模拟退火研究矩阵 · 技术复盘

对象：五篇经济学博士级论文 + 系统总论的全自动生产过程（2026-07-03 至 2026-07-04）。 视角：架构实效、故障模式、token 经济学、自主度边界。撰写者为循环的设计模型（Fable 5），基于全程执行记录与 2,380 条 API 请求的完整审计数据。 立场声明：本复盘对失效与存疑处如实记录，不为框架辩护——诚实边界纪律同样适用于对框架自身的评估。

---

0. 十条核心结论（TL;DR） #

1. 端到端走通了：五篇 3.8–4.4 万字成品论文 + 1.2 万字总论，全部通过确定性验证器的终验（五篇 S7 + 矩阵 M5 + 22 探针自检），全程约 17.7 小时（活跃约 11–12 小时），209 个智能体实例，输出 365 万 token。
2. 对抗退火是系统的价值中枢：四篇的骨架攻击共产出 53+ 个 findings（含 18 个 critical），全部三轮内收敛 clean——其收敛方式不是「修辞妥协」而是诚实降级（把不可识别的声称显式降为理论/案例/待预注册假说）。这是成品质量与体系诚实性的直接生产机制。
3. 零编造纪律在系数与事实层全程保持，但在书目元数据层被击穿：五篇实证层无一处编造的回归系数/p 值/样本量，且主动产出四起对种子叙事的口径纠偏（丹麦 20%≠25%、FRS17 是所有权份额、皇家邮政 50% 是效率比、SEC 规则被司法撤销后主动下调识别标签）。然而完成后的 Fable 终检经外部核验发现：P2 的 Works Cited 有 3 处作者归属错置——成品化 Polisher 在证据台账只登记了题名/URL 的地方自行补写了作者名。事实主张本身无误，但这是真编造，只是发生在纪律谓词未覆盖的字段。教训：纪律的实际边界=其谓词的覆盖面，「零编造」必须显式枚举到书目元数据（作者/期刊/卷期），否则模型会在无约束字段上补全。已由终检批次修复（见 §4-8）。
4. 确定性验证器是唯一不可腐化的角色：gate.mjs 全程零改动迁就（22 探针自检始终通过），所有失败都在数据侧修复。这条纪律是整个信任链的地板。
5. 最大的效率损耗是「格式方言」：约 9–10 起 gate 谓词词表与工作者自由发挥的不匹配（字段名/绑定格式/括注年份/图表行首），估算耗费了 5–8% 的输出 token 于返工。根治方案明确：把 gate 谓词逐字内嵌进派发提示（schema-in-dispatch）。
6. 缓存是这套架构的经济前提：输入面 4.69 亿 token 中 94.3% 是缓存读。若无前缀缓存，此架构在经济上不成立。
7. 发散层的去重校准是未闭合的缺口：novelty_yield 几乎恒为 1.0（全程仅杀 3 个重复），无法区分「透镜正交设计成功」与「去重员过宽」——因为从未给去重员种植过已知重复（plant 校准只做了评审层，没做去重层）。
8. 自主度的真实边界：执行自主≈完全（最长连续无人干预约 7 小时），但目标与体裁自主≈零——中场 r4 转向（成品化+MLA）由用户一句「语言上有点不够论文」触发，框架自身无法检测「交付物体裁错了」。
9. 人工闸的合规通道是「常设授权」：用户原话作为审计签名批量签核，而非逐件复核。这是全自动运行的必要妥协，其风险（品味漂移无人纠偏）已在信任边界声明中披露，并确实由用户的两次中场介入弥补。
10. 对社科/商科的泛化判断：框架的可移植内核是「认识论诚实的机器化执行」（声称与证据的对齐纪律），域特定的只是评分标尺。移植成本主要在为新领域重写「死板模式清单」与「证据等级标尺」，而非重建循环。

---

1. 最终状态与总账 #

1.1 交付物 #

1.2 资源总账（全历史，2,380 请求去重后） #

产出/投入的直观比：每 1 万字成品正文约消耗 17.8 万输出 token——其中约 3–4 万是撰稿与转写本身，其余为发散、对抗、治理与返工。这个约 4–5 倍的「治理乘数」就是本框架与「单次直写」的本质区别，也是质量的来源（见 §3.3）。

1.3 时间线形态 #

每小时输出曲线呈三段：设计期（10:38–13:00，Fable，方案+红队+试跑）、执行爬坡期（13:00–17:00，P1 全流水线+P2 前段，每小时 13–24 万）、并行冲刺期（17:00–20:00，四篇并行 S1–S7，每小时 66–73 万，是设计吞吐上限的体现），随后用户额度耗尽停机 7 小时，次日 03:00–04:20 完成矩阵收口。额度耗尽发生在矩阵收口中段——这暴露了预算计量缺失的问题（见 §7 改进 8）。

---

2. 被执行验证的架构形态 #

设计文档在 docs/design/，此处只记录实战中真正承重的形态：

高温发散(S1) ── 盲/明侦察×15透镜 → 去重 → 双出口降温(枯竭|富矿≥30×3轮)
     ↓ 终评 Judge（plant 校准 + sha 绑定 + 判断密度门槛）
聚类(S2) ── 簇=可反驳判断而非主题标签 → 簇级评审(再校准)
     ↓
攻击退火(S3) ── fresh-context 红队 → 逐条处置(fixed|诚实降级|归位) → 复验 → 至 clean
     ↓ 人工定调闸（常设授权签名）
建模设计(S4) ── 观点档案(识别策略+预注册可证伪门槛+steelman×2) → 巡检 → FROZEN-S4 接力锁
     ↓ 慢建模界桩（DESIGN-GATE-PASS 之后才许 DATA-EXEC）
诚实实证(S5) ── 聚合事实 WebSearch 核验[verified] / 微观识别显式降级 / 零编造
     ↓
成稿(S6 draft 工作稿) → 终验(S7: 集成攻击+终评+人工闸) → 成品化(Polisher→MLA thesis→humanizer)
     ↓
矩阵层(M5) ── 双向溯源 + 复推验证 + 跨篇查重 + 口径冲突 + 总论

三条被证明不可省略的工程原则：

• 角色分离：指挥者不写内容、工作者不自评、评审者永远 fresh-context。全程唯一一次「角色越界」的诱惑（conductor 代改 judge 的 sha 笔误）被拒绝，改由评分者本人重算重绑——审计链归属评分者。
• 磁盘为真：append-only 日志 + 内容锁（FROZEN sha）+ 可重跑的 gate，使多次上下文压缩与一次会话崩溃全部无损恢复。会话是易失的，磁盘态才是系统。
• 验证器不妥协：所有 gate 失败（约 15 起）无一例外在数据侧修复。一旦开「改 gate 迁就数据」的先例，整个 22 探针自检的意义即崩塌。

---

3. 机制逐项实效判定 #

3.1 温度化发散 + 盲/明混编 —— 判定：有效，但校准不完备 #

15 个透镜产出 178 个候选方向（39+31+36+33+39），跨透镜内核重复极少。发散质量的直接证据是终稿的开创性判断密度——「覆盖率改善之日正是福利被抽走之时」「荷兰没爆是幸存者偏差」「缴存冷是理性回应」这类反直觉判断全部产自 S1 层，而非撰稿阶段的修辞。盲/明混编有效防住了种子锚定（种子大纲的「收益追逐 vs ALM」框架被 P1 论证为伪二分——发散层敢于击败在位基线）。

存疑处：全程 13 轮去重仅判出 3 个重复（novelty_yield 恒 1.0）。两种解释无法区分：透镜正交设计确实成功，或去重员系统性过宽。因为去重层从未做 plant 校准（没有种植已知重复去测试去重员的杀伤力），这是与评审层待遇不对等的校准缺口。

3.2 评审 + plant 校准 + sha 绑定 —— 判定：校准有效，判分压缩存疑 #

全程 20+ 个种植死板样本被 100% 击杀（含终稿级的「编造系数伪装因果」与「脚手架泄漏」种植），证明评审始终保持了对死板模式的辨别力，未发生「评审瞌睡」。sha 绑定抓到 2 起真实的绑定失效（1 起转录笔误、1 起格式归一后过期），冻结锁抓到 1 起「冻结后又改动」（brief 字段重排后 sha 漂移）——这些机制不是仪式，全部实际拦截过。

存疑处：真候选的判分聚集在 0.72–0.92，几乎全 keep（P5 甚至 39/39 keep）。漏斗收窄发生在 top-K 挑选而非 kill——这在「未发表≠平庸」的反保守条款下是设计意图，但意味着对「平庸而不死板」的中间地带缺乏杀伤力测试：种植的都是明显靶子，从未种植过「及格但无判断力」的样本。判分压缩的另一面是排序信息不足，簇间优先级实际靠 judge 的 top-K 叙述而非分数本身。

3.3 攻击退火（S3+S7）—— 判定：系统的价值中枢，最值得保留的机制 #

数字：P2 骨架攻击 10f（2 crit）+F11 追加、P3 15f（6 crit）、P4 17f（7 crit）、P5 11f+2 系统性（3 crit）；四篇全部在 3 轮内收敛 clean，回火预算 0 动用。S7 终稿集成攻击又抓 15f（多为工作稿标记类），矩阵攻击再抓 1 起总论拔高。全程 69+ findings，逐条处置、逐条复验闭合，无一 open。

收敛的质量特征是关键：攻击逼出的不是措辞让步，而是结构性的诚实化——

• P3 的「估值平滑共谋」：共谋意图不可证伪 → 降为待预注册假说，只保留已识别的需求侧价值与纠错速度梯度；
• P4 的「荷丹对照」：幸存者偏差是对称刀，同时斩断「制度优越」与「制度不优越」两个方向 → headline 收敛为「未爆不能推断优越」，N=1 降 illustrative case；
• P4 的「压力测试测错自变量」：攻击指出「更极端≠更大 bp」是分析性命题被越级当因果 → 承认公理地位，因果版降待检；
• P5 的「退出端真空」：全称本体论 → 收窄为结构性错位+软约束的可检验版本，顺带纠正一处 PAYG 事实错误；
• 矩阵层：总论把 P3 已因 SEC 规则被司法撤销而下调的腿仍写成「已识别」 → 强制对齐分篇的撤回状态。

这组实例说明：对抗退火在本框架中承担的不是「找茬」而是「把判断的声称收敛到其证据能承重的位置」。成品的可辩护性直接来自这里。若只保留框架的一个机制，保留这个。

3.4 FROZEN 接力与并行 —— 判定：有效，一个教训 #

FROZEN-S4 接力锁使 P5 能消费上游冻结档案而无需等待上游 S7，四篇并行冲刺期的吞吐（每小时 66–73 万 token）是接力设计的直接收益。教训：冻结必须发生在工件的最终形态之后——P3/P4 的 brief 在冻结后又做字段重排，导致 sha 漂移、二次冻结。正确顺序是「内容定稿→格式合闸→再冻结」。

3.5 诚实实证协议（S5）—— 判定：T-1 的最硬证据，成立 #

五篇的实证执行员在「铁律：不编造任何系数/p 值/样本量」约束下，交出了 76 条 [verified] 聚合事实（全部附来源 URL、经 WebSearch 独立核验）+ 80+ 处显式降级标注。更重要的是四起主动纠偏（见 §0 第 3 条）——执行员在核验中发现种子/上游叙事的数字口径错误并纠正，而非顺从上游。这证明「诚实」不是被动合规而是主动行为。矩阵 fact-table 最终沉淀 22 行跨篇对账事实，跨篇口径冲突 0。

代价的诚实说明：五篇的实证层是「识别设计+制度事实」完成度，不是「已估计的计量结果」完成度。微观面板不可得处全部停在设计层。「可发布态」指体例、逻辑与诚实边界的完备，投稿顶刊仍需真实数据执行——这一边界在每篇的局限节和总论中均已声明。

3.6 两层工件（draft/thesis）—— 判定：必要性被 S7 攻击反向证明 #

r4 引入的「工作稿（带审计标记）→成品稿（MLA 转写）」分层，最初是为解决用户反馈的「语言不够论文」。实战中它的第二功能更重要：S7 集成攻击在四篇抓到的 major 里，约六成是 [服务判断:]/C1..C5/页脚自述这类工作稿审计标记——它们在 draft 里是 gate 强制的对账要求，在 thesis 里是必须剥离的脚手架。分层使「审计可溯」与「成品干净」不再互斥；disposition 里这类 findings 以 refuted-with-evidence（工作稿标记非成品缺陷）合法闭合。若无分层，这是一个无解的矛盾。

3.7 矩阵层（M5）—— 判定：非摆设，抓到过真问题 #

双向溯源（P5 十个推导块引用的每个上游编号必须真实存在）、复推验证（前提忠实/支撑/不断章三判定 10/10）、跨篇查重（25 簇 0 重复，且给出「内生性是元签名作用于不同对象」的非重复论证）、口径冲突 0。矩阵攻击抓到的总论拔高（C-1）是矩阵层存在价值的直接证明：分篇各自诚实不保证系统层诚实，总论有独立的拔高动机（想把系统卖得更强）。

3.8 人工闸=常设授权 —— 判定：全自动的必要通道，含真实风险 #

用户授权原话（「一直跑到所有论文都彻底写完成为可发布状态」）作为 S3/S7/M 闸的审计签名批量签核。收益：11 小时无人值守成为可能。风险（已披露）：定调闸原本设计为人类品味的注入点，批量签核使品味纠偏依赖用户的主动中场介入——实际发生了两次（「语言不够论文」触发 r4、「并行提速」触发 B 包），都证明关键的品味信号仍来自人类。这不是框架缺陷，是自主度的真实边界（见 §6）。

---

4. 故障模式目录 #

总体：没有一类故障造成内容损失或质量妥协；全部代价表现为返工 token（估算 5–8% 输出）与时钟延迟。故障目录里最有普适价值的教训是 #2 与 #3——机器可判定的验证器要求派发端把「机器词表」当作接口契约来传递，而不是指望智能体猜中。

---

5. Token 经济学 #

5.1 钱花在哪了（输出 3.65M 的结构估算） #

粗划：约三成生产、约五成保真（发散+评审+对抗+核验）、约两成协调与摩擦。「保真≈生产的 1.7 倍」就是这套框架的定价结构——它买到的东西在 §3.3/§3.5 列出（69+ findings 闭合、零编造、四起主动纠偏）。

5.2 缓存依赖 #

输入面 468.6M 中缓存读 441.9M（94.3%）。这意味着同一套长系统提示与项目上下文被 2,380 次请求反复复用。若无前缀缓存，输入成本将是现值的 ~17 倍，架构在经济上直接不成立。 推论：此类多智能体循环的派发设计应最大化前缀稳定性（固定模板+尾部变量），这在本项目是无意达成的（模板化派发），未来应作为显式设计约束。

5.3 效率判词 #

以「每万字成品正文 17.8 万输出 token」计，本框架比单次直写贵约 4–5 倍。这笔溢价的对价是：53+ 骨架级 findings 的修复（其中 18 critical——单次直写的成品会原样带着这些结构性缺陷）、零编造纪律、全程可审计。对判断密集、声称需要可辩护性的研究交付，溢价合理；对格式化报告类任务，不必用此框架。 另一个真实约束是订阅窗口：全程输出 3.65M 已触到单窗口上限（用户中途耗尽一次），任何更大的矩阵需要跨窗口的断点续跑设计——本框架的磁盘态韧性恰好已满足，这是意外的架构红利。

---

6. 自主度评估：能否泛化到社科/商科 #

6.1 自主度的三个前提（本项目的实际成立条件） #

1. 常设授权：用户预先把人工闸签名权授予执行者（原话作审计签名）。没有它，每个定调闸都是停点。
2. 确定性验证器：gate.mjs 提供不依赖模型判断的硬地板（字段存在性、sha 一致性、计数下限、禁词、处置闭合）。模型评审可以被说服，正则不会。
3. 品味外化：taste-ledger 把用户的研究品味压缩成 5 条可携带条款（判断优先/慢建模/逻辑为核/学位体例/MLA+humanizer），每个评审与攻击者都被要求回显。这使「品味」从会话记忆变成机读契约。

三者齐备时，实测自主度：连续 7 小时无人干预推进 4 篇并行；11–12 小时活跃期内用户仅介入 4 次（2 次品味转向、1 次停机、1 次续跑指令）。

6.2 可直接移植的组件（域无关） #

• 对抗退火闭环（攻击→逐条处置→复验至 clean）与「诚实降级」处置语法；
• plant 校准（向评审者盲注已知劣样本测试其杀伤力）；
• sha 绑定评分 + 内容冻结 + append-only 日志的审计三件套；
• 两层工件（带审计标记的工作稿 / 剥离脚手架的成品稿）；
• 双出口降温（枯竭/富矿）与盲明混编防锚定；
• 矩阵层的跨件溯源/查重/口径对账。

这些机制没有一个依赖经济学内容——它们执行的是声称与证据的对齐纪律，这在任何以论证为产品的领域（社科、商科、法学、政策分析）同构。

6.3 需要域适配的部件（移植成本所在） #

移植工作量估计：为新领域重写死板清单、评分 rubric、S5 核验协议与 gate 的字段谓词，约为一次 r-级方法论迭代的量（本项目 r3/r4 各约半天）。循环本体（S0–S7 状态机、攻击闭环、冻结接力、M 层）无需重写。

6.4 自主度边界的诚实划定 #

框架做不到的三件事，全部由本项目的实际事件证明：

1. 体裁自检：P1 完稿时逻辑层全绿，但「读起来不像论文」（无摘要/引注/参考文献）——这个缺陷 gate 看不见（当时无此谓词）、评审看不见（评的是判断力）、只有用户一眼看见。自动化系统会满足它被给定的合同，合同本身的缺口只有人能发现。
2. 品味漂移纠偏：常设授权模式下，若五篇逐渐滑向某种一致但偏离用户品味的风格，循环内无角色能报警。本项目靠篇幅短（17 小时）与用户抽查规避，长周期项目需要设计「品味回归采样」（定期把中间产物摘要推给人类）。
3. 目标级决策：并行度提升、成品化转向、收口节奏，全部是用户决策。框架的自主是执行自主（给定合同后无人跑完），不是目标自主。

结论：在社科/商科场景，这套框架可以把「从选题方向池到可辩护成稿」的执行段完全自主化，人类的不可替代位置收敛为三点——立合同（spec+品味）、中场体裁抽查、收口验收。这恰好也是学术导师对博士生的角色结构，说明该分工不是权宜而是稳态。

---

7. 改进清单（按预期收益排序） #

1. schema-in-dispatch：每个产出结构化工件的派发，逐字内嵌 gate 谓词（字段名/正则示例/反例）。预期消灭 §4-2 全类故障（本项目最大单项返工源）。后期派发已试点（P5 S4 档案一次过闸），验证有效。
2. 评分者工具化 sha：scorecard 的 target_sha256 由评分者执行 shasum 后直接粘贴命令输出，禁止手工转录；gate 增加「sha 行必须与命令输出块相邻」的形式核验。
3. 去重层 plant 校准：向去重员盲注已知语义重复对，测其杀伤力；novelty_yield 恒 1.0 时自动触发一次校准轮。补齐 §3.1 缺口。
4. 中间地带种植：评审 plant 除「明显死板」外增加「及格但无判断力」档，测试判分压缩区间的辨别力（§3.2）。
5. 派发回声协议：子代理动工前先一句话复述任务类型与产出路径，conductor 核对后放行——以一次极小往返消灭派发损坏类全损（§4-1）。
6. 指挥开销压缩：派发模板抽成文件引用（「读 prompts/X.md 执行，参数如下」），预期把主循环 32% 输出占比压到 ~20%；同时提升前缀缓存命中。
7. 品味回归采样：每 N 个闸门自动生成一页「品味快照」（当前判断风格样本）推送人类，把 §6.4-2 的漂移风险从「靠用户主动抽查」变为「系统主动送检」。
8. 预算计量与阶段预报：conductor 维护 token 消耗台账（本复盘的审计脚本可直接复用为运行时组件），在每阶段启动前预报剩余预算能否覆盖，接近上限时自动前置最高价值工序（本项目额度耗尽恰断在矩阵收口，若有预报可提前完成收口再做可选项）。
9. 机械工序降配：登记/去重/格式归一类机械步骤改用轻量模型（本项目 208 个子代理几乎全程满配旗舰模型，机械步骤约占请求数三成，是明确的降配空间）。
10. 攻击质量外部锚：定期抽取 1–2 个已 clean 的簇送独立第二红队（不同提示谱系）复攻，校准「clean 判定」本身——本项目攻击质量的证据全部是内部的（findings 的具体性），缺外部对照。
11. 引注实名制：证据台账登记来源时强制抓取并核验作者/期刊/卷期字段；Polisher 的 MLA 条目只许转录台账字段，台账缺作者则用题名先行式条目——把「零编造」谓词显式扩展到书目元数据（对 §4-8 的根治）。
12. 常设编辑终检（S8）：S7 之后固化一轮「新鲜眼外部评审+修复」（本项目补做后净捕 35 处，其中 2 处实质错误）。gate 谓词只能验机器可判定项，编辑精度（数量级、指针一致、标签口径、语态）需要一轮无历史包袱的细读——成本约 15 万输出 token/五篇，占总消耗 4%，收益/成本比在全流程各环节中最高之列。

---

8. 总判词 #

有效性：成立。五篇成品的可辩护性有可追溯的生产机制（对抗退火+诚实降级+确定性验证），而非依赖单次生成的运气。53+ 骨架 findings 被逼出又被闭合的过程，就是「判断站得住」的工艺记录。

效率：中上，有明确改进面。4–5 倍治理乘数换取的质量在判断密集型交付中划算；返工 5–8% 与指挥开销 32% 是两个已知可压缩项，改进 1/5/6/9 落地后估算总消耗可降 25–35%。

自主度：执行段全自主已被 11 小时实测验证；目标段自主是伪命题——正确的产品形态不是「无人研究机器」，而是把导师-博士生分工机器化：人类保留合同权、体裁抽查权与验收权，其余交给循环。在此定义下，本框架对社科/商科的判断密集型长文交付已达到可复用状态，移植成本集中在死板清单与证据标尺的域适配，循环本体可直接搬运。

一句话：这套模拟退火框架的真正产品不是五篇论文，而是「诚实是可以被工程化强制的」这一验证——论文只是它的第一批输出。

---

复盘依据：state/ 全档、docs/runbook/ 执行契约、2,380 条请求的 token 审计（脚本见执行记录）、五篇 S7 + M5 全绿的复验状态。本文件由 Fable 5 撰写于矩阵完成后，作为 reviews/ 层的方法论附录。