StructAgent: Harness Long-horizon Digital Agents with Unified Causal Structure

一、论文在解决什么问题

1.1 一个具体场景

你让 agent 替你做任务 T（BibTeX → Writer 排版 → PDF）：从 arXiv 下载三篇论文的引用，写进文档、排好版、导出 PDF。它打开浏览器搜论文，下了一个 .bib 文件；打开 Writer 建文档，贴进去发现格式乱了；改样式时误存了一次半成品；回头重新下载第二篇……四十分钟后你过去查看，它的上下文里有几十条观察（“文件已保存”“页面加载完成”“样式改好了”），其中有几条是真的、几条只是它当时以为真——而它自己无从分辨。

此刻三个麻烦逐一登场（§1）：

1. 剩余工作难推理。哪些需求已满足、哪些还悬着，散在几万 token 的历史里。模型要决定”下一步干什么”，就得先”考古”整个上下文——考古会漏、会错、越长越难（这正是 LH 说的上下文腐烂，两篇在这里会师）。
2. 中间假设被当成已完成。上下文里那句”样式改好了”是执行器当时的一句观察。观察不等于事实：可能只改了选中段落，可能改完又被后续操作覆盖。后续步骤把这句观察当事实用，错误就沿着”假设→当作事实→当作前提”链条放大——这与 LH 的”自评偏差”是同一个病，本文把它更精确地叫做”观察出的已完成不等于真完成”（§2.3）。
3. 失败后无从恢复。要么从头重放整个轨迹（贵、且会重复踩坑），要么在污染的上下文里继续错下去。

1.2 对两条已有路线的批评

§1 各打了一刀：

• 纯 workflow 结构（固定分解、扁平进 prompt）：结构有了，但”不知道已完成什么、剩余什么”——没有状态语义的工作流是空转的骨架。失败时把原始历史折叠压缩（context folding 一类），仍然缺”当前任务状态”这一层表示，且部分完成与错误假设照样留在折叠结果里污染推理。
• agent memory：记忆保存的是可复用知识（怎么做这类事），不是本任务的当前事实（这件事做到哪了）。两者的区别本文用一句话钉死：记忆是 knowledge，不是 task state；而且观察得来的建议带操作风险（§2.3）——错误建议被执行，比没有建议更糟。

结论一句话：state 才是长程 workflow 的中心（§1）——workflow 要成为可泛化的骨架，前提是 agent 维护一个足够丰富的状态。

1.3 与 LH 的入口差

LH 从”自评偏差”进（干活的人不能自己裁决完成），本文从”状态表示”进（没有一张带验证状态的账）。两个入口撞在同一面墙上——跨步一致性由什么承载。差别在后续：LH 造的是角色（管理者/执行者/审计者），本文造的是账本本身的结构（记录长什么样、怎么生、怎么死）。这个差别会在 §八 的对照表里逐行兑现。

二、核心想法

一句话：把”长征程执行”理解为”维护一张带因果生命周期的任务账”。

这个理解往深一层想，之所以能收拢 §一 的三个麻烦，是因为它把每一步决策的输入从”整个执行历史”换成了”账本本身”：剩余工作难推理，是因为要在几万 token 里考古——账在，“还欠什么”直接读账；中间假设被当成已完成，是因为观察和事实没有区分——账带验证标签，两者从此分属两栏；失败后无从恢复，是因为账只会加不会减——账可撤销，推翻就不再是静默事故。

先打个比方。工地施工有一本施工日志：哪道工序验收过、哪道被后来的返工推翻了、哪道还没做。工头安排下一道工序看日志，不看工人昨天说过什么。验收要有凭证（实测、复量），不是听工人说”干完了”。返工不撕日志，划掉并注明原因。

再把比方译回工程语言。agent 也需要这本账。账上每条记录 = 一条需求 + 它当前的生命周期；改账只有一种合法方式——拿着验证凭证改；账要能”销账”（后面把前面推翻了，前面的要标失效）；安排下一步看账，不看执行历史。

落到形式上，账本是一个三元组状态（§3.1，Figure 3）：

s_t=\left(s^{\text{req}}_t,\ s^{\text{val}}_t,\ s^{\text{ver}}_t\right)

• s^{\text{req}}：需求集。注意论文的措辞是 minimum sufficient 的需求集合（§3.1）——不是把任务书全文抄进去，是抄”做对下一步决策所需的最小充分子集”。示例任务 T 的任务书可能有一页纸，但 s^{\text{req}} 只需要五条（下文 3.1 逐条列）。为什么最小？账越短，planner 每轮读的上下文越小、越不易腐烂；“最小充分”的严格含义在 §6.5 用充分统计量讲。
• s^{\text{val}}：有用值——解决需求途中的”参数”。示例里：.bib 文件的路径、三篇论文的 arXiv 编号、Writer 文档的文件名、导出 PDF 的目标路径。它们不是需求，是需求之间传递的中间产物。
• s^{\text{ver}}：已验证证据——对部分完成的监控测量与 verifier 判定的审计记录，组织成 evidence chains（证据链：一个验证结果的依据是另一些验证结果）。

账本上每条记录带一个生命周期标签：

\sigma_i \in \{\text{Pending},\ \text{Verified},\ \text{Invalidated}\}

两条记账纪律（§3.5、§3.6）：

1. 只有 verifier-backed 的判定能改账（推进到 Verified，或撤销到 Invalidated）；
2. Invalidated 不删除——保留因果记录，供诊断和后续避免。

工作流五个机制全部从账本长出来（§3.7–3.11）：状态接地的规划、可复用工作流记忆、检查点/恢复、证据驱动的完成判定、定向失败恢复。下面 §三 逐个拆开，每个都拿示例任务 T 走。

所以这篇真正改变的是什么：它把”长程 agent 不可靠”从”上下文不够长、模型不够强”重新形式化成了账本质量问题——缺一张带验证状态的账。问题一旦落在账本上，“账怎么生、怎么死、怎么验”就有了明确的工程答案（§五），状态也就第一次逼近”对未来的充分统计量”（详见 §六 的”状态作为充分统计量”一节）。

全篇就看这张：图 6（§十）——三态状态转移：advice（待验）/ truth（已验）/ invalidated（被推翻）三态与它们之间的迁移条件，账本纪律的形式化核心；图 7–8 是它的实测证据。 ## 三、数学基础（零起点，本篇新用到的四件）

概率基础（频率、条件概率、贝叶斯、期望与几何级数、马尔可夫性）已在 LH 精读的 §五 从零铺过（第一篇精读），那里有手算数字，这里不重复。本篇新用到四件工具，每件从零讲起、全部配手算——先说清为什么需要它，再给定义与公式，公式看不懂先回这里。

3.1 级联检验：先跑灵的仪器，再用人眼

第一件工具叫级联检验。这本账的核心纪律是”验证后才记账”，所以先得回答：验证靠什么？本篇的答案是两套人马编成一队——一套是确定性探针，快、几乎不出错，但不是时时处处适用；一套是观察判断，慢、会看走眼，但哪里都能上。怎么编队才不糟蹋两边的长处？机场安检给了现成的模板：先过金属探测门（快、几乎不误报），门响了才人工开箱（慢、会看走眼）。这就是级联检验：先用高特异性的检验，阳性或无法判定时才用低特异性的检验。

数学。设第一级（探针）以概率 p_d 适用：适用时确定性（不误报、不漏报）；不适用时整个判定落到第二级（观察），观察通道误报率 \mathrm{fp}_o、漏报率 \mathrm{fn}_o。那么整个级联的误报率：

\mathrm{fp}_{\text{cas}}=\underbrace{p_d\cdot 0}_{\text{探针适用：误报为零}}+\underbrace{(1-p_d)\,\mathrm{fp}_o}_{\text{回退观察}} =(1-p_d)\,\mathrm{fp}_o

漏报同理：\mathrm{fn}_{\text{cas}}=(1-p_d)\,\mathrm{fn}_o。两个误差同乘 (1-p_d)。

手算：\mathrm{fp}_o=0.10、p_d=0.6：未完成的 100 个案子里，60 个被探针当场拦下（确定性判”未完成”），剩 40 个走人眼，错放 4 个——级联误报 0.4\times0.10=0.04。探针每多覆盖一成场景，通道误差整体降一成。这就是 §3.2”determinate probe overrides observation”的全部数学内容。记住这条编队原则：§五的双级验证就是照它搭的，§六的级联总账再把它算全。

3.2 伯努利过程与存活概率：(1-r)^{L-1}

第二件工具回答一个更冷的问题：账记对了，能保多久？动态环境里，后来的每一步执行都可能把先前的成果推翻——“已验证”不是一劳永逸的终点，是一条要活到链尾的命。命有多硬，得会算。

一件事每轮以概率 r 发生（这里：后续执行动作推翻某个已有成果），k 轮内一次都不发生的概率是 (1-r)^k（独立重复，概率连乘，LH §3.5 同族——该篇已同步重排）。

手算一张表（最早完成的那条成果，后面还有 L-1 步要执行，它要”活”到链尾）：

读法：推翻率 10%、链长 8 步，最早那条成果只有 48% 的概率活到最后——一半以上的概率，你账上第一条”已完成”在任务结束前已经被环境悄悄改掉了。这张表是”单调账为什么危险”的全部直觉，§6.1 用它。

3.3 三态马尔可夫链：给生命周期建模

第三件工具给账本本身装上时间轴。三态标签如果只当分类用，那不过是给记录贴贴纸；要问”这套标签让账本质量变好多少”“翻案之后多久能修回来”，就得让记录动起来——一步一跳地走。

马尔可夫性（未来只看现在，LH §3.7——已同步重排）：一条记录的生命周期正好是一个三状态随机过程——Pending、Verified、Invalidated——每轮按转移概率跳。三个转移参数：

• a：本轮”执行成功且验证放行”的概率（Pending→Verified）；
• c：本轮”已验证成果被推翻且被复查发现”的概率（Verified→Invalidated）；
• b：本轮”失效记录被重做并重新放行”的概率（Invalidated→Pending→Verified 的合并率）。

关心两个量：稳态时账实相符的概率（账上 Verified 且环境真成立的占比）和回到全 Verified 的期望轮数。三条记录的链太小，手算用 first-step analysis：设从 Pending 出发最终”以 Verified 且真实”结束的概率为 u，则 u = a + (1-a)\cdot u' + \dots（u' 是绕路后的同类概率）——展开就是一个三元一次方程组，解它。本文不手解通式（§6.2 用它搭模型，数值交给仿真），但要记住这个框架的意义：三态转移让”账本质量”第一次变成了可以算的量——LH 的四态标签没有转移结构，只是分类。

3.4 比例的标准差：读 Table 1 的必备尺子

第四件工具不是给这本账用的，是给你读别人的账用的：论文报”提升了几个点”，这个提升是实的还是抖动的？你手里得有一把量噪声的尺子，不然 §九 的统计审查无从下手。

一个成功率为 p 的任务集里抽 n 个任务，实测成功率 \hat p 的标准差（二项标准差）：

\mathrm{SE}=\sqrt{\frac{\hat p(1-\hat p)}{n}}

手算 Table 1 的主数字：n=369、\hat p=0.469：\mathrm{SE}=\sqrt{0.469\times0.531/369}=\sqrt{0.000675}=0.026，即 2.6 个百分点。两个系统比较（未配对近似）：

z=\frac{\hat p_2-\hat p_1}{\sqrt{\bar p(1-\bar p)}\sqrt{2/n}},\qquad \bar p=\frac{\hat p_1+\hat p_2}{2}

Qwen3.5-9B 的 27.0→46.9：\bar p=0.370，分母 =\sqrt{0.370\times0.630\times2/369}=\sqrt{0.001263}=0.0355，z=19.9/3.55=5.6——远超显著线。MiniMax-M3 的 75.2→78.9：\bar p=0.7705，分母 =\sqrt{0.7705\times0.2295\times 2/369}=\sqrt{0.000958}=0.0310，z=3.7/3.10=1.19，不显著（p≈0.23）。同一张表里的提升，一把尺子量出两种成色——这把尺子 §九 还要用三次。

四、记号与函数

五、机制：状态、双级验证与恢复

承上启下：§一 的三个麻烦（剩余工作难推理、中间假设被当已完成、失败后无从恢复）在 §二 收拢为一句话——维护一张带因果生命周期的任务账。上节备好的四件工具就是这本账的四条数学腿：级联检验（§3.1）给”先仪器后人眼”的验证顺序建模，伯努利与存活概率（§3.2）算链条走完不散架的机会，三态马尔可夫链（§3.3）给 Pending/Verified/Invalidated 的生命周期记账，比例的标准差（§3.4）教我们读论文里的百分比。本节把账本本身和它的五种机制立起来。

5.0 示例任务的账本初始化

补充（示例，非论文内容）：任务 T 进系统，S_1 生成：

s^{\text{val}} 初始有：三篇论文的 arXiv 编号（任务书给的）。依赖关系：k_2 依赖 k_1，k_3 依赖 k_2，k_4 依赖 k_3，k_5 依赖 k_4——一条链，外加 k_5 还依赖 k_1（内容源头）。这五条就是”最小充分”：做对任何下一步决策，看这五行加依赖边就够，不需要任务书全文。

5.1 Planner 与 Actor

【类比 · 工头派工】 工地上的工头看图纸与验收单排下一道工序，从不自己上脚手架；工人只带一张写着单道工序的纸条进场，干完即走。工人昨天的抱怨、脚手架上的闲聊，一概进不了工头的眼睛。 【跨域锚点】 管理学的”计划与执行分离”；CPU 流水线里取指与执行各设一级、互不越位。（类比与通识锚点，非论文内容）

先看病。§一 的第一个麻烦——剩余工作难推理——病根出在”决定下一步”这件事的输入上：输入是整个执行历史，就得考古；历史越长考古越难，还越容易把”当时以为真”当成真。治病先换输入。

药方是把决策者与干活者拆开，各自只喂对的东西。Planner（§3.2，Algorithm 1）：读当前状态 s_t，按依赖选下一个子目标——挑”依赖已满足（其 depends_on 集合里全是 Verified）且本身 Pending”的需求；输出一份结构化指令给 actor：做什么、验收标准是什么、可用哪些值。它不接触工具。示例：第一轮它选中 k_1（无前置），指令 =「用浏览器从 arXiv 拿三篇论文的 BibTeX，存为 references.bib；验收：文件存在且含三条 entry」。

Actor（§3.3）：在 fresh context 中执行单个子任务。fresh context 里装什么：原目标、当前状态（那一小段账）、子任务指令、只读携带可复用工作流记忆（§3.5）。执行期间，工具事件与日志被一个层次监控 agent 持续盯梢（附录 H），识别确认、矛盾与 invariant violation（工具报错、结构性异常、异常的出现模式）。示例：actor 打开浏览器、搜到论文页、点 export、存文件——这些事件流同时进监控。

意义：这一层与 LH 的 Manager/Executor 同构——不碰环境的规划者 + fresh context 的执行者。差异在 planner 的输入更结构化（依赖图 + 三态标签，而 LH 是状态 + 审计报告），且本文的监控是持续的（LH 的 auditor 是每轮结束才看）。

5.2 State Verifier：VerifySpec 与双级验证

【类比 · 仪器读数】 病人说”我感觉好多了”不算诊断结论，验血单和 CT 片子上的读数才算；查哪些项目，由规程开好的化验单说了算，不许凭感觉加查。 【跨域锚点】 实验科学的第一课：仪器读数优先于主观陈述；法医取证同理——结论必须挂在可溯源的物证链上。（类比与通识锚点，非论文内容）

先看病。Example 1 是论文 §3.4 的例子，示例任务正是这种形态：任务要求”用浏览器下载”（k_1）。actor 干完，上下文里留着观察：“文件保存成功”。但这个 .bib 文件可能根本不是浏览器下的——actor 中途可能用 Writer 新建了个文件粘贴了内容（GUI 上两个应用颜色布局相似，纯视觉观察分不清来源，§4.3 Q2 的实测：视觉混淆是验证错误的主因之一）。

病根出在哪：验证停在”看了一眼”。观察通道是软的——可能被近处的上下文带偏，可能被视觉相似骗过；而执行者的自述和观察，都不等于事实。

药方是把验证从目测换成仪器，一共三件东西。第一件是化验单——验证的单元是一个结构化三元组（§3.4，Definition 1）：

\text{VerifySpec}=(k,\ p,\ m)

k 是需求，p 是探针（probe），m 是参考值。探针是一组确定性检查（附录 C 的白名单，全部只读）：

第二件是仪器读数的记账格式。验证结果是一个 Outcome：(\text{satisfied?},\ \text{depends\_on},\ \text{evidence})——是否满足、依赖哪些其他 Outcome、证据是什么。depends_on 让证据天然连成链：k_5（PDF 含三条引用）的证据依赖 k_4（PDF 存在）的证据，k_4 依赖 k_3……沿着链可以一路溯源到最底层的原始测量。可用探针按域过滤（trust map，附录 C/E：比如域是”文件系统”就只放行 file_grep/shell_command，防探针越权）。

第三件是两级会诊。双级验证（§3.4）：

• 低层验证在 task loop 内：actor 每做完一个动作，立刻对工具结果做即时判断（“这一步的输出像不像预期”）。它快，但在上下文内，可能被近处观察带偏。
• 边界验证在里程碑处：子任务完成时，用依赖图把累积的监控测量重新串起来复核——不是再看一眼，是检查证据链整体自洽（k_1 的文件来源证据是否支持 k_2 的写入前提）。

关键规则一句：确定性探针的结果压过执行观察（determinate result overrides observation，§3.4）。观察说”看起来成功了”，探针说”文件里没有那三条 entry”，记账按探针来。

回到上面这桩案子，怎么断：验证时给 k_1 配 VerifySpec：(k_1,\ \text{url\_match},\ \text{arxiv.org/export}) 查下载来源，(k_1,\ \text{file\_grep},\ \text{@article}) 查文件是真 BibTeX。探针一跑：来源不是 arxiv 的导出 URL → 这条路径判非法 → k_1 不放行，打回重做。浅层观察会被”看起来对”骗，探针查的是”来源对不对”——这是本文对 LH”只信审计”的实质升级：审计本身也要从自由判断换成仪器读数。

5.3 状态更新：三态转移

【类比 · 日志划改】 施工日志上验过的工序，后来返工被推翻：不撕页、不擦掉，划掉、注明原因，原记录留给后人查。 【跨域锚点】 复式记账的”红字冲销”：错账不用橡皮擦，反向记一笔红字，错与改都留在账上。（类比与通识锚点，非论文内容）

先看病。验证过的东西也会失效——这是 §一 第二个麻烦最阴险的后续：连账上已 Verified 的记录，都可能被后来的操作悄悄推翻。账要是只会单向推进，这种失效就是静默的，账面从此停在假象上。

药方是更新规则（§3.5，式 3），转述成分段函数：

\sigma_{i,t+1}= \begin{cases} \text{Verified}, & d_t(i)=\text{satisfied} \\ \text{Invalidated}, & d_t(i)=\text{contradicted} \\ \sigma_{i,t}, & \text{otherwise} \end{cases}

d_t 是本轮验证判定。三种走向：验证说满足，记账为 Verified；后续证据说它不成立（被推翻、与约束矛盾），记账为 Invalidated；其余情况不动账。执行者的自述不出现在任何一支里。

示例的账本演化序列（补充，走七轮）：

第 5 轮是全文的关键一幕：后续动作推翻了已验证的成果。LH 的账在这幕里没有动作（completed 永不回退，账面停在”四条完成”的假象上）；本文的账把它标出来，第 6、7 轮的规划因此是”修 k_2 及其下游”，而不是盲目推进 k_5。

5.4 完成审计与定向恢复

【类比 · 换人盲审】 学生喊”做完了”只算交卷；批卷的老师不带学生的解题思路进场，从零对答案。没过线，还得先判断错在哪一环——题看错、算错还是卷子印坏——再对症补课，不能一律重做。 【跨域锚点】 软件工程的代码评审与缺陷根因分类：bug 先归因（需求/实现/测试/环境），再路由给对应的处理流程。（类比与通识锚点，非论文内容）

先看病。长程任务里最不可信的三个字是”做完了”——说这话的是 planner 和 actor 自己。干活的人不能自己裁决完成，这是 LH 用一整篇论证过的自评偏差，本文接着治。

药方分两味。第一味管”谁说了算”。DONE 是提案不是结论（§3.6，Definition 2）：planner/actor 说”做完了”只算提案。完成审计员以”新鲜眼睛”（fresh eyes——不看 planner 的思维链，从零看账与证据）复核全部 evidence chains、检查矛盾；发现缺口或矛盾，任务重新打开。未过线则 planner 继续出修复指令；恢复路径支持人接管。与 LH 的 done 信号同构（提案-裁决分离），差异是裁决的抓手：本文审计员手里有 evidence chain 可以逐环复查，LH 审计员只能重新去环境里看。

第二味管”败了怎么办”。定向失败恢复（§3.6，附录 B）：失败先做结构化归因——归到四个角色之一，再按归因路由干预：

对比 LH：LH 的恢复粒度是”重试 / blocked / ask”三种控制信号；本文多一层”先归因再路由”——retry 不是万金油，verifier 的错用重试治不了（重试只会再错一次），要补检查。这层归因直接来自状态结构：正因为账上有因果记录，失败才能定位到角色。

5.5 记忆与状态分离：advice 与 truth 分账

【类比 · 菜谱便签】 菜谱写”红烧肉先焯水”，是可以反复用的手艺；“今天这块肉已解冻”是当顿的事实，只许贴冰箱便签。菜谱里抄进当顿事实，下顿照做就出乱子。 【跨域锚点】 程序设计里代码与数据的分离：可复用逻辑进函数库，运行时状态进变量，混写必乱。（类比与通识锚点，非论文内容）

先看病。§一 批过 agent memory 路线：记忆要是把”这类事怎么做”和”这件事做到哪了”混成一本账，建议里带的错误就会被当成事实执行——错误建议被执行，比没有建议更糟。

药方是分账。工作流记忆离线从成功轨迹构建（附录 D），保存”可复用建议”——论文的原话：reusable advice, not task truth。示例：记忆里可以有一条”OSWorld 的导出任务里，Writer 的导出对话框在文件菜单第二项，且导出后要用 file_grep 确认文件真实落盘”——这是怎么做这类事的知识；但”本任务的 PDF 已经导出了”是 task truth，只许进 s^{\text{ver}}，不许从记忆来。

分账之后还有一道检索题，Minecraft 上做了精细实验（附录 F.5）：结构化记忆分四层（L1 轨迹、L2 动作簇、L3a/L3c 配方与检查机制），检索用组合式（类型 + 场景 + 缺失前置）而非顺序式（按相似度排一遍）。17 个 Iron 工具任务从 0/17 提到 11/17。为什么组合检索这么强：做一个 Iron 镐之前，组合检索显式问”我缺哪些前置”——缺的正是账本上 Pending 的依赖；顺序检索按”像不像”排序，最像的配方可能恰好缺着前置，agent 照做就在半途截断。这是”状态缺失信息 → 计划截断”的活案例，§6.5 会回来。

六、数学展开（补充推导，句首标”补充”）

6.1 两种账本的进度演算：单调 vs 可撤销

LH 的完成集（LH §6.1）单调不减：\mathcal{C}(S_1)\subseteq\mathcal{C}(S_2)\subseteq\cdots；本文的验证集 V_t=\{i:\sigma_{i,t}=\text{Verified}\} 可增可减。

补充：把 5.2 的存活表翻译成两种账的账面 vs 真值演算。设 8 条需求、每条完成时刻按链序排列、推翻率 r=0.10。任务结束时刻：

• 真实成立的第一条成果概率 0.478（5.2 表）；
• LH 的账面：第一条仍是 completed（单调，永不回退）——只要它曾被审计通过；
• 本文的账面：取决于复查是否发现（探针适用概率 p_d 与复查频率）。

于是单调账的假完成期望（8 条、独立近似）：

\mathbb{E}[\text{假完成}] \approx \sum_{i=1}^{8}\Big(1-(1-r)^{8-i}\Big)\cdot P(\text{第 } i \text{ 条曾被放行})

手算（假设全部曾被放行）：\sum_{i=1}^{8}(1-0.9^{\,8-i}) = (1-0.9^7)+\cdots+(1-0.9^0)=0.522+0.470+0.410+0.344+0.271+0.190+0.100+0=2.31。单调账在 r=0.10 的世界里，期望每任务背着 2.3 条假完成收工——我的复现实测 LH 式 2.85 条（§十，含验证通道自身误差），同一量级。这条不等式不是抽象批评，是可以对表的账。

6.2 带撤销的动力学：三态链模型 + 仿真对照

补充：用 5.3 的框架给单条记录参数化：

• a = q\cdot\big[p_d+(1-p_d)(1-\mathrm{fn}_o)\big]：执行成功（q）且被级联通道放行——探针适用（p_d，必放行真值）或不适用而观察不漏报；
• c = r\cdot s\cdot p_d：每轮环境推翻（r）× 被抽检撞上（s，DONE 前全量复查时 s=1）× 探针适用（发现才有效）；
• 失效后重做走回 Pending，循环。

全任务完成 = 全部 8 条同时”Verified 且真值成立”。解析通式冗长（记录间通过推翻耦合），给两个可手算的界：

上界（无撤销系统的真完成率）：每条独立近似，\prod_{i=1}^{8}(1-r)^{8-i}\cdot a^{?}……精确积冗长，取一阶近似：全链真完成 \approx (1-a\text{ 修正})\times 0.478^{1}——不如直接给仿真对照。数值对照（复现参数 q=0.85、p_d=0.6、\mathrm{fn}_o=0.1、r=0.1）：

• 单条一轮被诚实放行的概率 a=0.85\times(0.6+0.4\times0.9)=0.85\times0.96=0.816；
• 无撤销系统全任务真完成率仿真值 2.4%（§十）——对照 5.2 的 0.478（第一条存活）再连乘其余各条（0.9⁶×0.9⁵×…，量级 10^{-2}），同量级；
• 带撤销 + DONE 全量复查的系统仿真值 49.6%：DONE 复查把”探针适用的假完成”清零（探针不适用者仍漏，1-p_d=0.4 的残余由下一轮重做消化），收敛到”预算内修完”的概率。

结论一句话：撤销机制的收益不是让单条更准，而是让错误不再能”带着完成标签活到收工”——错误被逐出终止状态，只在过程中逗留。

6.3 级联通道的完整账：误差、贝叶斯残留与 Q2 实测互证

补充：5.1 给了级联误差 (1-p_d)\mathrm{fp}_o。现在做三层账：

第一层，通道误差：p_d=0.6、\mathrm{fp}_o=\mathrm{fn}_o=0.10 时，\mathrm{fp}_{\text{cas}}=\mathrm{fn}_{\text{cas}}=0.04。

第二层，贝叶斯残留（方法同 LH §3.4：先验 \pi=0.8 的子任务集，通道报”完成”后其实没完成的概率）：

P(X{=}0\mid \text{报完成})=\frac{\mathrm{fp}\,(1-\pi)}{(1-\mathrm{fn})\,\pi+\mathrm{fp}\,(1-\pi)}

观察通道（fp=0.10、fn=0.10）：0.02/(0.72+0.02)=2.70\%。级联通道（fp=fn=0.04）：0.008/(0.768+0.008)=1.03\%。残留风险再砍 62%——探针化审计在贝叶斯账上的位置和 LH 换通道（自报→审计）完全同构：都是降 \mathrm{fp}。

第三层，论文实测互证（Table 6）：DONE gate recall 0.67→0.81、precision 0.66→0.63。级联模型的预测是”fn 降、fp 不升”——recall 大升对应 fn 降（+0.14），precision 微降 0.03 说明结构化证据也带入少量新误报（如探针查错对象），量级可忽略。Table 7 的分歧复核（结构化证据复核确认率 63% vs 纯视觉 31%）是同一通道差的人审版本：同模型、换证据通道，分歧被解决了近三分之二。模型、实测、人审三层同向——这条主张的可信度因此在中高（§十三）。

6.4 漏报的隐性成本：重试不是中性的

补充：本节是本次复现意外发现（§十 P1 判读）的机制推导。

先看这笔账的直觉。验证漏报（做成了却判没成）看似只浪费一次重试。但在动态环境里，每次重试都是一次新的推翻机会——重试执行的动作同样会碰环境、同样以概率 r 破坏已完成成果。

推导。设链长 L、单步执行成功率 q、通道漏报 \mathrm{fn}。第 i 步被放行前的期望执行次数（几何级数，LH §3.6）：

\mathbb{E}[\text{第 } i \text{ 步执行次数}]=\frac{1}{q\,(1-\mathrm{fn})}

每次执行平均暴露 \approx(i-1) 条已成立成果给推翻风险。全链期望推翻暴露：

\mathbb{E}[\text{推翻暴露}]\;=\;r\sum_{i=1}^{L}\frac{1}{q(1-\mathrm{fn})}\,(i-1)\;=\;\frac{r}{q(1-\mathrm{fn})}\cdot\frac{L(L-1)}{2}

手算（L=8、q=0.85、r=0.10）：漏报为零时 0.10/0.85\times28=3.29 次；漏报 0.10 时 0.10/(0.85\times0.90)\times28=3.66 次——均值只多 11%。但全任务完成是尾部事件（要求 8 条同时成立），暴露次数的方差把尾部概率撕开：复现里全任务真完成率从 4.4%（自报，\mathrm{fn}=0 等效）掉到 2.4%（LH 式，\mathrm{fn}_o=0.1），掉近一半。均值平缓、尾部悬崖——这就是”二次破坏”的准确形状。

论文侧证：Minecraft 失败模式里的 retry storm（附录 F.6）——单步上 100+ 次 verify-retry 循环烧穿 100 步预算。用期望重试次数 1/[q(1-\mathrm{fn})] 读：弱执行器（q 低）+ 高漏报 → 期望重试次数膨胀 → 预算被单步吸干。这把 LH §8.16 的”最优停止”从发散变成了必需：验证-重试循环必须有止损阈值，否则漏报与弱执行器组合下的最优行为是放弃验证。

6.5 状态作为充分统计量：本文的正面工程化与反面案例

补充：LH 把”S 是过去对未来的充分统计量”当前提（LH §6.3/§6.8）；本文把这个前提做了目前最好的工程化，同时也给出了自己的反面案例。

正面。三条工程对应：① s^{\text{req}} 按 minimum sufficient 选取（§3.1）——“充分”的选材标准写进了数据结构；② checkpoint/resume 不重放执行轨迹（§3.7）——能不重放而恢复，等于宣称状态已充分；③ 双级验证里边界验证只看 evidence chains——跨轮决策的输入是状态的函数，不是历史的函数。

反面案例。Minecraft 组合检索 vs 顺序检索（附录 F.5，0/17→11/17）：状态/记忆里缺什么（缺失前置的显式建模）直接决定计划能否继续。用 LH §6.8 的记号：损失项 I(P;Y\mid S)>0（历史里有、状态里没有、未来需要的）时，表现不是平滑变差，是任务截断——计划在半途发现缺前提，没有信息补，只能停。这给了充分统计量假设一个比 LH 反例（“失败经过被压缩掉”）更尖锐的失效形态。

适用域清单（综合 Q3 与上述）：充分性成立需要三条——环境可文本化观测（a11y/DOM/文件，纯视觉不行）、环境暴露持久任务状态（VS Code 文件树、终端输出；无状态暴露的应用不行）、探针可落地（有白名单能查）。三条全不满足的域（纯视觉、无状态暴露），本文框架退化为普通 ReAct——论文自己的 Q3 就是这张清单的实验版。

6.6 探针选择是第二层通道：谁给验证器把关

补充（形式化未攻克 ②）：§3.2 的级联有个未言明的前提：探针的”适用性”与”选择”本身由谁判定——VerifySpec 是 LLM 生成的（论文流程里 planner/actor 配探针）。如果 LLM 选错探针（查错对象、参考值写错、域过滤判断错），级联的第一层就是坏的：确定性探针很准，但它可能正在查一件不相干的事。

形式化：在 5.1 的级联外面再套一层通道——探针选择通道，误选率 \varepsilon（选了不适用/不相干的探针）。真实误报：

\mathrm{fp}_{\text{real}} = \varepsilon\cdot\mathrm{fp}_o + (1-\varepsilon)\cdot(1-p_d)\,\mathrm{fp}_o

手算：\varepsilon=0.15、p_d=0.6、\mathrm{fp}_o=0.1：0.015+0.4\times0.085=0.015+0.034=0.049——比理想级联的 0.04 高出近四分之一。含义：验证质量的天花板从”探针确定性”退到”选探针的 LLM 有多准”。这与 Q4 的 verifier 失败（占 30%）对得上：其中一部分不是”看走眼”，是”仪器拿错了”。对应 LH 研究问题② 的分层答案：独立性要同时查两层——选仪器的人、和仪器本身。

七、前置知识：这篇牵出了什么

八、扩展与发散：与 LH 的配对对照（本篇重心之二）

8.1 逐点对照表

回到这篇：两篇合起来读，“状态中心 + 验证式推进”的范式骨架已经完整——LH 给了角色与流程，本文补了状态的生命周期与验证的方法论。缺口的形状也更清楚了：认识论独立性（两篇都同模型，且本文多一层”选探针”通道，§6.6）、验证-重试的止损（本文 retry storm、我的 §6.4）、状态的版本化（Invalidated 是单条撤销，不是可回滚日志，§8.3）。

8.2 探针：把”审计”从人变成仪器

LH 的 auditor 像尽职的内审员：去环境里看，凭判断写报告。本文的 VerifySpec 像给内审员发了一盒仪器：查文件、查 URL、查 DOM、重算数字——仪器读数压过目测（§3.4）。

发散一层（补充）：计量学里这叫溯源性（traceability）——读数能追溯到公认基准、且任何第三方拿同一仪器能复现同一读数。LH §8.20 说”让结论可被任何第三方复验”，本文的探针白名单（只读、类型化）是这个方向的第一步工程实现：复验不再需要重放智能，只需要重跑仪器。边界也清楚：探针只能查”环境暴露的状态”（Q3），纯视觉桌面应用退回目测——仪器还没造到那里；而且仪器是 LLM 选的（§6.6），选错仪器的误差进不了探针的确定性。

回到这篇：它没有解决”审计者看走眼”（Q4 里 verifier 仍占 30% 失败），但把”看走眼”的范围从”一切判断”压缩到”探针不适用域 + 选探针的错”。这正好给 LH 研究问题② 一个可操作的实验设计：按 Q3 两轴（观测确定性、环境暴露）分域，测同模型审计在不同域的误报率——“认识论独立性”就有了测量面。

8.3 Invalidated 与 LH §8.12 问题 5：状态版本化

LH 笔记从数据库借了 WAL/回滚（LH §8.4），留下问题 5”状态能不能版本化、可回滚”。本文的 Invalidated 是半步：撤销是记录级的（标失效、留因果、可重做），不是账本级的（回到任意历史版本、批量撤销一批相互依赖的错账）。

发散：分布式系统的账本演进路径是”原地更新 → 追加日志 → 版本向量 → CRDT”（已核对：Shapiro et al., SSS 2011），agent 状态正处在第一到第二格之间。什么时候单条撤销不够？连锁失效：A 失效后，depends_on A 的 B、C 的验证前提全部悬空——它们该自动重判还是等各自被发现？论文没讨论（我的示例第 6、7 轮是 planner 目测下游重做，不是账本自动传播）。连锁失效的自动传播 = 账本需要”失效波”语义，这就是版本化（或至少事务）的入口。这是它留给下一颗种子的洞。

回到这篇：Invalidated 回应了 LH §8.19”事实保质期”的一半（环境推翻了要能发现），另一半（事实随时间过期，如”标签页昨天打不开今天好了”）两篇都没有机制——过期是时间驱动的，推翻是事件驱动的，两码事。

8.4 记忆：advice 与 truth 分账

“memory = reusable advice, not task truth”（附录 D）是一条干净的记账纪律：建议进 planner 的提示，不进状态的账。发散到 LH §8.8 的记忆三策略（存储/检索/更新），本文贡献了第四维——分账（什么放记忆、什么放状态）。

再深一层：分账纪律其实划出了一条风险边界。advice 错了，最多让 actor 绕路（可被验证拦住）；truth 错了，直接污染后续所有决策（验证以为不用做）。所以 advice 可以宽松进（离线从成功轨迹筛），truth 必须严格进（只走探针）。Minecraft F.6 的 memory-induced errors（错误复用建议）恰好停在风险边界的正确一侧——坏建议被执行了，但没进账。论文没有明说这条边界，这是我从它的失败模式表里读出来的（补充推断）。

回到这篇：分账 + 探针合起来是”验证只对环境事实说话”——建议的验证是另一套（离线构建时靠成功轨迹筛），两套验证的接口（什么时候允许一条建议晋升为方法/配方）是开放问题。

8.5 评测通道自身的 fp/fn：用通道数学读 Mind2Web

论文附了 judge 可靠性（§4.1）：LLM-judge 与人标 86% 一致，FP 4.7%、FN 9.3%。用通道语言读：评测本身也是一个误报/漏报通道，且漏报高于误报——实测分数大概率系统性低估真完成。

再算一步（补充）：设真完成率为 \pi，实测分数 \approx \pi(1-0.093)+(1-\pi)\times0.047。若论文报 52.3%、且通道如上，反解真值：0.523=0.907\pi+0.047(1-\pi)=0.047+0.86\pi → \pi=0.553。通道校准后真完成率约高 3 个点。这不是批评（论文公布参数是好实践，多数论文不给），是读数纪律：两个基准的 judge 通道参数不同时，百分比之差小于通道误差量级（约 5 个点）不足为凭。LH 的三个基准都没给这个数——LH 那篇的横向核实遗留里，该给 WeaveBench 补上这一问。

回到这篇：把评测当通道，是横向核实统计审查的一般化——不仅查样本量，还查”测量仪器本身的误差函数”。

8.6 不可比纪律：OSWorld-Verified 78.9% vs OSWorld 2.0 8.3%

两篇的头条数字摆在一张桌上会吓人：StructAgent 78.9%（MiniMax-M3，OSWorld-Verified，369 任务）对 LH 8.3%（Qwen3.7-Plus，OSWorld 2.0，108 任务）。三个变量全不同：基准版本（Verified 是修订评分后的版本，任务集与评分规则都与 2.0 有差异——具体重叠度是尚未补齐的知识点）、模型（MiniMax-M3 vs Qwen3.7-Plus）、评分口径（PRM 计分 vs binary）。

补充：不可比不等于无信息。可比的是各自内部的配对提升（同模型同后端）与机制级证据（我的两个玩具互补：LH 玩具证”换低误报通道”的价值，SA 玩具证”撤销 + 探针级联”的价值——两个玩具合起来构成范式的机制级证据链，各缺的一块恰好是对方补的：LH 玩具没建推翻，SA 玩具没建依赖链）。这正是主张台账存在的理由：把”能比的”和”不能比的”分栏登记，元分析才不会踩坑。

回到这篇：读论文数字，先问”和谁比、什么通道、什么 split”。

8.7 发散收拢

1. 状态（8.1）：三元组同构、生命周期互补——LH 给流程，本文给账本的生命周期与验证方法论；
2. 探针（8.2）：审计从角色独立走向方法独立；但选探针是第二层通道（§6.6），两层都要验；
3. 撤销（8.3）：Invalidated 是 LH 问题 5 的半步答案；连锁失效与时间性过期是两个明确的洞；
4. 记忆（8.4）：advice/truth 分账划出风险边界——建议可宽松进、事实必须严格进；
5. 评测（8.5/8.6）：judge 也是通道，公布 fp/fn 才能校准读数（校准后 Mind2Web 真值约 +3 点）；两篇头条数字不可比，可比的是配对提升与机制级证据；
6. 止损（§6.4 + retry storm）：验证-重试循环需要最优停止；均值平缓、尾部悬崖是二次破坏的形状。 收拢一句：这篇把 LH 立起的范式从”有没有状态”推进到”状态怎么生、怎么死、怎么验”——账本有了生命周期，这套范式的骨架才算搭完整；而账本的下一步是版本化与两层验证（选仪器的人也要被验），那是下一颗种子的事。

九、局限与可疑处

1. “统一因果结构”名不副实（补充，标题批评）。全文的”causal”实为”验证式转移的审计依赖链”（depends_on + evidence chain），没有干预/反事实意义上的因果推断。标题的 causal structure 会误导读者期待 do-calculus 层面的东西。按内容叫”verifier-backed task ledger”更诚实。
2. verifier 仍是最大失败源之一。Q4 角色归因：actor 33%、planner 30%、verifier 30%、环境 7%——最大单一失败类型是 state verification 错误（接受弱证据/漏检/没发现进度被推翻）。审计升级了，审计者还是同模型的 LLM；且按我的 §6.6，其中一部分是”选探针”的错，探针的确定性治不了它。
3. 结构化预充可能泄漏任务信息（§5 自认）。OSWorld-Verified 实施里预填了日志类文件的公共信息——这会让”环境暴露任务状态”的域占比上升，恰好是探针最有利的域，Q3 的结论有自我加强之嫌。
4. 小幅提升统计不显著（手算，见 §3.4 的尺子）。MiniMax-M3 75.2→78.9：z=1.19（p≈0.23）；GPT-5 71.3→73.9：\bar p=0.726，z=0.79（p≈0.43）；Gemini 3.1 Pro 74.4→75.8：\bar p=0.751，z\approx0.44。三个闭源/强模型上的提升全在噪声内，只能读作”不拖后腿”。全文无置信区间（与 LH 同病）。大模型档（9B/27B）的 +19.9/+30.6 点则稳过显著线（z=5.6 与更高）。
5. 依赖图/组合检索等组件无主基准消融。组合检索 vs 顺序检索只有 Minecraft 附录 17 任务（0/17→11/17，方向极强但样本小，\sqrt{0.65\times0.35/17}\approx11.6 个点的标准差量级）；planner 的 depends_on、双级验证的边界复核，主基准均无组件级消融——“哪个机制贡献多少”读不出。
6. 结构化探针的适用域有边界（Q3 自认）：纯视觉桌面应用、Mind2Web 视觉 split 不命中——恰好是真实用户桌面的常见形态。
7. 多 agent、记忆共享风险未涉及（§5 自认）；闭源模型 API 变化时无 memory 会回落。
8. 案例与机制声称间的空隙：DONE gate 数字（Table 6/7）来自 100 个交互的复核子样本，样本不大且是论文自评；无第三方复核。

十、验证结果（最小复现）

脚本：repro/repro_structagent.py；真实输出：repro/repro_structagent_output.txt（500 任务 × 3 系统，链长 8，q=0.85，推翻率 r=0.10，观察通道 \mathrm{fp}_o=\mathrm{fn}_o=0.10，探针适用 p_d=0.60，SA 抽检率 0.30，预算 200 步，seed=20260828）。这是核心思想的最小演绎，不是论文基准复现；论文数字只引用。

机制映射（玩具 → 论文）：三态标签 + 验证放行（§3.5 式 3）→ 每轮 audit 决定记账；探针级联（§3.4）→ audit 先以 p_d 走确定性通道；撤销复查（§3.5/§3.6）→ SA 每轮抽检已验证成果 + DONE 前全量复查，发现推翻则 Invalidated 重做。基线两枚：baseline（自报推进，无状态无验证）、LH 式（单调状态 + 观察审计，admit 后不回退——对应 LH 的 admit 规则，未建其全程完整性监视，边界见判读）。

先写预测（G3，先于运行）：

• 预测 1：全任务真完成率 SA > LH 式 > baseline。
• 预测 2：LH 式无撤销，被推翻成果静默记为 completed；SA 的抽检 + DONE 全量复查压低假完成。判据：SA 假完成 < LH 式的一半。
• 预测 3：SA 假完成随 p_d 单调下降；p_d=0 时 SA ≈ LH 式；p_d=1 时趋零。

结果（r=0.10 主设定）：

扫描：p_d 从 0 到 1，SA 假完成 2.75→0.00（单调降），LH 式恒 2.85；r 从 0 到 0.30，SA 真完成率 99.6%→0.6%，LH 式与 baseline 在 r\geq0.05 即崩到 15% 以下、r\geq0.20 归零。

判读：

• 预测 2、3：支持，且与解析互证：假完成 2.85 对照 §6.1 手算的期望 2.31（同量级，差值来自通道自身误报的额外假完成）；p_d 扫描的线性下降形态对照级联式 (1-p_d)\mathrm{fp}_o。撤销机制把全任务真完成率从 2.4% 拉到 49.6%，代价步数 +63%——§6.2 的结论：错误被逐出终止状态，只在过程中逗留，货币是重做。
• 预测 1：部分支持，意外处如实登记。SA 第一成立；但 LH 式（2.4%）低于 baseline（4.4%）。机制即 §6.4 的二次破坏：观察通道漏报触发重试，重试动作又按 r 推翻已完成成果——均值差 11%（手算 3.66 vs 3.29 次暴露），尾部（8 条同时成立）差近一半。要说明：这不是 LH 论文的错（其 auditor 有全程完整性监视，我的玩具没建），但意外恰好把”漏报重试的隐性成本”isolated 出来——与论文 retry storm（附录 F.6）同构。如果给 LH 式加上”每轮全量审计 + 重试止损”，它应当翻回 baseline 之上——这是第四系统实验（未攻克 ④）的预注册预测。
• 边界：玩具的推翻是独立同分布的，真实环境的推翻集中在特定操作（覆盖文件、重装）；SA 的 DONE 复查在玩具里全量、论文是证据链复核；预算截断的任务按当前真值计（偏保守）。

配图（figures/html/*.html + render.sh 无头 Chrome 渲染，与第一篇同管线；make_figs_structagent.py 为初版 matplotlib 方案，已被取代仅存档）：

十一、方法论提炼与迁移

11.1 双通道验证与三态记账（dual-channel verification, tri-state ledger）

• 层级：L1 领域具体（agent 状态管理）。底层原理：信号稳定性检验（L2 卡已立：notes/method_perturbation_stability.md——冗余通道 + 一致性要求挤出不可信部分）。
• 操作定义：成果入账走两通道（执行者自报 + 独立审计探针级联），三态转移 pending / verified / invalidated；已入账成果仍被抽检 + DONE 前全量复查，发现推翻即回滚重做。复玩数字：假完成 < 单调状态式的一半（0.67 对 2.85/8），撤销把全任务真完成率 2.4% → 49.6%，代价步数 +63%。
• 迁移去向：①一切”自报型”流水线的可信化改造（代码评审、标注质检、评测自评）；②长程记账系统的回滚设计。
• 失效边界：两通道相关（审计与执行共享盲区）时一致性是假安心；回滚的货币是重做步数，预算紧的任务要给抽检率定预算（p_d 扫描：假完成随 p_d 单调降）。
• 方法卡：notes/method_dual_channel_verification.md（L1）

11.2 advice 与 truth 分账（separate ledgers for advice vs truth）

• 层级：L1 领域具体（agent 记忆设计）。
• 操作定义：把”可变的建议”（advice）与”已验证的事实”（truth）记入不同账户——建议可被覆盖更新，事实只能被验证推翻；防止经验性输入污染已确证状态（本篇 §5.5）。
• 迁移去向：①记忆系统设计（用户偏好与已确认事实分储）；②提示词工程（few-shot 示例与硬约束分区）。
• 失效边界：分账粒度过细带来记账开销与合并难题；advice 的可信度本身需要溯源，否则只是延迟污染。
• 方法卡：notes/method_advice_truth_ledger.md（L1）

11.3 方法依赖

本篇产出 L1 两张（双通道验证三态记账 / advice-truth 分账），前者挂”信号稳定性检验”（MPERT）原理下。复玩中的意外（LH 式漏报重试翻车，真完成率反而低于 baseline）反向喂给 LH 篇 §11.1 的失效边界，并预注册第四系统实验（未攻克 ④）。

十二、没搞懂的地方（未攻克登记）

1. 连锁失效怎么处理：A 被 invalidate 后，depends_on A 的 B/C 是否自动重判？论文未写。（补齐时机：读代码 repo 的 update 实现。）
2. 探针的”适用”与选择由谁判定——LLM 自己选探针就可能选错（§6.6 的 \varepsilon），Q4 的 verifier 错误有多少出在选探针？（补齐时机：repo 的 VerifySpec 生成逻辑。）
3. OSWorld-Verified 与 OSWorld 2.0 的任务重叠度：两篇论文的”OSWorld”到底差多少任务、评分规则是否一致。（补齐时机：拉两个基准的任务列表比对。）
4. 我的玩具对 LH 完整性监视的简化是否公平：给 LH 式加”每轮全量审计 + 重试止损”的第四系统，能否翻回优势？（补齐时机：改 repro_structagent.py；预注册预测已写在 §十 判读。）
5. Minecraft 组合检索 11/17 的置信区间：17 个任务上 0/17 vs 11/17 方向明确但样本小（SE≈11.6 点），论文是否有更大样本。（补齐时机：读附录 F 原文数字。）

十三、可信度

• 核心机制（三态状态 + 探针级联 + 撤销复查）能提升长程可靠性：较高。依据是论文小/中模型两档配对提升过显著线（z=5.6 级），加模型-实测-人审三层互证（§6.3）。我的复现（图 7/8）不在这条判断的证据链里——参数自设，它是自洽性演示加机制解耦隔离（级联管误报、撤销管推翻，贡献各自单独可见），不是对论文真实数字的独立佐证。
• “结构化证据提升验证质量”（Q2，Table 6/7）：中高。recall +0.14、分歧复核 63% vs 31% 与级联模型预测一致；但子样本 100 个交互、论文自评。
• 闭源/强模型上的小幅提升：低。z=0.42–1.19，全在噪声内；读作”不拖后腿”。
• “causal structure”作为框架命名：低（§九.1，名实不符）。
• 结构化预充不泄漏任务信息：存疑（§5 自认风险 + Q3 自我加强之嫌）。
• 撤销机制的增益归因（vs 单纯多花步数）：中高但未隔离。复现里 SA 步数 +63%——按 LH §8.12 问题 2 的教训，“多回合多预算”混杂仍在；第四系统（同预算下 LH+全量审计）能部分隔离。