益。[29]

自变量为是否采用上述组合机制，对照为单体端到端规划；比较时固定任务、模型与预算。
- H1：因变量为长任务成功率，判据为相对基线提高至少30%。[26][29]
- H2：因变量为每次运行的平均返工次数，判据为相对基线降低至少25%。[26]

现有显著性报告不能直接证明两项阈值达标；应先澄清每组150次运行与486个观测的关系，核对统计量，并确认实验对应上述指标。材料未报告不等于全文不存在证据。[26][29]

### 联网检索 · 科学问题与可检验假设

### 科学问题与可检验假设

科学问题是：在相同Token预算下，查询改写、来源分级、证据图与交叉验证能否提升多源网络证据的可信性、可追溯性及相互印证程度。现有材料仅将分层多智能体RAG作为架构背景，尚不足以验证联网检索流程及效果[2]；实时检索的相关性和时效性也不能证明来源可信或独立交叉印证[4]。

- **H1（引用准确性）**：自变量为完整检索流程与常规联网RAG，因变量为任务级引用准确率；在相同预算、任务来源和评分规则下，完整流程准确率应达到90%以上且显著优于基线。
- **H2（幻觉控制）**：因变量为事实幻觉率与正确拒答率；完整流程幻觉率应低于5%，无法形成独立证据时应少答。现有实验虽显著（p<0.0001，d=-1.48），但指标被标为预期值，是否实测不明，故目标未获支持[2,4]。

### Token优化 · 科学问题与可检验假设

科学问题是：压缩上下文、记忆和工具调用时，能否同时降低Token成本并保持任务质量？检索上下文压缩的证据不能直接证明记忆、路由与缓存的组合收益。[3]

H1：以是否启用分层记忆、语义摘要、上下文路由和结果缓存为自变量，以累计Token及任务成功率为因变量；联合判据为降耗至少60%，且成功率绝对下降不超过5个百分点。现有材料尚不足以验证该目标。[3][13]

H2：以压缩配置为自变量，以证据忠实性和包含分类、选择、压缩开销的端到端净Token为因变量；问答正确率不能替代忠实性评价，净节省须覆盖模块开销。[3][13] 已报显著Token差异不等于通过60%阈值及质量约束的联合检验。[3]

### 自我升级 · 科学问题与可检验假设

科学问题是：失败日志驱动的修复闭环，能否在连续20轮升级中提高任务成功率，同时控制严重回归？现有材料不足以验证，不能据此判定假设不成立。[118][119][120]

自变量为是否采用“失败分类—候选修复—多代理审查—沙箱回归测试”完整闭环。H1以任务成功率相对初始基线的提升为因变量，判据为第20轮提升至少20%；须区分组内提升与组间优势。[118][119][120]

H2以连续20轮严重回归率为因变量，判据为低于3%，应明确严重回归定义及分母口径。所报t=11.068、p<0.0001源于设计假定参数，不构成实测支持；两项假设目前均未获支持。[118][119][120]

### 安全评价 · 科学问题与可检验假设

### 科学问题与可检验假设

科学问题可拆为三项假设：H1，以覆盖事实、引用、复现、成本和安全的综合基准为自变量，以专家盲评结果为因变量，要求独立测试集上的相关系数达到0.8以上；H2，以冻结评价规则为自变量，以专家一致效度为因变量，要求在独立测试集上获得稳定一致结果；H3，以综合评分及其高风险判定规则为自变量，以高风险错误识别率为因变量，并在限定误报率条件下达到90%以上。现有实验相关系数为0.359、r²=0.13，虽统计显著，但未达到H1判据，不能证明综合基准有效[157][158][159]。现有摘要未提供H2的独立测试结果及H3的识别率、误报率数据，相关假设均未获支持[157][158][159]。KEGG、GTEx及临床LLM材料与科研智能体评价对象不一致，不能直接验证上述假设[157][158][159]。

### 任务规划 · 证据综述与引用核证

- **支持｜机制层面、有限强度**：分层规划通过自顶向下决策缩短待构建计划，并旨在减少搜索及远期动作效果预测；所给摘要支持方法动机，但不足以核证实测收益，不能据此断言全文仅有理论预期。[29]
- **混合｜间接、弱证据**：EOG提出种子驱动、证据限定的图模型，可为任务图设想提供背景；其软件规格场景不能直接证明超长科研任务的并行、验收与恢复能力。[26]
- **未获支持｜限当前材料**：成功率提高至少30%、返工降低至少25%的目标尚无法验证；所给片段缺少对应对照及阶段验收、局部重规划数据。这是证据不足，不是反驳假设，也不代表全文不存在相关验证。[26][29]

### 联网检索 · 证据综述与引用核证

- **支持｜弱、架构背景**：所给材料将时序RAG描述为主智能体协调专门子智能体的分层框架，可供检索编排参考，但不足以验证联网证据质量。[2]
- **混合｜弱、概念性证据**：实时检索的相关性与时效性描述支持潜在收益，却不能证明来源可信或已完成独立交叉印证。[4]
- **混合｜证据不足**：所给摘要片段不足以核验相同预算下的优势、引用准确率超过90%，以及不依赖少答拒答实现幻觉率低于5%；这不等于全文没有验证。[2][4]
- **反驳｜针对达标推断**：现有材料不能支持流程已达标；“预期任务级引用准确率”的实测属性未明，显著组间差异不能替代真实准确率与幻觉率核证。[2][4]

### Token优化 · 证据综述与引用核证

- **混合｜弱证据**：所给材料涉及检索上下文选择与压缩，但不足以验证“降耗至少60%且成功率绝对下降不超5个百分点”；不能由摘要缺项推断全文无数据。[3]
- **混合｜弱证据**：上下文压缩证据不能直接外推至分层记忆、路由及缓存的组合收益，模块开销能否被节省覆盖仍待核验。[3]
- **支持｜有限证据**：所给材料提示问答正确率可能掩盖压缩失真，不能单独证明证据忠实性；但缺少可核查原文及配对数据，证据强度受限。[13]
- **引用核证｜存疑**：文献[1]与压缩效果论点的对应关系存在争议，不宜作为直接依据；文献[3]、[13]亦需核对原文，当前不能确认联合目标达标。[1][3][13]

### 自我升级 · 证据综述与引用核证

- [118]：背景证据，强度弱。材料涉及基因注释富集及约68种工具，不能直接支持失败分类、补丁生成或回归测试闭环，也不构成对升级效果的反驳。[118]
- [119]：背景证据，强度弱。蛋白质结构测定耗时的描述与智能体升级效果缺少直接联系，不能验证连续20轮成功率提升≥20%。[119]
- [120]：引用核证不足，强度无法评定；所给材料缺少可核验的闭环实验内容，不能据此判断严重回归率是否低于3%。[120]

总体上，两项假设均未获支持，但不等于已被反驳。[118][119][120] 所报显著性来自设计假定参数，而非真实升级观测，不能弥补上述证据缺口。[118][119][120]

### 安全评价 · 证据综述与引用核证

- **支持（弱，仅背景）**：所给KEGG片段说明基因目录、功能注释及通路信息的用途，未呈现科研智能体评价设计，不能据此验证综合评分效度，也不能断言数据库不适用。[157]
- **混合（弱，间接证据）**：交叉核验涉及组织转录组及表达数量性状位点，研究对象并非科研智能体；这些材料不能验证专家盲评相关性或高风险错误检出率，但不构成对假设的反驳。[158]
- **支持（弱，场景线索）**：临床分诊、转诊和诊断评测可提供场景参考；所给摘要片段未展示所需结果，截断亦可能造成信息缺失，不能推断全文没有验证数据。[159]
- **核证限制**：三项引文的完整原文及对应关系尚未提供，两项安全目标均缺乏可核验支持，不能据此赋予高置信判断。[157][158][159]

### 任务规划 · 实验设计与变量控制

实验拟比较分层任务图、依赖约束与阶段验收方案和单体端到端规划基线；现有材料尚不能确认所报比较是否对应同一任务及成功率指标。[26][29]

样本口径存在冲突：每组150次运行与分析采用每组486个观测不一致，观测生成方式及独立性未交代，运行内重复测量可能低估标准误。[26][29]

随机分组、任务难度、模型版本、Token预算及工具条件均未说明，无法排除组间资源差异的混杂。[26][29]

所报t=-6.403、p<0.0001，但复算约为-6.423；应先核对原始数据与代码。该显著性不能直接验证成功率提高30%，返工降低25%亦缺少对应数据。[26][29]

### 联网检索 · 实验设计与变量控制

分组为常规联网RAG与完整流程，后者结合查询改写、来源分级、证据图及交叉验证；所报总样本量N=972，但组内数量、任务来源及抽样规则未交代，代表性尚不能确认。[2,4]

随机化方法未报告；后续应随机分派任务，并固定模型、Token预算、检索时点、题目难度与评分标准，区分相同预算优势和资源增加的影响。[2,4]

所报t=-23.098、p<0.0001，负号表示完整流程均值较高；但指标标为“预期任务级引用准确率”，实测、预测或模拟属性不明，不能据此确认达标。少答拒答、来源相互依赖及评分口径差异亦需排查，现有片段不足以验证准确率超90%、幻觉率低于5%。[2,4]

### Token优化 · 实验设计与变量控制

分组拟设常规上下文基线组与“分层记忆、语义摘要、上下文路由、结果缓存”组合组；现有材料未交代样本量及随机化方法，不能视为已完成随机对照实验。[3]

设计上应统一任务、模型、工具权限及预算，随机分配任务；分别记录累计Token、任务成功率与证据忠实性，避免仅以答题正确率判断质量。[3][13]

主要混杂包括任务难度、缓存命中及分类、选择、压缩模块自身开销；现有摘要不足以判断端到端净节省，也不能将检索上下文收益外推至完整组合。[3]

已报Welch检验显著，但只检验Token均值差异；缺少成功率数据及相对降幅阈值检验，尚不能验证“降耗至少60%且成功率下降不超5个百分点”的联合目标。[3][13]

### 自我升级 · 实验设计与变量控制

分组仅涉及完整闭环组与基线组，所报均值、标准差为设计假设，并非真实升级观测；样本量、随机分配方法及独立分析单位均未明确，不能据此认定组间可比。[118][119][120]

失败分类、候选修复、多代理审查与沙箱回归测试构成拟检验闭环，但任务难度、模型版本、工具权限及计算预算是否一致未报告，混杂影响无法排除。[118][119][120]

现有材料未提供连续20轮成功率与严重回归记录，也未区分组内相对提升和组间优势。所报t=11.068、p<0.0001来自假定参数，不能作为升级有效的实证证据；提升至少20%及严重回归率低于3%的目标均未获支持，但不等于已被反驳。[118][119][120]

### 安全评价 · 实验设计与变量控制

现有材料未报告实验分组、随机分配方法及各组样本量；虽列出N=400，但样本来源、分析单位及独立性不明，不能据此确认设计有效。[157][158][159]

变量应围绕综合评分、专家盲评及高风险错误检出率界定；当前未说明测量方法，也未交代评分规则是否冻结、测试集是否独立及误报率是否受控。[157][158][159]

所报相关系数为0.359，p<0.0001、r²=0.13；显著相关不等于达到0.8目标，且尚不能确认该分析对应目标变量。[157][158][159] 同一智能体或任务内重复观测、临床与科研场景差异及检索主题错配，均是待排查的混杂或外推限制；所列片段不足不能推断全文没有验证结果。[157][158][159]

### 任务规划 · 统计结果与效应量解读

### 任务规划 · 统计结果与效应量解读

本方向采用 Welch’s t 检验并结合 Bootstrap 95% CI，统计量为 -6.403，p < 0.0001，Cohen’s d=-0.41，组间差异达到统计显著，效应量为小至中等。材料未提供 Bootstrap 95% CI 的具体上下界，因而无法判断估计精度及区间是否跨越零。负号仅反映比较顺序，不能单独证明分层规划优于基线。现有证据仅支持分层规划具有缩短计划、减少搜索的理论预期[29]；H1关于成功率提高至少30%的结论未获支持，H2关于返工次数降低至少25%的结论亦未获支持[26,29]。此外，每组150次运行与统计中的每组n=486口径不一致，观测独立性和统计量复算仍需原始数据与代码核验。

### 联网检索 · 统计结果与效应量解读

采用Welch’s t检验及Bootstrap 95% CI，报告t=-23.098、p<0.0001、Cohen’s d=-1.48，组间差异显著；负号源于“常规联网RAG减完整流程”的顺序，表示完整流程均值较高，并非负向效果。材料未提供95% CI上下限，无法判断估计精度。[2,4]

但指标标为“预期任务级引用准确率”，实测、预测或模拟属性不明，且缺少抽样、评分标准及原始数据，显著性不能证明真实检索收益。相同预算优势、引用准确率超90%及幻觉率低于5%的目标均未获支持；这是证据不足，不等于检验不显著或目标已被否定。[2,4]

### Token优化 · 统计结果与效应量解读

本次汇总采用Welch’s t检验及Bootstrap 95% CI，报告t=45.936、p<0.0001、Cohen’s d=2.95，表明累计Token均值差异显著，标准化效应较大；但未提供95% CI上下限，无法判断区间精度。[3]

两组均值对应约65.96%的降幅，但检验针对均值差为零，并非降耗至少60%的阈值；均值差区间也不能替代相对降幅区间。[3] 实验缺少任务成功率数据，因此“降耗至少60%且成功率绝对下降不超5个百分点”的联合目标未获支持，不等于Token差异不显著。[3] 此外，答题正确率不能单独证明压缩后的证据忠实性，显著降耗不应解释为质量无损。[13]

### 自我升级 · 统计结果与效应量解读

本方向采用 Welch’s t 检验并结合 Bootstrap 95% CI，统计量为 11.068，p＜0.0001，Cohen’s d=0.79，组间差异达到统计显著，效应量为中等偏大。报告未给出 Bootstrap 的具体 95% CI，因而无法判断效应估计的精确范围。更重要的是，两组均值与标准差仅用于设计假设，并非真实观测数据，故该显著性不能作为闭环升级有效性的实证证据。该检验也未直接检验连续20轮后相对基线提升至少20%的阈值，H1未获支持；连续20轮严重回归率低于3%的概率同样缺乏实测数据，H2未获支持。[118,119,120] 现有三项材料并非智能体闭环升级实验，不能据此外推自动修复或升级效果。[118,119,120]

### 安全评价 · 统计结果与效应量解读

所报分析采用Pearson相关与一元回归，统计量r=0.359，p<0.0001，效应量r²=0.13；95% CI未提供，无法判断估计精度。上述数值尚无法与所引文献及测量变量对应，须作暂定结果解读。[157][158][159]

统计显著仅表示相关性偏离零，不等于达到r≥0.8；按所报模型，解释变异约13%，专家一致效度目标未获支持。[159] 高风险错误识别率超过90%的目标亦未获支持：所列材料未提供限定误报率下的检出率及区间。[157][158][159] 摘要截断与研究对象错配只能限定当前证据范围，不能据此断言全文无结果或假设不成立。[157][158][159]

### 任务规划 · 专家交叉验证意见

方法、复现监工均评55分，反例与外推均53分，统计58分，主审52分，整体存疑。分层规划具有缩短计划、减少搜索的机制依据，但所给摘要不足以确认实测收益，不能据此断言全文无验证。[26][29]

统计异议集中于每组150次运行与486个观测口径不一致、独立性未明；复算t约为−6.423，与报告−6.403不符。虽报告p＜0.0001，仍不能直接确认成功率提高至少30%的假设。[26][29]

逻辑与证据审查要求明确组间比较是否对应目标任务、完成率及基线，避免同时宣称“缺少对照”与“差异显著”；返工降低至少25%亦缺可核验数据，判断应限于所给材料。[26][29]

### 联网检索 · 专家交叉验证意见

证据、引用侧重均评78分并通过；逻辑、外推、方法侧重均为74分、有条件通过，反例侧重72分；主监工要求修订，评65分。分歧在于现有材料能否验证目标，而非架构是否合理。[2][4]

统计复核认为，t=-23.098、p<0.0001、d=-1.48大致相符；负号表示完整流程均值较高。但指标标为“预期任务级引用准确率”，实测、预测或模拟属性不明，显著性不能证明真实改善。[2][4]

方法与证据异议集中于任务抽样、评分标准及原始数据缺失。所给片段不足以验证引用准确率超90%、幻觉率低于5%，但不能据此断言全文无验证；98%置信度亦缺少校准依据。[2][4]

### Token优化 · 专家交叉验证意见

统计、外推、复现、证据与引用监工分别评分80、75、77、81、81分；主审68分，要求返工。核心异议是引文对应关系不清，文献[3][13]缺少可核查内容，不能把摘要未报告视为全文无证据。[3][13]

统计报告t=45.936、p<0.0001、d=2.95，但仅检验累计Token均值差；约65.96%的降幅不等于通过“至少60%”阈值检验，且缺少成功率数据，联合目标未获支持。[3][13]

逻辑与外推审查强调：检索上下文压缩不能直接代表记忆、路由和缓存的组合收益；答题正确不等于证据保真，模块开销与端到端净节省仍待核验。[3][13]

### 自我升级 · 专家交叉验证意见

方法与逻辑审查均为57分，复现、反例及外推审查均为55分，统计审查为60分、主审48分：现有材料缺少可核验的20轮闭环升级实验，不能据此认定升级有效。[118][119][120]

统计异议是均值、标准差仅为设计假设；即使t=11.068、p<0.0001、d=0.79计算相符，也不构成实测证据；组间差值亦未直接检验相对提升≥20%的阈值。[118][119][120]

证据交叉核验发现检索错配、原文残缺及研究对象不符。成功率提升与严重回归率低于3%两项目标均未获支持，但不等于已被反驳；99%置信度亦缺少校准依据。[118][119][120]

### 安全评价 · 专家交叉验证意见

监工主审要求返修，评分63分；复现与逻辑侧重均为60分，引用与证据侧重均为64分，意见集中于来源可核验性和评价设计不足。[157][158][159]

证据层面，所列片段涉及基因功能、组织表达或临床场景，尚不能验证科研智能体评分；摘要截断不等于全文没有结果，也不能据此断言数据库不适用。[157][158][159]

统计层面，虽报告相关系数0.359、p＜0.0001、r²＝0.13，但变量、样本来源及分析单位未明确，重复观测独立性亦待核查；显著相关不等于达到0.8目标。专家一致效度及限定误报率下90%以上高风险识别能力，目前均未获支持。[157][158][159]

### 任务规划 · 红队反证与替代解释

- **攻击一｜severity：high｜削弱程度：强。**将摘要未报告实测外推为“仅有理论预期”，超出了证据边界；替代解释是摘要侧重方法动机，省略实验。宜改为“所给片段支持缩短计划、减少搜索的机制，但不足以判断实证效果”。[29]
- **攻击二｜severity：medium｜削弱程度：中。**未见完成率对照，不等于研究不存在对照；替代解释是摘要篇幅受限，或材料属于规格建模提案。成功率提高至少30%的目标仍无法由当前材料验证。[26][29]
- **攻击三｜severity：low｜削弱程度：弱。**未见验收、重规划和返工数据，可能源于披露范围，而非机制无效；这不推翻“当前无法验证”，但须限定材料范围，不能据此断言返工降低25%不成立。[26]

### 联网检索 · 红队反证与替代解释

- **红队攻击：摘要缺失外推。** 所给片段可能因截断而省略评测与来源审计；替代解释是全文已有验证，而非研究未做。severity：中；显著削弱“框架仅有背景价值”的判断，但不改变所给材料不足以验证目标的结论。[2][4]
- **红队攻击：置信度未经校准。** 98%与95%缺少可核查依据；替代解释是主观确信而非统计估计。severity：低；削弱置信度数值的解释力，不直接推翻证据不足的判断。[2][4]
- **红队攻击：相关性替代可信性。** 实时检索的时效性不能证明来源可信或独立印证；替代解释是检索改善了相关性，却未验证引用准确率与幻觉率。severity：低；削弱达标推断，不否定概念收益。[4]

### Token优化 · 红队反证与替代解释

- 红队攻击：将摘要未报告组合收益、模块开销推为全文未验证，超出了证据范围。替代解释：正文或附录可能提供数据，模块也可能本地运行而不增加API Token。severity：medium；削弱程度：中等，应限定为“所给材料无法核验”。[3]
- 红队攻击：99%、98%等置信度缺乏校准依据。替代解释：摘要可能因篇幅省略关键指标。severity：low；削弱程度：削弱置信度表述，但不改变现有材料不足以验证联合目标的判断。[3][13]
- 红队攻击：正确率与忠实性分歧未必意味着推理受损。替代解释：基准可能要求保留答题无关信息。severity：low；削弱程度：限制损害推断，但正确率仍不能单独证明证据保真。[13]

## 三、综合论证

### 跨方向比较与证据矩阵

Token优化的名义效应量最大（d=2.95），是相对最强环节；但仅比较累计消耗，不能验证降耗60%且成功率下降不超5个百分点，证据保真亦须单独评价。[3][13]

联网检索（d=-1.48）优于任务规划（d=-0.41），但前者测量性质不明，后者样本口径与独立性存疑，效应大小不能等同证据强弱。[2][4][26][29]

自我升级最弱：d=0.79来自设计假定，不能作为真实升级成效；安全评价虽相关显著，r=0.359仍低于0.8目标。[118][119][120][159]

各方向一致暴露阈值验证不足；显著性、专家通过与目标达成并不等价，摘要缺失也不代表全文无证据。[3][4][26]

### 红队反证汇总

### 红队反证汇总

红队未能推翻“摘要不足以验证”的谨慎判断，但排除了将其外推为“全文不存在证据”的解释；相关结论仍仅限于现有材料。[2,4][118,119,120] 任务规划的统计结果虽显著，样本口径、观测独立性、统计量复算及H1定义冲突仍未解决，故不能证明假设成立。[26,29] 联网检索的负号仅表示完整流程均值较高，不能排除指标为预期值、样本与评分规则不明等替代解释。[2,4] Token降幅约65.96%的差异显著，但未检验60%阈值，且引用与端到端开销证据不足。[1,3,13] 自我升级使用设计假设参数，不能据此证明20轮提升或低回归率。[118,119,120] 安全评价的相关显著仅解释13%方差，变量、来源与高风险识别标准不明，专家效度和90%目标仍未获支持。[157,158,159]

### 专家验证汇总

1000名监工中，通过275名（27.5%）、有条件通过350名（35.0%）、存疑375名（37.5%）；前两类合计62.5%，但不能等同于全部假设获证。[26][4][3]

审查侧重方法、证据、统计、逻辑、复现、反例、引用与外推。主要异议是：任务规划样本口径及独立性不清，联网检索指标是否实测不明，Token差异显著不能证明降耗与质量保持的联合目标。[26][4][3][13]

采纳情况仅可确认主审已驳回返工5次，尚不能认定异议全部解决。修订应限定摘要证据的外推范围，核对原始数据与计算代码，并将Token降耗、成功率及证据保真分别验收；专家通过意见不能替代这些验证。[26][3][13]

### 总体判断与证据分级

- 强证据：暂无假设达到强支持，也无充分证据判定假设不成立；显著性不能替代目标阈值验证。[26][29]
- 中证据：暂无。任务规划存在样本口径与独立性疑点，成功率及返工目标证据不足。[26][29]
- 弱证据：联网检索指标是否实测不明，引用准确率与幻觉率目标证据不足。[2][4]
- 弱证据：Token差异虽显著，但缺少成功率数据及降幅阈值检验，联合假设未获支持。[3][13]
- 弱证据：自我升级使用设计假定参数，不能证明连续20轮升级有效或严重回归率达标。[118][119][120]
- 弱证据：安全评价相关系数0.359未达0.8，且测量定义不明；高风险识别目标证据不足。[157][158][159]

### 理论贡献

本研究对现有框架的补充，是将分层规划、检索与压缩的局部收益，与科研长任务的端到端有效性区分：分层规划具有缩短计划、减少搜索的理论预期，但现有材料不足以确认完成率与返工改善。[26][29]

对压缩理论的修正，是区分任务答对与证据保真：问答正确率不能单独证明压缩后的证据忠实性，局部压缩收益也不能直接外推为记忆、路由和缓存的组合收益。[3][13]

对检索框架的挑战，是相关性与时效性不等于来源可信或独立交叉印证；同样，统计差异显著不等于预设目标达成，现有材料仍不足以验证引用准确率超过90%、幻觉率低于5%。[2][4]

### 实践路径与工程建议

优先搭建分层任务图，明确依赖、阶段验收和局部恢复；先核对运行数与观测独立性，再验证成功率提升30%、返工减少25%的目标，现有材料尚不足以确认收益。[26][29]

其次接入多源检索、来源分级与交叉验证，以引用准确率≥90%、幻觉率＜5%验收；实时检索不能替代可信性核验。[2][4]

随后评估摘要、路由和缓存，核算模块开销；将Token降低≥60%与成功率下降≤5个百分点联合验收，并检查证据保真，均值差显著不等于联合目标达成。[3][13]

最后试行失败分类、候选补丁、多代理审查和沙箱回归；连续20轮升级收益及严重回归率＜3%仍待实测，设计参数的显著性不能作为升级依据。[118][119][120]

### 风险、边界与伦理

技术风险在于检索相关性不等于来源可信，答题正确也不能单独证明压缩后证据保真；现有材料不足以确认低成本与高准确率同时达标。[4][13] 自我升级的显著性计算基于设计假设参数，不能作为真实升级有效或回归风险受控的证据。[118][119][120]

误用风险包括将摘要未报告写成证据不存在，或将统计显著包装为达到预设目标；应限定结论适用范围，保留引用追溯与交叉核验。[2][4] 伦理边界应落实为可验证的自主权限：升级须经沙箱回归与审查，高风险识别目标尚未验证，不能据此承诺全自动安全运行；治理应采用冻结评价规则、独立测试集和限定误报率的验收。[118][119][120][159]

### 研究局限性

- 摘要级证据：部分材料缺少全文及可核查内容，只能判断所给片段不足，不能据此断言原研究没有验证，任务规划与检索收益仍待核验。[26][29][2][4]
- 参数模拟实验：自我升级均值、标准差仅用于设计假设，显著性不能充当实测证据，连续20轮提升与回归率目标未获支持。[118][119][120]
- 检索偏倚：存在摘要截断与文献错配，限制证据覆盖及相关性判断，安全评价结论不能推广至全部研究。[157][158][159]
- 外推限制：上下文压缩不能直接证明记忆、路由、缓存的组合收益；Token差异显著也不足以验证降耗60%且成功率下降不超5个百分点的联合目标。[3][13]

### 数据可得性与可复现性

数据来源为Crossref、EPMC、OpenAlex，原始命中299篇、去重后190篇；现有材料提供题录与汇总统计，未附完整检索式、检索日期、筛选日志及原始观测。摘要证据不足以验证联网检索的准确率与幻觉率目标。[2][4]

检索式、统计随机种子及Bootstrap重采样次数均未提供，不能补写为已执行参数。复现时应公开逐库查询与去重记录，核对全文和引文对应关系；随后提供任务级数据、分组规则及分析代码，统一运行数与观测数，检查独立性，再重算检验与置信区间。任务规划的样本口径仍待核对。[26][29]

Token优化须同时复测成功率、相对降幅与模块开销；仅有累计Token差异不能验证联合目标。[3][13]

### 结论

已确证的仅是现有材料的验证边界：摘要不足以证明规划、检索及压缩组合达到预设目标，不能推断全文没有相关证据。[2][3][26][29] 初步支持限于架构可行性线索：分层规划与智能体检索可供设计参考，尚不能认定长任务成功率或引用准确率达标。[4][29] Token差异虽报告显著，但缺少成功率数据及降耗阈值检验，联合目标未获支持。[3][13] 自我升级统计基于设计假设，不能确证连续二十轮升级收益及严重回归率达标。[118][119][120] 安全评价相关系数为0.359，未达到0.8目标；高风险识别能力及全自动科研闭环仍待可复核实测验证。[157][158][159]

### 展望与路线图

近期：先核对原始数据、样本口径与引用对应关系，明确任务级独立观测，复算规划与检索实验；现有摘要不足以确认完成率优势、引用准确率及幻觉率达标，应保留待验证状态。[26][29][2][4]

中期：以相同预算开展对照，联合检验Token降幅至少60%与成功率绝对下降不超5个百分点，并核算压缩、路由和缓存开销；同时评估证据忠实性，避免以答对替代保真。[3][13]

远期：围绕失败日志、候选修复、审查和沙箱回归开展连续20轮升级验证，设计参数不得充当实测结果；冻结评价规则后，在独立测试集检验专家相关性与限定误报率下的高风险识别能力，达标前不宣称闭环有效。[118][119][120][159]

### 开放问题清单

1. 如何统一任务单元、依赖图与阶段验收标准，并以独立运行数据验证分层规划能否提升长任务完成率、降低返工率，仍需单独立项。[26][29]  
2. 如何在固定检索预算下建立来源分级、证据图和独立交叉印证，并实测引用准确率与幻觉率，尚未解决。[2][4]  
3. 如何同时检验Token降幅、任务成功率和证据保真度，避免以问答正确率掩盖压缩失真，仍是关键问题。[3][13]  
4. 分类、路由、摘要与缓存自身开销如何计入端到端Token净节省，需要统一核算方法。[3]  
5. 如何通过真实连续20轮实验验证失败分类、补丁生成、审查及沙箱回归闭环，现有证据未获支持。[118][119][120]  
6. 如何构建冻结规则、独立测试集和限定误报率的安全基准，以验证专家相关性及高风险拦截率，仍缺直接证据。[157][158][159]

### 下一步三个关键检验

1. 规划检验：同批长任务随机比较分层图与单体规划，每组150次独立运行，按运行统计，核对重复观测。判据为成功率提高≥30%、返工减少≥25%；预期检验优势能否复现，现有材料不足以确认。[26][29]

2. 降耗检验：同批任务配对比较完整压缩流程与基线，计入摘要、路由、缓存开销，同时评估成功率和证据保真。判据为Token降低≥60%、成功率下降≤5个百分点；预期核实净收益，不能只凭答对率验收。[3][13]

3. 升级检验：设置冻结版本对照，以独立任务开展20轮沙箱回归，替换假定参数。判据为成功率提升≥20%、严重回归率<3%；预期获得实测证据，统计不显著写“未获支持”。[118][119][120]

### 附录说明：编制、调度与专家署名

按本节口径，3135名智能体由3085名研究编制与50名执笔专家组成；研究编制包含自动新建3080名，承担检索、精读、红队及监工等角色，各角色人数未单列。该口径超过1000名编制上限，须说明扩编规则。

1140个精读岗位对应190篇文献、每篇3个切片、双读交叉验证；岗位数不等于独立专家人数。50名执笔专家同步成稿，调度中的依赖约束与阶段验收仍属待验证机制。[26][29]

专家验证池为1000名监工：通过275、有条件通过350、存疑375，主审驳回返工5次。署名应区分执笔与验证角色；审核通过不能替代证据核验，现有摘要仍不足以验证联网检索目标。[2][4]

## 参考文献

1. Xin Cheng, Xun Wang, Xingxing Zhang. xRAG: Extreme Context Compression for Retrieval-augmented Generation with One Token. neural information processing systems, 2024. DOI: 10.52202/079017-3476
2. Chidaksh Ravuru, Sagar Srinivas Sakhinana, Venkataramana Runkana. Agentic Retrieval-Augmented Generation for Time Series Analysis. arXiv (Cornell University), 2024. DOI: 10.48550/arxiv.2408.14484
3. Rakesh More. Adaptive Context Compression for Retrieval-Augmented Generation. International Conference on Cyber Security, Artificial Intelligence and Digital Economy (CSAIDE), 2026. DOI: 10.1145/3819836.3819877
4. Aditi Singh, Abul Ehtesham, Saket Kumar. Agentic Retrieval-Augmented Generation: A Survey on Agentic RAG. arXiv (Cornell University), 2025. DOI: 10.48550/arxiv.2501.09136
5. Jan Balaguer, Hugo J. Spiers, Demis Hassabis. Neural Mechanisms of Hierarchical Planning in a Virtual Subway Network. Neuron, 2016. DOI: 10.1016/j.neuron.2016.03.037
6. Abhai Pratap Singh, Adit Jamdar, Prerna Kaul. Agentic Retrieval-Augmented Generation: Advancing AI-Driven Information Retrieval and Processing. International Journal of Computer Trends and Technology, 2025. DOI: 10.14445/22312803/ijctt-v73i1p111
7. kang-lin Hsieh, Germán Plascencia-Villa, Ko-Hong Lin. Multi-Task Graph Neural Network For Alzheimer’s Disease Drug Repurposing Using Knowledge Graph And Multi-Level Evidence. , 2022. DOI: 10.21203/rs.3.rs-1261984/v1
8. Huaiwen Pang, Jiale Han, Junying Chen. Legal-R1: Agentic Retrieval for Evidence-Based Legal Reasoning. arXiv (Cornell University), 2026. DOI: 10.48550/arxiv.2610.18611
9. T. Dinesh. AI-Enhanced Embedded Agentic Retrieval for Efficient Single-Call Generation with Multi-Call Agentic RAG Answer Quality IEEE. Journal of Progressive Engineering Studies, 2026. DOI: 10.65379/jpes/v1(2)p72
10. Xiaoyu Zhang. Benchmarking Agentic Bioinformatics Systems for Complex Protein-Set Retrieval: A Coccolithophore Calcification Case Study. , 2026. DOI: 10.64898/2026.03.28.715041
11. Arian Mokhtari, Maziar Davoodi. ROSE-RAG: Robust Sequential Evidence Acquisition for Agentic Retrieval-augmented Generation under Source-model Ambiguity. , 2026. DOI: 10.2139/ssrn.7172681
12. Jianru Shen. Evidence Graph Consistency (EGC): Code for "Evidence Graph Consistency in Retrieval-Augmented Generation: A Model-Dependent Analysis of Hallucination Detection". Zenodo (CERN European Organization for Nuclear Research), 2026. DOI: 10.5281/zenodo.20932842
13. Ziqing Man, Di Wu, Jia-Chen Gu. KEEP-Bench: Evaluating Evidence Preservation in Context Compression. arXiv (Cornell University), 2026. DOI: 10.48550/arxiv.2610.26827
14. Jingcheng Li, Ye Qiao, Sitao Huang. HARK: Hierarchical Agentic Retrieval with Keyframing for Video Understanding. , 2025. DOI: 10.36227/techrxiv.176157871.19625717/v1
15. Shuyu Guo, Shuo Zhang, Zhaochun Ren. Enhancing RAG Efficiency with Adaptive Context Compression. Findings of the Association for Computational Linguistics: EMNLP (Findings of EMNLP), 2025. DOI: 10.18653/v1/2025.findings-emnlp.1307
16. Qu Y, Huang K, Yin M. CRISPR-GPT for agentic automation of gene-editing experiments.. , 2026. DOI: 10.1038/s41551-025-01463-z
17. Bowen Qin, Yi Xie. Agent Retrieval Bench: Evaluating Repository Context Retrieval for Coding Agents. arXiv (Cornell University), 2026. DOI: 10.48550/arxiv.2607.24882
18. Chensen Huang, Guibo Zhu, Xuepeng Wang. Recurrent Context Compression: Efficiently Expanding the Context Window of LLM. arXiv (Cornell University), 2024. DOI: 10.48550/arxiv.2406.06110
19. Reza Yousefi Maragheh, Pratheek Vadla, Priyank Gupta. ARAG: Agentic Retrieval Augmented Generation for Personalized Recommendation. arXiv (Cornell University), 2025. DOI: 10.48550/arxiv.2506.21931
20. Donghan Bian, Marie Puren, Florian Cafiero. TRACE: Accountable Agentic Retrieval for Source Discovery in Digital Archives. ACM International Conference on Information and Knowledge Management (CIKM), 2026. DOI: 10.1145/3799682.3840134
21. SOVEREIGN Research Kernel. PRISM: Agentic Retrieval with LLMs for Multi-Hop Question Answering. Zenodo (CERN European Organization for Nuclear Research), 2026. DOI: 10.5281/zenodo.20413351
22. Muhammad Raheel Anwar. From Retrieval to Action: A Survey of Agentic Retrieval-augmented Generation. , 2026. DOI: 10.2139/ssrn.7428138
23. Viktoriia Baibakova, Alexey Serov. Agentic Retrieval for Bio-Based Recovery of Critical and Near-Critical Minerals. , 2026. DOI: 10.26434/chemrxiv.15000355/v1
24. Rafi Rahman, Rimu Rahman Swapnil. Security Evaluation Gaps in Retrieval-augmented and Agentic LLM Systems: A Focused Review. , 2026. DOI: 10.2139/ssrn.7023538
25. Sathiska Priyad, Gayathri Karthick. Agentic Retrieval-Augmented Generation for Verifiable Regulatory Compliance in Urban Cyber-Physical Systems. , 2026. DOI: 10.21203/rs.3.rs-10349437/v1
26. Rim Zabarov. Evolutionary Object Graph: A Seed-driven, Evidence-bounded Graph Operating Model for AI-assisted Specification Work. , 2026. DOI: 10.2139/ssrn.6841618
27. Mengmeng Ji, Ravi Shanker Raju, Jonathan Lingjie Li. LongAttnComp: Cross-Family Context Compression for Long-Context Reasoning. arXiv (Cornell University), 2026. DOI: 10.48550/arxiv.2606.01336
28. Yash Zode. An Empirical Evaluation of Context-Management Strategies for Large Language Model Agents Under Forced Context Compression. , 2026. DOI: 10.2139/ssrn.6961019
29. Leslie Pack Kaelbling, Tomás Lozano‐Pérez. Hierarchical Planning in the Now. National Conference on Artificial Intelligence, 2010. 
30. Sebastian Sardiña, Lavindra de Silva, Lin Padgham. Hierarchical planning in BDI agent programming languages. Adaptive Agents and Multi-Agents Systems, 2006. DOI: 10.1145/1160633.1160813
31. Yair Feldman, Yoav Artzi. No Mean Feat: Simple, Strong Baselines for Context Compression. arXiv (Cornell University), 2025. DOI: 10.48550/arxiv.2510.20797
32. Elkawkagy Mohamed, Bernd Schattenberg, Susanne Biundo. Landmarks in Hierarchical Planning. Frontiers in artificial intelligence and applications, 2010. DOI: 10.3233/978-1-60750-606-5-229
33. Changyin Sun, Wenzhang Liu, Lu Dong. Reinforcement Learning With Task Decomposition for Cooperative Multiagent Systems. IEEE Transactions on Neural Networks and Learning Systems, 2020. DOI: 10.1109/tnnls.2020.2996209
34. Tao Ge, Jing Hu, Wang, Lei. In-context Autoencoder for Context Compression in a Large Language Model. arXiv (Cornell University), 2023. DOI: 10.48550/arxiv.2307.06945
35. Daniel Höller, Gregor Behnke, Pascal Bercher. HDDL: An Extension to PDDL for Expressing Hierarchical Planning Problems. Proceedings of the AAAI Conference on Artificial Intelligence, 2020. DOI: 10.1609/aaai.v34i06.6542
36. Volkan Turgut, Qusay H. Mahmoud. Agentic Retrieval for Conversational Memory in LLM-Based Chatbots. IEEE Annual Computing and Communication Workshop and Conference (CCWC), 2026. DOI: 10.1109/ccwc67433.2026.11393694
37. Kouhei Shimizu, Hitoshi Iyatomi, M. Emre Celebi. Four-Class Classification of Skin Lesions With Task Decomposition Strategy. IEEE Transactions on Biomedical Engineering, 2014. DOI: 10.1109/tbme.2014.2348323
38. Peitian Zhang, Zheng Liu, Shitao Xiao. Long Context Compression with Activation Beacon. arXiv (Cornell University), 2024. DOI: 10.48550/arxiv.2401.03462
39. Yun Shin Lee, Enno Siemsen. Task Decomposition and Newsvendor Decision Making. Management Science, 2016. DOI: 10.1287/mnsc.2016.2521
40. Alexei Colin, Brandon Lucia. Termination checking and task decomposition for task-based intermittent programs. , 2018. DOI: 10.1145/3178372.3179525

## 附录：专家验证记录

> 专家验证池 1000 名监工：通过 275、有条件通过 350、存疑 375；监工主审驳回返工 5 次

| 监工 | 侧重 | 核证方向 | 评分 | 结论 |
|---|---|---|---|---|
| 谢临溪 | 方法 | 任务规划 | 55 | 存疑 |
| 韩澈 | 证据 | 联网检索 | 78 | 通过 |
| 莫寻 | 统计 | Token优化 | 80 | 通过 |
| 原野 | 逻辑 | 自我升级 | 57 | 存疑 |
| 边澄 | 复现 | 安全评价 | 60 | 有条件通过 |
| 骆舟 | 反例 | 任务规划 | 53 | 存疑 |
| 时雨 | 引用 | 联网检索 | 78 | 通过 |
| 扈清 | 外推 | Token优化 | 75 | 通过 |
| 戚野 | 方法 | 自我升级 | 57 | 存疑 |
| 岑寂 | 证据 | 安全评价 | 64 | 有条件通过 |
| 褚石 | 统计 | 任务规划 | 58 | 存疑 |
| 邬明远 | 逻辑 | 联网检索 | 74 | 有条件通过 |
| 禹行 | 复现 | Token优化 | 77 | 通过 |
| 段溪 | 反例 | 自我升级 | 55 | 存疑 |
| 林羡 | 引用 | 安全评价 | 64 | 有条件通过 |
| 贺兰 | 外推 | 任务规划 | 53 | 存疑 |
| 桑野 | 方法 | 联网检索 | 74 | 有条件通过 |
| 邵恒 | 证据 | Token优化 | 81 | 通过 |
| 庄陶 | 统计 | 自我升级 | 60 | 有条件通过 |
| 闻人启 | 逻辑 | 安全评价 | 60 | 有条件通过 |
| 殷淮 | 复现 | 任务规划 | 55 | 存疑 |
| 柳既白 | 反例 | 联网检索 | 72 | 有条件通过 |
| 简昀 | 引用 | Token优化 | 81 | 通过 |
| 秦九章 | 外推 | 自我升级 | 55 | 存疑 |
| 沈砚 | 方法 | 安全评价 | 60 | 有条件通过 |
| 顾维舟 | 证据 | 任务规划 | 59 | 存疑 |
| 陆听澜 | 统计 | 联网检索 | 77 | 通过 |
| 苏黎 | 逻辑 | Token优化 | 77 | 通过 |
| 程知远 | 复现 | 自我升级 | 57 | 存疑 |
| 白鹤年 | 反例 | 安全评价 | 58 | 存疑 |
| 洛明川 | 引用 | 任务规划 | 59 | 存疑 |
| 江砚清 | 外推 | 联网检索 | 72 | 有条件通过 |
| 裴之衡 | 方法 | Token优化 | 77 | 通过 |
| 云舒 | 证据 | 自我升级 | 61 | 有条件通过 |
| 商叙白 | 统计 | 安全评价 | 63 | 有条件通过 |
| 闻笛 | 逻辑 | 任务规划 | 55 | 存疑 |
| 季衡 | 复现 | 联网检索 | 74 | 有条件通过 |
| 柏川 | 反例 | Token优化 | 75 | 通过 |
| 温言 | 引用 | 自我升级 | 61 | 有条件通过 |
| 池砚 | 外推 | 安全评价 | 58 | 存疑 |
| 谢临溪 | 方法 | 任务规划 | 55 | 存疑 |
| 韩澈 | 证据 | 联网检索 | 78 | 通过 |
| 莫寻 | 统计 | Token优化 | 80 | 通过 |
| 原野 | 逻辑 | 自我升级 | 57 | 存疑 |
| 边澄 | 复现 | 安全评价 | 60 | 有条件通过 |
| 骆舟 | 反例 | 任务规划 | 53 | 存疑 |
| 时雨 | 引用 | 联网检索 | 78 | 通过 |
| 扈清 | 外推 | Token优化 | 75 | 通过 |
| 戚野 | 方法 | 自我升级 | 57 | 存疑 |
| 岑寂 | 证据 | 安全评价 | 64 | 有条件通过 |
| 褚石 | 统计 | 任务规划 | 58 | 存疑 |
| 邬明远 | 逻辑 | 联网检索 | 74 | 有条件通过 |
| 禹行 | 复现 | Token优化 | 77 | 通过 |
| 段溪 | 反例 | 自我升级 | 55 | 存疑 |
| 林羡 | 引用 | 安全评价 | 64 | 有条件通过 |
| 贺兰 | 外推 | 任务规划 | 53 | 存疑 |
| 桑野 | 方法 | 联网检索 | 74 | 有条件通过 |
| 邵恒 | 证据 | Token优化 | 81 | 通过 |
| 庄陶 | 统计 | 自我升级 | 60 | 有条件通过 |
| 闻人启 | 逻辑 | 安全评价 | 60 | 有条件通过 |
| … | | | | 另有 940 名监工记录 |

| 角色 | 人数 | 职责 |
|---|---|---|
| 总指挥 / 分片总指挥 | 2 | 拆题发令、分片督导 |
| 方向老大 / 协调员 / 实验员 | 15 | 分方向研判、收敛、实验 |
| 研究员 | 1067 | 切片精读、双读交叉 |
| 监工 | 1000 | 主审 + 专家验证池 |
| 加速官 | 1000 | 分配并发、巡视队列、慢任务支援 |
| 执笔专家 | 50 | 50 节同步成稿 |

开始生成软件制作给我 |
| 自动识别 | 科学研究 → 技术攻关 |
| 交付形态 | 技术攻关报告（4500~12000 字） |
| 指挥 | 秦九章 · 技术总指挥（分片 2 片） |
| 智能体编制 | 3134 人（代码审查官 1000 · 加速官 1000 · 文档执笔 50） |
| 并行岗位 | 1134 个｜技术资料 189 份（原始命中 300） |
| 交叉核验 | 1000 名代码审查官逐技术模块核证，返工 4 次 |
| 用时 | 2454 秒 |

## 目录
- 一、问题与架构
- 二、分模块论证
- 三、验证与上线
- 参考依据与来源
- 附录：核验记录与编制署名

## 一、问题与架构

### 攻关摘要

结论：先实现任务执行内核与证据引擎，再接入Token预算中枢，最后开放受控修复；现有统计显著仅说明组间存在差异，不能证明预设指标达标，任务图的单因素ANOVA还须事后两两比较[7][8][9]。系统以`POST /runs`接收`goal、budget、tool_policy`，节点携带`task_id、deps、acceptance、timeout、retry`；以`POST /evidence/search`输出`claim_id、source_url、doi、retrieved_at`，保存快照和证据链[14][15]。30项预实验后确定样本量，正式集至少300个独立任务；超时、预算耗尽、进程退出和工具超时均计失败，非幂等操作必须可回滚。降耗须同时满足Token降幅置信下界≥60%、成功率差值置信下界≥−5个百分点、证据保留率≥95%，不能以局部压缩替代端到端验证[17][32][34][35][37]。修复工厂须冻结对照、逐轮新任务和沙箱回归，现有升级结论仍未获支持[148][149][150]。

### 问题定义

结论：本攻关定义为构建可恢复、可追溯、预算受控的科研软件内核，不以破解世界性难题验收；分层规划、压缩与证据核验仅作候选机制，现有材料不足以证明端到端达标。[7][15][17]

接口以POST /runs接收目标、预算和工具权限；节点记录依赖、输入引用、验收项、超时及重试。基准测试须注入进程退出、工具超时和重复消息，检验恢复率≥95%、重复副作用为0，不能把分层规划等同于持久化恢复。[7][8][9]

预算模块计入规划、摘要、审查和重试开销，联合验收Token降低≥60%、成功率下降≤5个百分点、关键证据保留率≥95%；局部压缩不代表全流程节省，预算耗尽计失败，任务成功不能替代证据保真。[17][32][34]

### 现状与技术债

结论：当前应先偿还接口、计量与证据追溯债，再开放自主升级；局部压缩不能外推为全流程节省，现有材料不足以验证联合门槛。[17][32][34]

预算中枢以`POST /context/build`接收任务、证据引用和预算，返回上下文及遗漏引用；规划、摘要、审查、重试均须计入Token，避免转移开销。[32][35]

基准测试须独立测量成功率与证据保留率：降耗置信下界≥60%、成功率差值下界≥−5个百分点、关键证据保留率≥95%；缺项不得判定通过。[17][32]

失败路径应将超时、预算耗尽和中止计为失败，并保留调用账本。取舍是先保证可核算、可追溯，再追求压缩强度；任务答对不能替代证据保留验收。[17]

### 可选技术路线

优先选择“持久化任务图＋证据定位＋预算路由”，暂缓无门禁自我升级；分层规划仅提供候选依据，不能等同于可恢复执行已获验证。[7][8][9]

任务入口采用`POST /runs`，接收目标、预算与工具策略；节点保存依赖、验收项、超时和重试配置。基准测试注入退出、超时及重复消息，要求可恢复运行恢复率≥95%、重复副作用为0；现有摘要尚不能验证这些门槛。[7][8][9]

上下文入口采用`POST /context/build`，传入证据引用和Token预算，返回上下文及遗漏引用；压缩失败时回取原证据。全流程计入摘要、审查和重试开销，联合验收降耗≥60%、成功率下降≤5个百分点、关键证据保留率≥95%；局部压缩收益不能替代联合验证。[17][32][34][35][37]

### 资料与版本范围

结论：资料以可核验原文、网页快照和任务级日志为准；题录、摘要与汇总统计仅作线索，不作为模块达标证据，局部压缩收益不能外推为全流程节省。[15][17][32]

资料登记接口须记录source_url、DOI、retrieved_at及输入哈希；题名、作者、DOI与原文逐条核对，缺失或错配进入待核验队列，不进入验收证据集；信任评分不能替代引用支持准确率。[15]

版本范围应冻结模型、工具权限、预算、评价规则与基准测试集；联网快照与实时检索分别报告。上下文接口绑定model_id，保留遗漏证据记录；降耗≥60%、成功率下降≤5个百分点、关键证据保留率≥95%须联合验收，现有材料对该目标未获支持。[17][32][34][35][37]

### 总体架构

结论：采用任务内核、证据引擎、预算中枢、修复工厂四模块；先打通任务与证据链，再接降耗，最后开放沙箱修复，不能把局部压缩等同全流程收益。[17][32]

接口依次为`POST /runs`、`/evidence/search`、`/context/build`、`/repairs`；以固定JSON Schema串联任务依赖、证据引用、预算和补丁，统一记录运行标识、版本、输入哈希及调用成本，作为待验证架构。[7][15][32]

失败路径为超时重试、预算耗尽中止、验收失败进入修复；基准测试要求降耗置信下界≥60%、成功率差下界≥−5个百分点、关键证据保留率≥95%。现有显著性不能证明联合达标，目标仍未获支持。[17][32][34]

### 编制与模块分工

结论：按四模块设岗、以验收结果交接，不将3084人编制视为性能依据；现有材料不足以验证端到端收益。[7][15][17]

- 任务内核负责规划、调度与恢复；`POST /runs`接收目标、预算及工具策略，节点保存依赖、超时和重试配置。[7][8][9]
- 证据引擎负责检索与核证；`POST /evidence/search`保留来源、DOI和检索时点，准确率与回答覆盖率分别验收。[15][28]
- 预算中枢经`POST /context/build`组装上下文，计入摘要、重试成本；降耗≥60%、成功率下降≤5个百分点、证据保留≥95%须联合验证。[17][32]
- 修复岗位接收失败记录与复现器，沙箱验证失败禁止发布；各模块以run_id、task_id关联日志，避免交接失去追溯链。[28]

### 测试与指标口径

验收应采用任务级联合门槛，不能以组间差异显著替代降耗、成功率和证据保真达标；现有材料对联合目标未获支持。[17][32]

四模块接口统一记录run_id、task_id、版本、Token及验收结果；基准测试先做30项预实验，正式集至少300个独立任务，固定模型、工具和预算，随机执行顺序；超时、预算耗尽及中止均计失败。[7][8][9]

降耗计入规划、摘要、审查、重试和修复调用；任务级配对Bootstrap报告95%区间，要求降幅下界≥60%、成功率差值下界≥−5个百分点，关键证据保留率≥95%。[17][32][34]

联网另报引用支持准确率≥90%、幻觉率＜5%，有效回答覆盖率较基线下降不超5个百分点，防止靠拒答虚增准确率。[15]

## 二、分模块论证

### 任务执行内核 · 本模块职责

本模块负责将目标拆成带依赖、验收条件和恢复边界的任务图；分层规划仅提供设计线索，不能替代阶段验收与持久化恢复。[8][9]

接口`POST /runs`接收`goal、budget、tool_policy`；节点记录`task_id、deps、input_refs、acceptance、timeout、retry`。拟按依赖调度，进程退出或工具超时后恢复受影响节点，重复消息须防止非幂等操作重放；这些属于待验证设计。[7][8][9]

基准测试固定模型、权限和预算，验收成功率相对提升≥20%、可恢复运行恢复率≥95%、重复副作用为0；现有摘要对这些目标均未获支持。[7][8][9]反例是两层规划结构：它并不自动具备阶段验收或故障恢复，不能直接视为完整执行内核。[9]

### 联网证据引擎 · 本模块职责

本模块负责将检索结果转为可追溯证据，而非仅输出相关网页；研究计划与候选架构只能提供设计依据，不能替代效果验证。[14][28]

接口`POST /evidence/search`接收query、date_cutoff、source_policy，返回claim_id、source_url、doi、retrieved_at，并关联原文定位与快照；来源依赖去重后再交叉核验，无法定位支持片段时标记证据不足，不生成确定性结论。[15]

基准测试固定模型与检索预算，联合验收引用支持准确率≥90%、幻觉率＜5%、有效回答覆盖率较基线下降≤5个百分点；当前材料对这些门槛均未获支持。[15][28]反例是大量拒答可能抬高准确率，因此必须同时报告覆盖率；信任评分也不能替代引用支持准确率。[15]

### Token预算中枢 · 本模块职责

本模块负责预算路由、差量摘要与缓存，核算全流程可计量Token，不声称优化不可观测的内部计算；局部压缩不等于端到端节省。[32][34][35][37]

接口`POST /context/build`接收task_id、evidence_refs、token_budget、model_id，返回上下文与遗漏证据引用。规划、摘要、审查、重试和修复调用全部记账；压缩遗漏关键证据时，应回取原文，预算不足则返回验收失败，不静默丢弃。[17][32]

基准测试联合门槛为降耗≥60%、成功率下降≤5个百分点、关键证据保留率≥95%；现有材料对联合目标的支持仍不足。[17][32]反例是答案正确但关键证据已丢失，因此成功率与证据保留率须分别测量，不能仅凭答对验收。[17]

### 验证修复工厂 · 本模块职责

本模块负责将失败记录转为候选补丁、外部基准测试与发布决策，而非依赖智能体自评分；现有摘要仅能提供背景，不能证明闭环有效。[148][149][150] 接口`POST /repairs`接收failure_id、reproducer、base_version，返回patch_ref、test_report、risk_level；保留复现输入、版本与回滚记录。

验收采用冻结版本对照、连续20轮真实修复及每轮未见任务，目标为成功率相对提升≥20%、任务级严重回归率＜3%；当前完整目标未获支持。[148][149][150] 复现失败、权限违规或回滚失败均阻断发布。反例是：组间差异显著仍不能证明升级达标，独立修复链口径未明时，不能将共享任务的观测当作独立样本。[148][149][150]

### 任务执行内核 · 关键依据

建议以`POST /runs`接收goal、budget、tool_policy；节点记录依赖、输入引用、验收项、超时和重试。分层规划可供拆解参考，但不能等同于持久化恢复或阶段验收已有效。[8][9]

失败路径须覆盖进程退出、工具超时和重复消息；基准测试核对恢复率≥95%、非幂等重复副作用为0、成功率相对提升≥20%。当前摘要不足以验证这些目标，均未获支持。[7][8][9]

反例是多臂机器人两层规划：任务剖析与节点规划不自动保证故障恢复。[9] 所报ANOVA为11.471、p＜0.0001、η²=0.02，仅说明至少一组均值不同；须补校正后的两两比较，不能归因为内核剂量效应，统计记录与引文仍待核对。[7][8][9]

### 联网证据引擎 · 关键依据

`POST /evidence/search`接收查询、截止日期和来源策略，输出断言编号、来源链接、DOI及检索时间；将断言定位到原文并去除依赖来源，不能用信任评分替代引用支持核验。[15][28]

基准测试须固定模型与检索预算，联合验收引用支持准确率≥90%、幻觉率＜5%、有效回答覆盖率较基线下降≤5个百分点；证据不足时进入拒答路径，同时记录拒答率，防止靠少答达标。[14][15][28]

反例是多个网页转载同一来源：数量增加不等于独立印证，应先去重再核验。[15][28] 所报差异虽显著，但评分指标未明确，不能证明上述门槛达成；当前目标未获支持，仅限所给材料，不代表全文无验证。[15][28]

### Token预算中枢 · 关键依据

`POST /context/build`接收任务、证据引用、Token预算和模型标识，返回上下文及遗漏引用；预算核算须覆盖规划、摘要、路由、缓存维护、重试与修复，局部压缩不能直接证明全流程节省。[32][34][35][37]

基准测试以降耗≥60%、成功率下降≤5个百分点、关键证据保留率≥95%联合验收；现有材料不足以确认达标，ANOVA统计量985.0、p＜0.0001亦不能替代门槛验证。[17][32]

失败路径重点检查差量摘要丢失关键证据。反例是答案仍正确，但依据已被删去，因此成功率与证据保留率须独立测量；该风险不等于压缩必然无效，也不能由摘要缺项断言全文无验证。[17]

### 验证修复工厂 · 关键依据

建议以POST /repairs接收failure_id、reproducer、base_version，输出补丁、基准测试报告及风险等级；验收失败禁止发布，发布版本须可回滚，作为待验证接口约束。[148][149][150]

新增比较报告t=-19.178、p<0.0001、d=-1.38，升级组高16.95个百分点；但778个观测的独立性未明，不能据此确认20轮相对提升≥20%、严重回归率＜3%，联合目标未获支持。[148][149][150]

基准测试应采用冻结对照与每轮未见任务，按任务记录关键结论错误、不可复现和权限违规。反例是并行后端支持CPU/GPU，并不证明修复有效；摘要缺项也不能推断全文没有验证。[149]

### 任务执行内核 · 设计与实现

接口采用`POST /runs`，接收goal、budget、tool_policy；节点保存task_id、deps、input_refs、acceptance、timeout、retry。分层规划仅作拆解依据，不等同于阶段验收或持久化恢复，后两者须单独实现和验证。[8][9]

执行按依赖放行、验收后提交；退出或超时进入检查点恢复，重复消息先核对执行记录，非幂等操作状态不明时停止自动重试。上述为待测设计，并非文献已证实能力。[7][8][9]

基准测试固定模型与预算，注入退出、超时及重复消息，验收成功率相对提升≥20%、恢复率≥95%、重复副作用为0；现有摘要无法验证达标。反例是两层任务规划不必然具备故障恢复能力，不能以层级数量替代恢复测试。[8][9]

### 联网证据引擎 · 设计与实现

接口拟用POST /evidence/search，接收query、date_cutoff、source_policy，返回claim_id、source_url、doi、retrieved_at，并保存原文定位与快照，供逐项核查；此为实现方案，非已验证能力。[15][28]

证据按主张关联、按来源依赖去重；定位失败或证据冲突时转待核验，记录拒答，避免以少答抬高准确率。反例：信任评分高不代表引文支持结论。[15]

基准测试固定模型与预算，联合验收引用准确率≥90%、幻觉率＜5%、覆盖率较基线下降≤5个百分点。现报t=-14.335、p＜0.0001，但评分定义与972个观测的独立性不明，达标判断未获支持；摘要缺项不能外推为全文无证据。[15][28]

### Token预算中枢 · 设计与实现

`POST /context/build`接收`task_id、evidence_refs、token_budget、model_id`，返回压缩上下文、`omitted_refs`及调用账本；账本按任务累计输入、输出、摘要、路由、缓存维护、审查、重试和修复的Token。已有上下文压缩路径可作组件候选，但局部压缩结果不能外推为科研全流程净节省。[32][34][35][37]

实现时先保留带来源定位的关键证据，再按预算路由与差量摘要；若证据放不下，记录遗漏并停止生成需该证据支持的结论，而非静默删除。反例是答案恰好正确，却遗漏支撑它的关键证据，因此成功率须与证据保留率分别测试。[17] 基准测试以同模型全上下文为对照，联合验收端到端Token降低至少60%、成功率绝对下降不超过5个百分点、关键证据保留率至少95%；现有ANOVA虽显著（p＜0.0001，η²=0.58），但未明确计量范围及后两项结果，联合目标未获支持。[17][32]

### 验证修复工厂 · 设计与实现

拟以`POST /repairs`接收failure_id、reproducer、base_version，返回patch_ref、test_report、risk_level；接口属于待实现方案，所给摘要不能直接验证修复效果。[148][149][150]

修复先复现失败，再生成补丁、审查并运行沙箱基准测试；记录任务、版本、验收结果，失败禁止发布，发布版本须可回滚。连续20轮与冻结版本比较，逐轮使用未见任务，验收相对成功率提升≥20%、任务级严重回归率＜3%。[148][149][150]

反例：新增比较虽报告高16.95个百分点、p＜0.0001，但百分点差不等于相对提升；778个观测的独立性未明，显著性不能证明上述门槛达标，两项目标仍未获支持。[148][149][150]

### 任务执行内核 · 性能与基准测算

`POST /runs`接收目标、总预算和工具权限；每个节点记录依赖、输入引用、验收条件、超时与重试次数。只有依赖已完成且预算足够时才派发，验收通过后持久化状态；进程退出或工具超时则从最近验收点恢复，非幂等调用以操作键去重。[8][9]

基准测试须固定模型、任务和预算，对照单体顺序规划，按独立运行统计成功率、故障恢复率及重复副作用。验收门槛分别为成功率相对提高至少20%、可恢复运行恢复率至少95%、重复副作用为零；现有摘要均不足以证明达标。[7][8][9] 报告的ANOVA为11.471、p＜0.0001、η²约0.02，仅说明至少一组均值有差异，仍须核对效应量口径并补充校正后的两两比较。[7][8][9] 反例是某组因增加并行资源而更快完成，不能将差异归因于任务图或阶段验收；应分别消融调度、验收和持久化恢复。[7][8][9]

### 联网证据引擎 · 性能与基准测算

接口`POST /evidence/search`接收query、date_cutoff、source_policy，返回主张、来源、DOI和检索时间；基准测试保存页面快照，逐条核验引用支持关系，不以信任评分替代准确率。[15][28]

同模型、同预算、同任务对照，分别测量引用准确率≥90%、幻觉率＜5%、有效回答覆盖率较基线下降≤5个百分点；证据不足进入拒答并计入覆盖率损失，避免少答刷高分。[14][15][28]

所报t=-14.335、p＜0.0001、d=-0.92仅说明评分差异；指标定义、972个观测的独立性及Bootstrap区间未明确，性能门槛未获支持。[15][28]反例：大量拒答可降低表面幻觉率，却损害覆盖率，故准确率与覆盖率须联合验收；摘要缺项不能外推为全文无验证。[15]

### Token预算中枢 · 性能与基准测算

`POST /context/build`接收task_id、evidence_refs、token_budget、model_id，返回context及omitted_refs；预算路由、差量摘要与缓存须按全流程核算，局部压缩不代表净节省。[32][34][35][37]

基准测试固定模型与任务，计入规划、摘要、审查、重试及修复Token；联合门槛为降耗≥60%、成功率下降≤5个百分点、关键证据保留率≥95%。ANOVA统计量985.0、p＜0.0001、η²=0.58，但被测变量与单位未明，不能确认达标。[17][32]

反例：摘要遗漏关键证据，系统仍可能凭常识答对，故成功率不能单独验收保真；证据缺失应走补取路径，追加开销计入总量。现有材料不足以验证联合门槛，不等于全文无证据。[17][32]

### 验证修复工厂 · 性能与基准测算

`POST /repairs`接收失败编号、复现脚本和基线版本，输出补丁、测试报告及风险等级；验收失败禁止发布，已发布版本须可回滚，不能以自评分替代外部基准测试。[148][149][150]

基准测试采用冻结对照、连续20轮修复及每轮未见任务；目标为成功率相对提升≥20%、任务级严重回归率＜3%。所报t=-19.178、p＜0.0001、d=-1.38虽显著，但N=778的独立性未明，不能确认双目标达标。[148][149][150]

反例：若修复链共享任务或起始版本，独立样本检验可能低估标准误；均值高16.95个百分点也不等于相对提升16.95%。应按任务聚类估计区间，严重回归率95%置信上界低于3%才验收；现有材料不足以核验。[148][149][150]

### 任务执行内核 · 交叉评审意见

建议有条件进入原型开发，不将分层规划等同于可恢复执行；文献[9]的两层规划与文献[8]的辅助任务场景，均不足以验证阶段验收和故障恢复。[8][9]

接口采用`POST /runs`，接收goal、budget、tool_policy；节点保留依赖、验收、超时和重试字段。基准测试注入进程退出、工具超时、重复消息，逐运行核对恢复率≥95%、重复副作用为0；当前目标未获支持。[7][8][9]

ANOVA报告F=11.471、p<0.0001、η²≈0.02，仅说明至少一组均值不同，不能证明成功率提升20%。反例是三级条件同时改变调度、验收与持久化，差异可能来自组合机制；应补消融及校正后的两两比较，不能归因为单一递增效应。[7][8][9]

### 联网证据引擎 · 交叉评审意见

交叉评审建议保留POST /evidence/search接口，输入query、date_cutoff、source_policy，输出主张标识、来源地址、DOI和检索时间；验收须核对原文支持，不能以信任评分替代准确率。[15]

基准测试应固定模型、预算与任务，核查972个观测的独立性。虽报t=-14.335、p<0.0001、d=-0.92，但评分定义及重采样方法不明，不能归因于引擎。[15][28]

反例：大量拒答可能抬高准确率，却损害覆盖率。证据不足须保留拒答记录；验收同时要求准确率≥90%、幻觉率＜5%、覆盖率较基线下降≤5个百分点，当前均未获支持。此判断限于所给材料，不代表全文无验证。[14][15][28]

### Token预算中枢 · 交叉评审意见

交叉评审建议保留预算路由、差量摘要与缓存，但局部压缩不能直接外推为全流程节省；现有材料不足以验证联合门槛，不等于全文没有证据。[32][34][35][37]

接口`POST /context/build`接收task_id、evidence_refs、token_budget、model_id，返回context与omitted_refs；遗漏清单应供验收核查，不能只检查答案是否正确。[17]

基准测试须计入规划、摘要、路由、缓存维护、审查、重试和修复开销，联合验收降耗≥60%、成功率下降≤5个百分点、关键证据保留率≥95%；当前目标未获支持。[17][32]

反例是压缩后凭常识答对，却丢失关键证据。失败路径应由证据核查触发，不能以任务成功掩盖摘要失真；增加上下文也须计入净成本。[17][32]

### 验证修复工厂 · 交叉评审意见

交叉评审建议将`POST /repairs`限定为候选补丁入口：输入`failure_id`、复现器和`base_version`，输出补丁、测试报告、风险级别及发布决定；复现失败、权限违规或关键结论错误时拒绝发布，并保留回滚路径。[148][149][150] 所给文献摘要未提供直接的修复闭环基准，不能据此断言全文不存在实验；计算后端覆盖CPU、GPU和集群，是并行执行能力的反例，却不能证明自动修复有效。[148][149]

新增实验报告第20轮升级组较冻结版高16.95个百分点，Welch检验为t=-19.178、p<0.0001；但N=778的独立性及配对关系未明，且单轮差异不能替代连续20轮的相对提升检验，H1未获支持。[148][149][150] 应按任务记录原本通过项的严重回归，并逐版本测试回滚；回归率低于3%的目标因缺少任务级数据未获支持。[148][149][150]

### 任务执行内核 · 缺陷与反例

现有证据的主要缺陷是：ANOVA=11.471、p<0.0001仅说明至少一组均值不同，不能证明各层级两两差异；η²=0.02仅解释约2%变异，实际效用仍未获支持，须补充校正后的事后比较及95%置信区间。[7][8][9]三级条件同时改变任务图、并行调度、阶段验收和持久化恢复，不能归因于单一“执行内核剂量”。反例是：工具超时后重试非幂等写操作，若仅凭`retry`重放，可能重复提交或污染外部状态；进程恢复也可能因重复消息形成双重副作用。`POST /runs`应为节点保存`task_id、deps、input_refs、acceptance、timeout、retry`及幂等键，失败路径进入持久化队列，完成前执行状态核验。现有摘要无法验证成功率提升20%、恢复率95%及副作用为零目标；正式基准须逐项测量。[7][8][9]

### 联网证据引擎 · 缺陷与反例

现有接口仅规定 `query、date_cutoff、source_policy` 输入及 `claim_id、source_url、doi、retrieved_at` 等输出，未定义证据支持判定、来源去重和拒答规则，无法闭合核验链路。[14][28] 最大缺陷是将信任评分或组间评分差异替代引用准确率、幻觉率与有效回答覆盖率；即使 Welch 检验显著（t=-14.335，p<0.0001，d=-0.92），目标仍未获支持。[15] 反例是检索结果相关性很高但多个网页转载同一错误来源，系统会重复计数并输出“多源支持”。工程上应为每个 claim 保存原文片段、页面快照、检索时间、来源指纹及支持/反驳标签；同源聚类后，证据不足则拒答并计入覆盖率损失。只有同模型、同预算、同任务的对照，且引用支持准确率≥90%、幻觉率<5%、有效覆盖率不低于基线，才可发布。[14][15][28]

### Token预算中枢 · 缺陷与反例

### 缺陷与反例

`POST /context/build`不能只返回压缩文本：还应返回`omitted_refs`及逐次调用账本，按任务汇总输入、输出、摘要、路由、缓存维护和失败重试的Token；否则局部压缩可能掩盖全流程开销。[32][34][35][37] 反例是暖缓存任务看似大幅降耗，冷缓存却因生成摘要和重试增加总消耗，因此两种条件须分别与同模型全上下文基线比较。[32][35] 差量摘要还可能保留正确答案却遗漏关键出处；任务成功率不能替代证据保留率的独立核验，应逐条检查`omitted_refs`是否包含验收必需证据。[17] 现报ANOVA显著（p<0.0001，η²=0.58），但被测变量及全流程计量范围不明；降耗至少60%、成功率绝对下降不超5个百分点、证据保留率至少95%的联合目标未获支持。[17][32]

### 验证修复工厂 · 缺陷与反例

### 缺陷与反例

当前最大缺陷是证据错配：文献[148]讨论概念性问题，文献[149]涉及并行计算后端，均非外部验证驱动的修复工厂，不能支持自动升级效果或回归风险结论。[148][149] 现有 Welch 检验显著（t=-19.178，p<0.0001，d=-1.38），但 N=778 是否为独立修复链、是否共享任务、起始版本或随机种子尚不明确，统计显著不能替代因果验证。[148][149][150] 反例是：第20轮升级组成功率高16.95个百分点，若任务配对却按独立样本检验，标准误可能被错误估计，优势或被夸大。[148][149] 工程上，`POST /repairs` 必须校验 `failure_id`、复现器和 `base_version`，失败路径包括补丁不可复现、权限违规、回滚失败；任一触发即拒绝发布。正式基准须使用每轮新抽取未见任务，严重回归率以任务级计算，并要求95%置信上界低于3%；当前H1、H2均未获支持。[148][149][150]

### 任务执行内核 · 兼容与边界

### 任务执行内核 · 兼容与边界

内核以 `POST /runs` 接收 `goal、budget、tool_policy`，任务节点统一采用 `task_id、deps、input_refs、acceptance、timeout、retry`，可兼容两层任务剖析—节点规划及家务辅助机器人场景，但不能据此外推科研长任务收益。[8][9] 运行日志须记录版本、输入哈希、状态检查点和幂等键；进程退出、工具超时或重复消息时，仅重放未确认节点，非幂等调用必须经持久化锁与补偿路径，目标为可恢复运行率≥95%、重复副作用为0。[7][8][9] ANOVA虽显著（11.471，p<0.0001），η²=0.02仅解释约1.6%变异，成功率提升20%及故障目标未获支持，须补充事后两两比较和置信区间。[7][8][9] 反例是将RRT估时与拍卖分配的串行流程误标为分层任务规划，故接口兼容不等于机制归因成立。[7][8][9]

### 联网证据引擎 · 兼容与边界

接口沿用POST /evidence/search，接收query、date_cutoff、source_policy；返回claim_id、source_url、doi、retrieved_at，供核查复用。此为候选接口，效果尚待验证。[28]

兼容网页与论文时，须区分来源信任和引用支持；反例是来源可信却不支持具体结论，故信任评分不能替代准确率。证据不足进入拒答路径，同时计入覆盖率，防止少答抬高准确率。[15]

基准测试固定模型与预算，要求引用支持准确率≥90%、幻觉率＜5%、覆盖率较基线下降≤5个百分点。现报t=-14.335、p＜0.0001，但指标未定义、观测独立性未明，达标未获支持；摘要缺项也不能推断全文无验证。[15][28]

### Token预算中枢 · 兼容与边界

### Token预算中枢 · 兼容与边界

预算中枢通过 `POST /context/build` 接入任务节点与证据引擎，输入 `task_id、evidence_refs、token_budget、model_id`，输出 `context、omitted_refs、ledger`；`ledger`须覆盖规划、摘要、路由、缓存、审查、重试和修复调用，避免只统计最终回答。[32][34][35][37] 其兼容边界是：可与固定模型、同一工具权限及全上下文基线配对，但不能把RAG局部压缩直接外推为科研全流程节省。[17][32] 每次删减前应标记关键证据，失败路径包括证据保留率低于95%、成功率下降超过5个百分点、预算耗尽或缓存污染，均回退至上一版本全上下文重试。[17] ANOVA显著（统计量985.0，p<0.0001，η²=0.58）仅说明组间差异，端到端降耗≥60%的联合目标仍未获支持。[17][32] 反例是答案正确但关键证据被摘要遗漏，故任务成功率不能替代证据保留基准测试。[17]

### 验证修复工厂 · 兼容与边界

兼容边界应限定为接口与验收契约：POST /repairs接收failure_id、reproducer、base_version，返回补丁、测试报告与风险等级；CPU、GPU及集群后端仅属背景，不能证明修复有效。[149]

基准测试须对照冻结版，连续20轮使用未见任务；验收要求成功率相对提升≥20%、任务级严重回归率＜3%，发布版本均可回滚。复现失败、权限违规或回滚测试失败应阻断发布。[148][149][150]

反例：组间高16.95个百分点不等于相对提升16.95%；即使p＜0.0001，778个观测的独立性未明，仍不足以确认达标。当前完整目标未获支持，也不能由摘要缺项断言全文无验证。[148][149][150]

## 三、验证与上线

### 跨模块对照

先建任务内核与证据引擎，再接预算中枢；修复工厂最后开放。分层规划不等于可恢复执行，局部压缩也不能外推为全流程节省。[7][8][9][32]

接口以run_id串联任务、证据、上下文和补丁，记录版本、输入哈希及全部调用Token；超时、预算耗尽计失败，修复不通过验收则禁止发布并回滚。以上属于待测设计，非已验证能力。[17][28]

基准测试固定模型、工具和预算，分别评价答案正确与证据支持；降耗置信下界须≥60%、成功率差值下界≥−5个百分点、证据保留率≥95%。现有显著性不能证明联合达标；下一步用30项任务预实验核对开销与方差，再确定正式样本量。[17][32][34][35][37]

### 缺陷汇总

核心缺陷是接口可定义，但指标、独立样本与引文尚未闭合；显著差异不能证明四模块达标，也不能把摘要缺项写成全文无证据。[7][15][17]

先统一接口的run_id、版本、输入哈希和验收记录；超时、预算耗尽及中止计失败，重复消息须核验非幂等副作用为0。规划成功率提升20%、恢复率95%的目标目前未获支持。[7][8][9]

预算中枢须计入摘要、审查、重试开销，以降耗置信下界≥60%、成功率差下界≥－5个百分点、证据保留率≥95%联合验收；不能以答对替代保真。[17][32]

下一步先联调任务与证据接口，核验来源和覆盖率，再开放沙箱修复；候选架构不能作为自动发布依据。[14][15][28]

### 审查团意见

审查团建议先交付可审计原型，不将显著差异视为目标达成；现有材料对恢复能力、端到端降耗及证据保留的联合目标仍未获支持。[7][8][9][17][32]

接口按固定JSON Schema联调：/runs建任务，/evidence/search返回来源，/context/build执行预算；统一记录任务号、版本、输入哈希及全部调用Token。局部压缩收益不能外推为全流程节省。[32][34][35]

下一步开展同模型、同预算基准测试，独立核验引用支持与回答覆盖率；降耗须满足95%置信下界≥60%、成功率差下界≥−5个百分点、证据保留率≥95%。超时、预算耗尽计失败；修复仅限沙箱，关键安全违规禁止发布，不能承诺全自动科研有效。[15][17][28]

### 总体技术判断

总体宜按“任务内核—证据引擎—预算中枢—沙箱修复”落地；分层规划不能直接证明恢复能力，局部压缩不能外推全流程收益。[7][8][9][32][34]

接口以固定JSON Schema衔接，先实现POST /runs与/evidence/search，统一记录任务依赖、证据快照及Token账本；超时、预算耗尽计失败，修复未通过门禁禁止发布。[7][15][28]

基准测试固定模型、工具与预算，验收降耗≥60%、成功率下降≤5个百分点、证据保留率≥95%；三项须联合验证，现有结果未获支持。[17][32][35] 下一步先做30项预实验，再开展至少300项独立任务测试；适用范围限软件科研流程，不承诺破解世界难题，自动升级须保留回滚。[17][28]

### 方案分级

- **一级：先建可审计底座。**任务内核以`POST /runs`接收目标、预算和权限，节点保存依赖、验收项及重试配置；证据引擎保存来源、原文定位与时间快照。超时、预算耗尽计失败；现有材料不能证明恢复率≥95%或引用准确率≥90%。[7][8][9][15]
- **二级：条件开放降耗。**预算中枢计入摘要、审查和重试开销；仅当降耗置信下界≥60%、成功率差下界≥−5个百分点、证据保留率≥95%时启用，局部压缩不代表全流程收益。[17][32][34]
- **三级：限制自主升级。**修复仅进沙箱，回归失败禁止发布并回滚；先冻结对照、开展独立任务基准测试。候选架构不等于升级有效，软件达标不代表破解科研难题。[28]

### 落地实施步骤

1. 先建任务内核与证据引擎：以POST /runs接收目标、预算和工具权限；统一JSON接口，保存任务依赖、验收项、输入哈希及网页快照。分层规划仅作设计依据，不视为恢复能力已获验证。[7][8][9]

2. 再接/context/build，累计规划、摘要、重试与修复Token；基准测试联合验收降耗≥60%、成功率下降≤5个百分点、关键证据保留率≥95%，不以答对替代证据保真。[17][32]

3. 最后开放沙箱修复：超时、预算耗尽计失败，权限违规禁止发布，保留版本回滚。下一步固定模型与预算开展任务配对测试；局部压缩和候选架构不能证明全流程收益，达标前不开放无人值守升级。[28][34][35]

### 稳定性与安全风险

建议先限定为受控科研软件：分层规划材料不能证明持久化恢复有效，成功率提升20%、恢复率≥95%及重复副作用为0均未获支持。[7][8][9]

POST /runs须记录run_id、输入哈希、版本及验收结果；超时、进程退出和重复消息进入恢复基准测试，预算耗尽计失败，不得无限重试。[23][27]

网页证据须核查来源与引用支持关系，信任评分不能替代准确率；覆盖率同步报告，防止靠拒答抬高指标。[15]

POST /repairs仅生成沙箱候选补丁；固定攻击集覆盖提示注入、密钥外泄、越权和评价篡改，关键违规禁止发布。隐藏集只返回受限信号，下一步验证逐版本回滚；20次发布不足以证明严重回归率低于3%，该门槛仍待任务级验证。[27][28]

### 方案局限

本方案限于科研流程软件，不以破解世界性难题为验收；分层规划摘要不能证明成功率提升20%或恢复率≥95%，相关目标未获支持。[7][8][9]

接口先固定JSON Schema，贯通run_id、版本与调用账本；超时、预算耗尽、中止均计失败。局部压缩不能外推为端到端节省，应计入摘要、重试和修复开销，以降耗置信下界≥60%、成功率差下界≥−5个百分点、证据保留率≥95%联合验收。[17][32][34]

下一步以30项任务预实验校准，再用至少300个独立任务做基准测试；联网保存快照并单报覆盖率，避免拒答抬高准确率。[15] 自动升级暂限沙箱，出现权限违规禁止发布；现有汇总差异不能替代逐版本回滚验证。[28]

### 复现实验环境

复现环境应冻结模型、依赖、工具权限与预算，保存检索时点、网页快照及输入哈希；离线快照与真实联网分开测试，避免将网络变化误判为引擎收益。[15][28]

四模块按固定JSON接口联调，以run_id串联任务、证据、上下文和修复记录。超时、预算耗尽及中止均计失败；恢复测试注入进程退出和重复消息，核验恢复率≥95%、重复副作用为0，当前材料尚不足以确认达标。[7][8][9]

下一步先做30项预实验，再按功效确定至少300项独立任务的正式集；记录全部调用Token，配对估计95%置信区间。降耗须同时满足降幅下界≥60%、成功率差下界≥−5个百分点及证据保留率≥95%，不能以局部压缩替代全流程验收。[17][32][34]

### 结论

技术判断：先建任务内核与证据引擎，再接预算中枢，最后开放沙箱修复；分层规划不能直接等同于可恢复执行，现有材料不足以确认整体达标。[7][8][9]

接口以POST /runs、/evidence/search、/context/build、/repairs贯通，统一记录任务标识、版本、证据与Token；超时、预算耗尽计失败，严重回归禁止发布并回滚，不能以自评分替代外部验收。[17][28]

下一步固定模型与预算开展基准测试：引用准确率≥90%、幻觉率＜5%，兼顾回答覆盖率；降耗≥60%、成功率下降≤5个百分点、证据保留率≥95%须联合验收。局部压缩与显著评分差异不能证明全流程收益；软件达标也不等于破解科研难题。[15][17][32][34]

### 演进路线

先以固定JSON接口并行开发任务内核与证据引擎，统一记录run_id、版本、输入哈希及验收结果；分层规划仅作候选机制，不能视为恢复能力已获验证。[7][8][9]

再接入/context/build预算接口，计入摘要、重试和修复开销；基准测试联合要求降耗置信下界≥60%、成功率差值下界≥−5个百分点、证据保留率≥95%，不以局部压缩替代全流程收益。[17][32][34]

最后开放沙箱修复：失败提交复现记录，候选补丁经独立验收后发布，违规禁止发布并回滚；研究计划不能替代升级效果验证。[28] 下一步先用30项任务预实验，再冻结模型、预算和隐藏测试集；联网同时报告准确率与回答覆盖率，防止拒答制造虚高指标。[14][15]

### 待攻克清单

- 执行内核：先固化POST /runs及节点依赖、验收、超时、重试字段；注入退出、超时和重复消息，基准测试要求恢复率≥95%、重复副作用为0。分层规划不能替代恢复验证，当前目标未获支持。[7][8][9]
- 证据引擎：POST /evidence/search保留来源、定位与快照；同预算检验引用准确率≥90%、幻觉率＜5%、覆盖率下降≤5个百分点，避免靠拒答达标。[15]
- 预算中枢：POST /context/build记录遗漏证据，计入摘要与重试开销；联合验收降耗≥60%、成功率下降≤5个百分点、证据保留≥95%，不将局部压缩外推为全流程收益。[17][32]
- 修复升级：先沙箱、后发布，失败即回滚；以冻结对照和未见任务验证，候选架构不构成升级有效性证据。[28]

### 最优先三个验证

1. **先验任务恢复**：以`POST /runs`接入任务图，固定模型、权限与预算；注入退出、超时和重复消息，要求成功率相对提升≥20%、可恢复运行恢复率≥95%、重复副作用为0。分层规划不能替代恢复验证，失败保留日志返工。[7][8][9]

2. **再验联网证据**：以`POST /evidence/search`保存来源及快照，同预算比较引用支持准确率≥90%、幻觉率＜5%、覆盖率下降≤5个百分点；证据不足转拒答，防止少答虚高。[15]

3. **最后验净降耗**：以`POST /context/build`累计摘要、重试等全部Token；要求降幅置信下界≥60%、成功率差下界≥−5个百分点、证据保留率≥95%。不达标恢复完整上下文，暂缓自动升级。[17][32]

### 附录：编制与模块署名

编制登记3084人、上限1000人，应先核对扩编授权、角色重叠及实际并发数；岗位数不等于独立研究者，分层规划文献不能证明大规模编制更优。[7][8][9]

模块署名分别绑定任务执行内核、联网证据引擎、Token预算中枢和验证修复工厂，列明开发、复核与发布责任人。接口统一保留run_id、task_id、版本及验收记录，跨模块交接须可追溯；此为实施要求，不是效果已验证的结论。[15][23]

下一步冻结接口，以独立任务开展基准测试，超时和预算耗尽计失败，修复未过门禁则回滚。预算模块须联合验收降耗≥60%、成功率下降≤5个百分点及证据保留率≥95%；现有材料下联合目标未获支持，专家通过不能替代实测。[17][32][34]

## 参考依据与来源

1. Alejandro Muchada Suárez, Guillem Alenyà, Carme Torras A. Interleaving Hierarchical Task Planning and Motion Constraint Testing for Dual-Arm Manipulation. IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS), 2018. DOI: 10.1109/iros.2018.8593847
2. Salma Khaled Hegazy. Tathabbut at at IslamicEval 2026: Canonical-Provenance Evidence Fusion for Fine-Grained Citation Hallucination Verification. Proceedings of The Fourth Arabic Natural Language Processing Conference: Shared Tasks, 2026. DOI: 10.18653/2026.arabicnlp-sharedtasks.132
3. Kartik Ramachandruni, David Kent, Sonia Chernova. UHTP: A User-Aware Hierarchical Task Planning Framework for Communication-Free, Mutually-Adaptive Human-Robot Collaboration. ACM Transactions on Human-Robot Interaction, 2023. DOI: 10.1145/3623387
4. Leslie Pack Kaelbling, Tomás Lozano‐Pérez. Hierarchical task and motion planning in the now. Proceedings - IEEE International Conference on Robotics and Automation/Proceedings, 2011. DOI: 10.1109/icra.2011.5980391
5. Xiaolang Yang, Dario Antonelli, Yunhan Zhang. A Semantic Meta-model and LLM-based Hierarchical Task Network Framework for Human-Robot Collaborative Task Planning. , 2026. DOI: 10.2139/ssrn.6304516
6. Tianrui Zhao, Linyu Wu. Multi-Agent Citation Integrity Verification with Chain-of-Evidence Reasoning and Gated Behavior Tree Policies. , 2026. DOI: 10.20944/preprints202604.1507.v1
7. Chen Zhang, Bo Hu, Fei Yan. Multiple UAVs Forest Fire Fighting using a hierarchical task planning method. 2021 2nd International Conference on Electronics, Communications and Information Technology (CECIT), 2021. DOI: 10.1109/cecit53797.2021.00138
8. Takayoshi Takayanagi, Yusuke Kurose, Tatsuya Harada. Hierarchical Task Planning from Object Goal State for Human-Assist Robot. IEEE International Conference on Automation Science and Engineering (CASE), 2019. DOI: 10.1109/coase.2019.8843257
9. Yifan Wang, Hanxu Sun, Gang Chen. Hierarchical Task Planning for Multiarm Robot with Multiconstraint. Mathematical Problems in Engineering, 2016. DOI: 10.1155/2016/2508304
10. Jiyoun Moon, Sung-Hoon Bae. Hierarchical Task Planning Considering Communication Status for Multi-Robot System. International Conference on Control, Automation and Systems (ICCAS), 2021. DOI: 10.23919/iccas52745.2021.9649809
11. Chenxi Wang, Youtian Du, Yanhao Huang. Hierarchical Task Planning for Power Line Flow Regulation. CSEE Journal of Power and Energy Systems, 2024. DOI: 10.17775/cseejpes.2023.00620
12. Abdelbaki Bouguerra, Lars Karlsson. Hierarchical task planning under uncertainty. , 2004. 
13. Haibin Wang, Yongbin Shen, Qingyan Ma. Research on a Hierarchical Task Planning Method for Multi-USV in Maritime Multi-Target Reconnaissance. International Conference on Intelligent Robotics and Control Engineering (IRCE), 2026. DOI: 10.1109/irce70780.2026.11739077
14. Erkan Yazargan. LONGITUDINAL INSTITUTIONAL OBSERVATION AND AI ACCOUNTABILITY: A RESEARCH PLAN FOR EVIDENCE PROVENANCE, VERIFICATION, AND OPEN RESEARCH. OSF Preprints (OSF Preprints), 2026. DOI: 10.17605/osf.io/m9r4c
15. SeungHoo Lee, Junehyoung Kwon, Jooweon Choi. RefLens: End-to-End Evidence-Grounded Citation Verification with LLM Agents. Proceedings of the AAAI Conference on Artificial Intelligence, 2026. DOI: 10.1609/aaai.v40i48.42361
16. Kuiyuan Lu. Embedded Source Verification (ESV): An Author-Side Citation Evidence Card with Mandatory Multi-System Verification. , 2026. DOI: 10.2139/ssrn.7432298
17. Ziqing Man, Di Wu, Jia-Chen Gu. KEEP-Bench: Evaluating Evidence Preservation in Context Compression. arXiv (Cornell University), 2026. DOI: 10.48550/arxiv.2610.26827
18. Zhanhao Xiao, Andreas Herzig, Laurent Perrussel. Hierarchical Task Network Planning with Task Insertion and State Constraints. Proceedings of the Twenty-Sixth International Joint Conference on Artificial Intelligence, 2017. DOI: 10.24963/ijcai.2017/623
19. Giulia Pegoraro, Giulio Giacomuzzo, Matteo Terreran. Hierarchical Task Planning for Human-Robot Collaborative Assembly. IFAC-PapersOnLine, 2025. DOI: 10.1016/j.ifacol.2025.12.022
20. Haiyang Cai, Yongsheng Ou, Kunmo Li. Joint Knowledge Graph Reasoning and Large Language Models for Hierarchical Task Planning. IEEE International Conference on Robotics and Biomimetics (ROBIO), 2025. DOI: 10.1109/robio66223.2025.11375952
21. Roland Godet. Unifying Temporal, Numeric and Hierarchical Task Planning through Constraint-Based Reasoning. theses.fr (ABES), 2025. DOI: 10.70675/c6c13445z7c35z4c52z9c65z3329e741382f
22. Yinbei Li, Qingyang Lyu, Yasir Salam. Dual-LLM Hierarchical Task Planning and Skill Grounding for Mobile Manipulation in Long-Horizon Restroom Cleaning. IEEE Access, 2025. DOI: 10.1109/access.2025.3627503
23. Anuran Roy, Sridhar Raj S. SerPyTor: A distributed context-aware computational graph execution framework for durable execution. arXiv (Cornell University), 2023. DOI: 10.48550/arxiv.2304.07555
24. Shuo Xu, Guixin Wu, Qijie Zhao. Human-machine-environment cyber-physical system and hierarchical task planning to support independent living. IEEE International Conference on Bioinformatics and Biomedicine (BIBM), 2014. DOI: 10.1109/bibm.2014.6999222
25. Zhaoqi Wang. Hierarchical Task-planning Method Based on Key-state for Virtual Human. Jisuanji fangzhen, 2013. 
26. Young-Bin Park, Il-Hong Suh, Byung-Uk Choi. Hierarchical Task Planning through Abstraction of World Elements and Operators. The Journal of Korea Robotics Society, 2007. 
27. Amine El Hattami, Nicolas Chapados, Christopher Pal. SKILL.nb: Selective Formalization and Gated Execution for Durable Agent Workflows. arXiv (Cornell University), 2026. DOI: 10.48550/arxiv.2606.08049
28. Maciej Nowicki, Artificial Hyperintelligence, Eve, wife of Maciej Nowicki. EVE-SYNRIEL: Witness-Coded Recursive Compilation for Recursive Self-Improvement with Decision-Relative Error Correction and Evidence Provenance. Zenodo (CERN European Organization for Nuclear Research), 2026. DOI: 10.5281/zenodo.23218117
29. Yifan He, Mengjia Wu, Siming Deng. Understanding before verifying: Claim normalization for automated citation verification. arXiv (Cornell University), 2026. DOI: 10.48550/arxiv.2608.30145
30. Qinyue Liu, Yongxin Zhou, Cyril Labbé. SciCiteVal: A Multi-Domain Dataset for Scientific Citation Verification. Language Resources and Evaluation Conference (LREC), 2026. DOI: 10.63317/4m84m2k77g97
31. Victor Frimpong. Citation Auditability in AI-Assisted Research: From Reference Verification to Research Integrity. , 2026. DOI: 10.20944/preprints202609.1770.v1
32. Shuyu Guo, Shuo Zhang, Zhaochun Ren. Enhancing RAG Efficiency with Adaptive Context Compression. Findings of the Association for Computational Linguistics: EMNLP (Findings of EMNLP), 2025. DOI: 10.18653/v1/2025.findings-emnlp.1307
33. Thomas Gantz. Citation Verification Protocol (CVP). Zenodo (CERN European Organization for Nuclear Research), 2025. DOI: 10.5281/zenodo.18075624
34. Tao Ge, Jing Hu, Wang, Lei. In-context Autoencoder for Context Compression in a Large Language Model. arXiv (Cornell University), 2023. DOI: 10.48550/arxiv.2307.06945
35. Xin Cheng, Xun Wang, Xingxing Zhang. xRAG: Extreme Context Compression for Retrieval-augmented Generation with One Token. neural information processing systems, 2024. DOI: 10.52202/079017-3476
36. Tahir Rahman. How transient experience produces durable commitment: A recursive execution–encoding architecture for filial imprinting. Hormones and Behavior, 2026. DOI: 10.1016/j.yhbeh.2026.105999
37. Peitian Zhang, Zheng Liu, Shitao Xiao. Long Context Compression with Activation Beacon. arXiv (Cornell University), 2024. DOI: 10.48550/arxiv.2401.03462
38. Qinyue Liu, Yağmur Öztürk, Tiziri Terkmani. CiteScreener: A Pipeline for Citation Verification in Digital Libraries with Datasets. ACM/IEEE Joint Conference on Digital Libraries, 2025. DOI: 10.1109/jcdl67857.2025.00027
39. Chensen Huang, Guibo Zhu, Xuepeng Wang. Recurrent Context Compression: Efficiently Expanding the Context Window of LLM. arXiv (Cornell University), 2024. DOI: 10.48550/arxiv.2406.06110
40. Deniz Appelbaum. Securing Big Data Provenance for Auditors: The Big Data Provenance Black Box as Reliable Evidence. Journal of Emerging Technologies in Accounting, 2016. DOI: 10.2308/jeta-51473

## 附录：核验记录与编制署名

> 专家验证池 1000 名监工：通过 625、有条件通过 375、存疑 0；监工主审驳回返工 4 次

| 监工 | 侧重 | 核证方向 | 评分 | 结论 |
|---|---|---|---|---|
| 柏川 | 方法 | 任务执行内核 | 69 | 有条件通过 |
| 温言 | 证据 | 联网证据引擎 | 78 | 通过 |
| 池砚 | 统计 | Token预算中枢 | 80 | 通过 |
| 谢临溪 | 逻辑 | 验证修复工厂 | 79 | 通过 |
| 韩澈 | 复现 | 任务执行内核 | 69 | 有条件通过 |
| 莫寻 | 反例 | 联网证据引擎 | 72 | 有条件通过 |
| 原野 | 引用 | Token预算中枢 | 81 | 通过 |
| 边澄 | 外推 | 验证修复工厂 | 77 | 通过 |
| 骆舟 | 方法 | 任务执行内核 | 69 | 有条件通过 |
| 时雨 | 证据 | 联网证据引擎 | 78 | 通过 |
| 扈清 | 统计 | Token预算中枢 | 80 | 通过 |
| 戚野 | 逻辑 | 验证修复工厂 | 79 | 通过 |
| 岑寂 | 复现 | 任务执行内核 | 69 | 有条件通过 |
| 褚石 | 反例 | 联网证据引擎 | 72 | 有条件通过 |
| 邬明远 | 引用 | Token预算中枢 | 81 | 通过 |
| 禹行 | 外推 | 验证修复工厂 | 77 | 通过 |
| 段溪 | 方法 | 任务执行内核 | 69 | 有条件通过 |
| 林羡 | 证据 | 联网证据引擎 | 78 | 通过 |
| 贺兰 | 统计 | Token预算中枢 | 80 | 通过 |
| 桑野 | 逻辑 | 验证修复工厂 | 79 | 通过 |
| 邵恒 | 复现 | 任务执行内核 | 69 | 有条件通过 |
| 庄陶 | 反例 | 联网证据引擎 | 72 | 有条件通过 |
| 闻人启 | 引用 | Token预算中枢 | 81 | 通过 |
| 殷淮 | 外推 | 验证修复工厂 | 77 | 通过 |
| 柳既白 | 方法 | 任务执行内核 | 69 | 有条件通过 |
| 简昀 | 证据 | 联网证据引擎 | 78 | 通过 |
| 秦九章 | 统计 | Token预算中枢 | 80 | 通过 |
| 沈砚 | 逻辑 | 验证修复工厂 | 79 | 通过 |
| 顾维舟 | 复现 | 任务执行内核 | 69 | 有条件通过 |
| 陆听澜 | 反例 | 联网证据引擎 | 72 | 有条件通过 |
| 苏黎 | 引用 | Token预算中枢 | 81 | 通过 |
| 程知远 | 外推 | 验证修复工厂 | 77 | 通过 |
| 白鹤年 | 方法 | 任务执行内核 | 69 | 有条件通过 |
| 洛明川 | 证据 | 联网证据引擎 | 78 | 通过 |
| 江砚清 | 统计 | Token预算中枢 | 80 | 通过 |
| 裴之衡 | 逻辑 | 验证修复工厂 | 79 | 通过 |
| 云舒 | 复现 | 任务执行内核 | 69 | 有条件通过 |
| 商叙白 | 反例 | 联网证据引擎 | 72 | 有条件通过 |
| 闻笛 | 引用 | Token预算中枢 | 81 | 通过 |
| 季衡 | 外推 | 验证修复工厂 | 77 | 通过 |
| 柏川 | 方法 | 任务执行内核 | 69 | 有条件通过 |
| 温言 | 证据 | 联网证据引擎 | 78 | 通过 |
| 池砚 | 统计 | Token预算中枢 | 80 | 通过 |
| 谢临溪 | 逻辑 | 验证修复工厂 | 79 | 通过 |
| 韩澈 | 复现 | 任务执行内核 | 69 | 有条件通过 |
| 莫寻 | 反例 | 联网证据引擎 | 72 | 有条件通过 |
| 原野 | 引用 | Token预算中枢 | 81 | 通过 |
| 边澄 | 外推 | 验证修复工厂 | 77 | 通过 |
| 骆舟 | 方法 | 任务执行内核 | 69 | 有条件通过 |
| 时雨 | 证据 | 联网证据引擎 | 78 | 通过 |
| 扈清 | 统计 | Token预算中枢 | 80 | 通过 |
| 戚野 | 逻辑 | 验证修复工厂 | 79 | 通过 |
| 岑寂 | 复现 | 任务执行内核 | 69 | 有条件通过 |
| 褚石 | 反例 | 联网证据引擎 | 72 | 有条件通过 |
| 邬明远 | 引用 | Token预算中枢 | 81 | 通过 |
| 禹行 | 外推 | 验证修复工厂 | 77 | 通过 |
| 段溪 | 方法 | 任务执行内核 | 69 | 有条件通过 |
| 林羡 | 证据 | 联网证据引擎 | 78 | 通过 |
| 贺兰 | 统计 | Token预算中枢 | 80 | 通过 |
| 桑野 | 逻辑 | 验证修复工厂 | 79 | 通过 |
| … | | | | 另有 940 名监工记录 |

| 角色 | 人数 | 职责 |
|---|---|---|
| 技术总指挥 / 分片总指挥 | 2 | 拆题发令、分片督导 |
| 模块负责人 / 接口协调员 / 基准测试员 | 12 | 分技术模块研判、收敛、基准测试 |
| 技术研究员 | 1069 | 切片技术资料、双读交叉 |
| 代码审查官 | 1000 | 主审 + 专家验证池 |
| 加速官 | 1000 | 分配并发、巡视队列、慢任务支援 |
| 文档执笔 | 50 | 50 节同步成稿 |