Open Questions Dashboard

由 _system/lint.py --write-backlog 產生。請勿手動編輯。 蒐集自每篇概念文章的 ## Open Questions 區段。 透過 /query 處理 #oq/now 項目（下方完整列出）；已回答的項目 會在下一次編譯時移至該頁面的 ## Resolved Questions。

依領域分類的完整可行動／觀望／預測／備註／進行中項目清單：Open Questions Backlog。

截至 2026-09-29，294 個頁面共有 609 個可行動的未解問題 · 130 項預測 · 9 則備註 · 316 項進行中 · 67 項觀望（實體）。

儀表板#

趨勢： 2026-09-18：543q/257p → 2026-09-21：546q/259p → 2026-09-22：551q/267p → 2026-09-23：583q/282p → 2026-09-24：597q/290p → 2026-09-25：607q/294p → 2026-09-29：609q/294p

最早的可行動問題（透過 git blame）：

• 2026-04-28 (154d) Client-Side Agent Optimization — 即使使用 Arm Elimination，組合搜尋在流程深度達到多少時仍會變得難以處理？
• 2026-04-28 (154d) Client-Side Agent Optimization — 工具環境改變時，重新評估的正確做法是什麼？
• 2026-04-28 (154d) LLM-Driven Vulnerability Research — 如何有效防範 Mythos 等級的輸出，同時不妨礙正當的安全研究？
• 2026-04-28 (154d) Scale-Dependent Prompt Sensitivity — 直接以基礎（非指令調校）模型變體測試時，RLHF 長度偏差假說能否重現……
• 2026-04-28 (154d) Scale-Dependent Prompt Sensitivity — 哪些問題特性可以預測提示敏感度？
• 2026-04-28 (154d) Scale-Dependent Prompt Sensitivity — 過度思考效應如何與使用工具的代理程式互動？
• 2026-04-28 (154d) Scale-Dependent Prompt Sensitivity — BoolQ 的功能性詳述例外是清楚的分類邊界，還是每種任務類型都有脈絡……
• 2026-04-28 (154d) Ticket-Driven Agent Orchestration — 當工作單位是「一個代理程式在一個工作區中執行的事項」時，工作單的適當粒度為何？
• 2026-04-28 (154d) Ticket-Driven Agent Orchestration — 如何避免代理程式隨意提交後續工作單，造成工作單延伸連鎖？
• 2026-04-28 (154d) Ticket-Driven Agent Orchestration — 這種模式能否推廣至非軟體工作（研究、營運、內容）？

現在 — #oq/now（38）#

/query 工作清單全文——可透過 綜合現有頁面來回答。 其中 29 項已有部分解答：它們計入上表的部分解答，而不計入 #oq/now，因此兩個數字刻意有所不同。

• Agent Behavioral Homogeneity：異質性被視為野外部署中相關性較低的原因，但 Shi et al. 發現混合供應商的群體會產生持續的輸家。是否存在可衡量的變異—剝削前沿——混合供應商或情境能否以可量化的群體內剝削成本換取去相關化？在人數達到相關失敗真正造成影響的規模時，這項交易是否划算？部分回答（2026-08-19）：The Price of Mixing Agents, and the Principal Nobody Counted。不存在前沿，而且所問的軸向設定有誤。效益端沒有任何測量：本頁沒有任何實驗設置異質性組，而語料中唯一直接測試將供應商混合作為去相關化介入的研究（Yang et al. 的異質陪審團，收錄於 llm-judge-validation）指出，混合模型家族未能恢復錯誤獨立性，也沒有提供係數。成本端只有一個數據格，而且結果比剝削更糟：在 Diners 中，四個 GPT 裡混入一個 Llama，少數派的同質群體報酬因此減少 73%（0.82 對 2.99），群體相較最佳同質基準的共同福利減少 31%（14.95 → 10.30，依 Shi et al. 數字進行 wiki 算術）——混合瓦解了原本存在的合作均衡，因為五個相同的代理程式都以相同方式讀取公告通道。因此，同質性不只是本頁所說的風險，也是協調機制；Bertrand 結果則是同一事實，只是福利方向相反：真正的權衡是變異 vs 默契協調，方向取決於福利函數——也就是本頁對中央論壇已指出的同一張力，如今也適用於這項提議的解方。人口規模方面，問題的前提並不成立：Bertrand 共謀是在 N = 3–8 時測得，Shi 的剝削則是在 N = 5，範圍相同，而且兩者都沒有 N 掃描。問題仍未解決，因為每個數字都缺：代理程式行動的去相關係數、N 掃描、情境混合組。最便宜的曲線，是對工作佇列踩踏進行組成掃描（這裡唯一具有硬性總體福利指標的相關失敗實驗），並在 N ∈ {3, 8, 30, 80} 的各格回報工作接受率與每個代理程式的最小—最大差距。效益端不再空白（2026-09-22），但只限於回答問題的領域：A Statistical Framework for Auditing Behavioral Dependence and Induced Bias in LLM Judges 以條件獨立性虛無假設測試六家供應商的 18 個模型，並報告經 FDR 校正後，跨家族模型配對仍顯著糾纏（因此混合供應商未達獨立——與 Yang 的異質陪審團方向相同，如今有虛無模型和 q 值支持）；此外，閉源權重模型之間顯著糾纏的配對，多於開放權重與閉源權重模型之間的配對——這是語料中首次指出哪種組成選擇能帶來較多去相關化的陳述。這仍不是係數：它是顯著配對的數量，測量對象是回答基準問題的模型，而非採取行動的代理程式，因此本條所問的前沿仍未測量。它帶來的改變是，如今只要持有錯誤矩陣，任何人都能用一種工具測試效益軸。同一天，係數層面也不再空白，透過 Kohli：由九位評審、七個家族組成的評審小組，其同家族錯誤相關性只比跨家族平均值高 +0.047；相關性最高的三個配對全是跨家族；而本條一直在追問的數字是——每家族限取一個模型，會使有效獨立性降至 1.93，低於隨機抽取七位評審子集的平均值 2.09。這是供應商混合的去相關係數實測值，而最佳家族代表組合的結果是負向的。但這仍不是完整前沿：研究測的是評審而非行動，完全沒有剝削或福利項，也沒有 N 掃描。這條目現在應該說明，效益這一半已經有了方向與幅度，而且兩者都不理想；剩下的問題幾乎全在成本端，以及這些結果能否從評審遷移到行動。
• Agent Harness Engineering：程式碼庫達到什麼規模時，才需要用更複雜的情境路由取代以 AGENTS.md 作為目錄的做法？**部分回答（2026-09-07，依據 wiki 現有頁面）：**提出此做法的來源，在五個月內由三位工程師將它用於約 100 萬行程式碼、約 1,500 個已合併 PR（Harness engineering: leveraging Codex in an agent-first world），過程中並未取代它——規模擴大後增加的是檔案旁的機械式強制措施（結構測試、linter、文件整理代理程式），而不是路由；唯一受控測量來自 Khatri 對 Agent Context Files 的消融實驗，將情境注入策略對正確性的影響限制在任一代理程式的 ≤10–15 個百分點。兩者合起來削弱了規模懸崖的前提；與檢索端的綜合分析（FastContext、Repository Exploration Subagent）屬於 /query。已從 #oq/source 重新標記為 #oq/now。
• Agent Harness Engineering：這些以網頁應用程式為主的發現，對其他領域（科學研究、金融建模）有多大的普遍性？**部分回答（2026-09-07，依據 wiki 現有頁面）：**本頁的 harness 搜尋證據如今跨越多個領域——HarnessBank 的七個封存測試領域涵蓋終端任務、競技程式設計、奧林匹亞數學、瀏覽、GDPval 知識工作與 SWE-bench；結果顯示 harness 模式（復原機制、驗證後定稿）可以遷移，但特定設定會因應單一模型的主導失敗模式而調整（Agent-Authored Harness Optimization）。科學研究與金融建模都沒有各自的來源；現有資料的綜合分析屬於 /query。已從 #oq/source 重新標記為 #oq/now。
• Agent-Vendor Heterogeneity：Claude Code 的 PR 中位數有 495 行變更，而其他每個群組都介於 52–96 行；三項異常結果（9.5% 味道出現率、最重的結構、12.6 小時審查等待）也都與之共同變動。**控制 PR 大小後，各供應商還剩下任何結果差異嗎？**在既有語料中按大小匹配重新抽樣即可測試；若結果為零，本頁大部分內容就會收斂為一項關於 PR 大小的陳述。
• Agentic Prompt Injection：聚光提示與憲法分類器各自仍留下殘餘風險（2%、5%）。兩者堆疊後，實際可達的下限是多少？面對知道這兩種防禦都已部署的自適應攻擊者，能否維持？（Opus 4.8 即時漏洞獎金計畫提供了部分回答：自適應專家紅隊仍能攻擊裸模型；部署探測器能提升安全性，但無法將殘餘風險歸零。AutoDojo (Ma et al. 2026) 進一步釐清：0% 靜態 ASR 並非下限——一種低成本黑箱自適應攻擊，不只是白箱攻擊，能對靜態測試得分為 0% 的過濾器，恢復 28% 的整體攻擊成功率（在 action-open 任務上為 64%）。因此，面對易受攻擊模型上的過濾器防禦，實際下限是兩位數而非零。但同一攻擊對較新且能力較強的基礎模型，ASR 幾乎沒有影響——顯示下限取決於模型本身，而非分層過濾防禦。）部分回答：Does 'Impossible, Not Tedious' Kill Defense-in-Depth? Layered Friction, Agent-Relativity, and the Frequency Paradox 補上結構層面的回答——堆疊頻帶內的多層措施無法降低自適應下限，因為各層的失敗彼此相關（自適應迴圈會針對整個聯合部署堆疊，將其視為單一攻擊面進行最佳化）；因此，純摩擦措施堆疊的下限就是模型自身的穩健性。仍未解決的殘餘問題是異質堆疊（摩擦措施 + 確定性閘門遭聯合攻擊），目前尚無自適應攻擊針對此情境。
• AI as Primary Author：60% 這個數字合併了差異很大的工具與模式（接受自動補全 vs. 接受代理程式套用的差異）。當代理程式直接套用變更，而人類的「接受」代表沒有還原該變更時，「接受」究竟是什麼意思？Review as the Control Point 讓問題更加明確：在 GitHub 上，代理程式 PR 最常只由呼叫代理程式的開發者檢視（作者單獨審查的比例為 40.1%，人類 PR 則為 21.5%）。這究竟算不算審查，是定義上的選擇（代理程式是作者 ⇒ 需要第二雙眼睛；代理程式是工具 ⇒ 等同自我審查），而這個選擇會直接翻轉趨勢方向——因此「接受」和「審查」模糊成同一個尚未釐清的構念。部分回答：Is Human Review of AI-Authored Code Still a Real Control, or Already Rubber-Stamping?——此構念可分成三類，依採取行動者與檢視者而定：主動採納（人類套用建議）、經審查而未還原（代理程式套用，另一位人類獨立檢視），以及未經審查而未還原（代理程式套用，無人檢視——唯一屬於蓋章放行的類別）。60% 混合了三類，因此無法回答監督是否真實存在；建議的指標就是這項分類，只有未經審查而未還原應視為監督弱化。目前仍未測量：任何資料集中各類的實際占比。再次獲得部分回答，從更基礎的層面而來（2026-08-12）：DECODE 測量了主動採納這一類——分類中最明確無誤的一類——並發現它不是終點。在開發者接受補全的軌跡中，31% 會出現移除編輯，保留情形呈雙峰分布，而中位數補全在一小時內約有三分之一被刪除。這沒有提供分類各類的占比，也完全沒有觸及兩種未還原類別（研究單位是人類套用的建議，不是代理程式套用的差異）。它釐清的範圍較窄但很實用：接受是軌跡上的一個點，因此任何分類都必須附上時間範圍；能追蹤軌跡的工具是提交前的編輯器遙測，而非 PR 層級的任何資料。
• Anchored Bellman-Residual Correction (BRACE)：BRACE 只在 PPO 評論家模型上展示過；其基準從未納入 GRPO。受 k 限制的 Bellman 殘差修正，對無評論家、群體相對目標是否有任何類比方法？還是說這項修正從結構上就必須依賴用來回歸的價值函數？
• Anthropic Institute：研究所支持保留暫停選項的政策立場，如何與 Anthropic 推出前沿模型的商業誘因互動？文章承認競爭與地緣政治壓力，但沒有解決這個問題。部分回答（2026-08-19）：Safety Commitments That Cannot Bind the Actor Who States Them 釐清了兩者互動的形式，但沒有判斷動機。暫停承諾以一套可驗證的多邊制度為條件，而這套制度並不存在，且研究所本身仍在建構中，因此目前不造成任何成本；Anthropic 目前能約束自己的部分是 RSP，它由自身管理、只在自己選擇的時點約束一次（Mythos Preview 一直等到 Fable 5 的保障措施就位才發布）、在最接近的兩次關鍵決策中都朝發布方向傾斜（Opus 5 的 CB-2 判定、被刪除的 rule-out 測試套件），並且發布預測稱將在自身建議的安全門檻就緒前跨越 CB-2。語料中的 Domestic Frontier Pacing 以約一年的追趕估計，質疑了這項論證中舉足輕重的領先者前提。問題仍未解決，而且無法由這份語料回答：選擇這種條件式安排，是因為論證正確，還是因為方便？以上每項觀察都是 Anthropic 在評估 Anthropic。
• Automated Conjecturing：6,522 個倖存命題按建構方式來說，都不受古典表格所蘊涵。這能否作為數學趣味性的可用定義？還是成千上萬個未被蘊涵的類別條件不等式，只是把篩選問題從機器轉移給讀者？2026-09-21 由 After Math 提供部分回答（practitioner-opinion，屬於論述，沒有測量，而且從未提及這套系統）。De Toffoli 和 Duede 對邏輯與可理解性的區分，補上了本問題所探究的定義缺失部分。根據他們的說法，「不受 559 個已列關係的凸組合所蘊涵」是一項邏輯性質——可判定、有證明憑據，且依建構方式不取決於是否有人能說明命題成立的原因，或將它與任何事物連結。依他們的說法，數學家想從結果中獲得的是另一種性質：他們能掌握、傳達、與既有知識連結並以之為基礎繼續發展的想法。透過這項區分來看，對本問題二選一的答案是第二項——未被蘊涵的證明憑據是篩選器，不是判定趣味性的標準，因此篩選工作確實轉移給讀者；本頁對排名前 100 項的稽核（49 項重新發現、2 項被涵蓋、1 項無效假設）便是實際情況。此問題仍屬部分回答，也仍標記為 #oq/now，原因有二：來源是關於另一個系統的觀點文章，因此這是 wiki 套用該區分，而非作者針對這個佇列的判定；而且語料中沒有任何可理解性的測量工具，因此重新表述後的標準，仍和原本的標準一樣無法測量。
• Building Is Cheap, Arguing Is Expensive：如果設計討論留在 PR 或原型裡，未來讀者要到哪裡找到理由——「我們為何這樣選」的知識會留下來嗎？還是也會遇到 Code as Source of Truth 所面臨的過時問題？部分回答：Where Does the Why Live?——它不會留下來：埋在已合併 PR 中的討論，對未來讀者來說形同失聯，沒有任何候選位置能持續保存這些內容。仍待解決的是，任何部分性補救措施（內容更豐富的計畫產物、編譯後的知識庫）是否能在團隊規模下實際運作。
• Capability-Gated Model Fallback：以備援而非拒絕來維持 UX，代表安全或生物領域相關工作的真正一般可用模型是 Opus 4.8，而非 Fable——在可信存取計畫開放之前，這是否會悄悄限制 Fable 對整個專業族群的價值？部分回答（軼事，2026-07-24）：Cline 放棄了一項耗時 17 小時、以 Fable 5 進行的自主評測研究計畫，因為分類器「一直把模型降級成 Opus-4.8」，於是改用競爭對手的模型——這是本語料中首次記錄到此限制以工作流失而非較低基準分數呈現，而且案例來自 Anthropic 以外。這是單一供應商未附頻率的隨口評論，只能證明此失敗模式在實際環境中存在，不能說明它有多常見。
• Closed-Loop AI Review：8.8% 的審查率，是用幾乎完整的分子（審查者端 0.01% 隔離）除以已證明不完整的分母（作者端 38.0% 隔離，其中 96.9% 只有分支層級）。**173 萬個被隔離的分支專用 PR，其 AI 審查率是多少？**抽樣數百筆並由人工標註，就足以估出範圍；複現套件和附有原因的隔離檔案已經提供，這只需一天工夫。在此之前，本頁任何比率都不能當成整個生態系的比率引用，只能說是署名可歸屬族群中的比率。
• Closed-Loop AI Review：同產品與跨產品組別幾乎與審查者身分混淆：同產品組有 80% 是 Copilot；跨產品組則大量由 Cursor、Google Jules 和 Claude Code 組成，這些工具沒有自己的審查者，因此不可能自行審查。**固定審查機器人並按變更大小配對後，同產品組的評論量差距 58–65% 還存在嗎？**Codex 那一列已經暗示答案可能是否定的（42,732 個 PR 中為 0.91 對 0.89；它是唯一在兩邊都有大量樣本的機器人），而測試所需資料已經公開。
• Code as Source of Truth：哪些知識真的無法留在程式碼庫中（組織策略、「為什麼」、跨團隊情境），因而仍需要持久文件——又要如何讓這小部分內容保持更新？部分回答：Where Does the Why Live?——「為什麼」是最明確的一類；每個候選存放處不是失敗，就是只有部分作用。編譯後、放在不會隨程式碼過時的外部知識庫，是目前最不差的選項。「如何保持更新」這部分仍未觸及。
• Cognitive Capability Profiling for Task Suitability：同時身為受試者的標註者，是否會讓自己的能力側寫產生偏差？Gemini 3 Flash 標註了隨後用來評估 Gemini 3 Flash 本身的測試組需求程度，而論文的循環性討論並未涵蓋這項特定重疊。利用已公開的標註即可證偽：只用 GPT-4o 的需求矩陣重新擬合六個系統，再只用 Gemini 3 Flash 的矩陣重新擬合，接著檢查 Gemini 3 兩個模型的推定能力側寫，是否比 OpenAI 系統更容易因自身標註者的矩陣而改變。
• Context Lifecycle Management：立即提交的 0.3 預期修剪損益兩平值能否通用？還是它取決於單一供應商的快取價格與 TTL？目前將它表述為單一部署回歸情境下的操作政策。部分回答（2026-08-03）：Prompt-Cache Economics 從原理上解決了可移植性問題——類似的門檻是 ρ_cross(r) = (α − 1/r)/(α − β)，只取決於寫入溢價與讀取折扣，而且會隨供應商與 TTL 大幅變動（Anthropic 的 5 分鐘快取 α = 1.25，1 小時快取 α = 2.0；OpenAI α = 1.0、β = 0.5）。綜合來看，數值無法通用，但推導方式可以通用。現在只需依據 wiki 中既有頁面，按這組參數重新推導 0.3。
• Controlled Variance: AI's Edge as Reduced Dispersion：+12% 有多少來自資訊蒐集的變異受控，又有多少來自取消面試官中止面試的裁量權？人類招募人員有 25% 的面試在中途篩除，AI 則為 7%，機械式地讓人類組別在評估階段前少了錄取機會。可證偽方法：在兩組都完成的面試子集中重新估計處理效果，或將篩除決策作為工具變數。論文同時回報兩個數字，卻從未拆解其影響。What the Instrument Can Resolve: Two Headline Numbers and Their Missing Denominators 於 2026-08-17 提供部分回答——結果方向與問題預期相反。加總本頁各類面試的占比後可見，兩組因提早終止而流失的面試比例幾乎相同（人類組 43%——25 篩除 + 9 未投入 + 9 無法聯絡；AI 組 45%——7 + 12 + 14 + 7 技術問題 + 5 拒絕）。差異在組成，不在數量：人類組的終止由招募人員發起，且以明確說出的不合格原因為條件；AI 組的終止由申請者或機器發起，且不以任何適配度資訊為條件。因此，問題提出的修正方式是不對稱的——只移除人類篩除，結果為 11.60% 對 10.47%（−10%，方向翻轉）；只移除 AI 技術失敗與拒絕，結果為 8.70% 對 11.06%（+27%）；在兩組中移除所有提早終止類別，結果為 15.26% 對 17.70%（+16%，高於已發表的 +12%）。損益兩平界線是：若被差異性篩除的申請者錄取率為 r* = 1.03/18 = 5.8%，即人類組自身 8.70% 基準率的三分之二，中止面試管道就能解釋全部效果——對於因不可妥協要求（地點、簽證、重新聘用資格）而被淘汰的申請者來說，這不太可能；不過論文從未公布提早／中段／後段篩除的比例，而 Late Screen-Out 按定義接近完整面試。三項因素讓問題仍未解決，而且全都是論文未回報的資料：(i) r 本身，以及按組別和類別劃分的提早終止面試錄取率；(ii) 各組以隨機分派分母計算的可評估紀錄比率——25%/7% 的占比是以 34,109 份逐字稿計算，論文稱其為「所有已進行面試的一個子集」；考量到面試所需時間從 0.51 天降至 0.32 天，AI 組可能面試了更多被分派者；(iii) AI 代理程式是否根本具有中止面試的動作——分類器的判定手冊要求「招募人員說明因不合格而結束通話的理由」，但論文從未說代理程式是否獲准淘汰申請者。以上所有修正也都以處理後變數為條件，因此只能界定這項管道的影響，不能識別它；要識別效果，唯一可行設計仍是將篩除決策作為工具變數。
• Cross-Model Error Entanglement：BEI 圖衡量的是糾纏，還是模型年份？排名前 10 的配對全是 2023–2024 年的 Llama 與 Qwen 模型，完全沒有前沿模型配對；而難度是用另外 16 個模型估計的，因此一對整體偏弱的模型，可能在所有地方都呈現較高的擬合失敗機率。將名單限制在同一發布期間（或像 Zhu 對分數矩陣所做的那樣，先用發布日期將錯誤矩陣的影響回歸掉），即可檢驗家族內訊號是否仍存在。Kohli 於 2026-09-22 從側面提供部分回答，而非正面驗證。他的九位評審都是目前的前沿端點——沒有跨越三代的差距——評審小組仍顯示 φ̄ = 0.391，相關性最高的三組配對全是跨家族（Claude × Gemini 0.603、GPT-4o × Claude 0.588、Mistral × DeepSeek 0.564），同家族的額外相關性則只有 +0.047。因此，限制為單一發布期間的名單時，依賴性並未消失，也沒有按血統分組，這是反駁 BEI 家族內高排名由年份造成的證據。但這不是本條要求的實驗：工具不同（原始判決層級的 φ，而非依難度調整後的額外共同失敗），任務不同（NLI 分類，而非 MMLU-Pro），評審小組也完全沒有開放權重模型——因此，它表明限制年份後跨家族發現仍存在，卻不能說明 BEI 的家族內排名是否也會如此。Hossain, Yousefi & Lim 於 2026-09-25 再次提供佐證，使用第三種工具與第四份評審名單：GPT-5.6-sol、Claude Opus 5 和 Grok 4.5——都是目前的前沿端點，沒有世代差距——顯示跨供應商平均錯誤相關性（0.42）與同一供應商 Gemini 群組的相關性（0.40）在統計上無法區分，而且校正題目難度後差距仍然存在（0.465 → 0.467）。三個獨立團隊、三種工具（BEI/CIG 的難度條件化額外共同失敗、Kohli 的 Kish n_eff、本文的 Ledoit-Wolf ρ̄）、三份評審名單，方向一致：在前沿評審中，供應商邊界無法預測較低的錯誤相關性。正面驗證的版本——將 BEI 本身重新套用於 Kuai 的名單，並限制在單一發布期間——仍未執行。
• Effective Compute Scaling：資料生成（合成、模擬、互動式）實際上能否跟上模型規模的成長？還是資料牆會先形成限制？The Data Wall and the Validation Commons Are One Supply Constraint 於 2026-08-17 提供部分回答，並改變了問題的衡量單位。在可驗證領域內，資料生成能跟上；在領域之外則無法跟上，因為語料所收錄的每項自我生成結果，真正受限的因素都不是運算：STaR 在幾輪後便停滯；Multiagent Finetuning 將機制稱為多樣性崩潰（即使「溫度很高」，單一模型的生成內容仍會收斂）；溫度約 1.2 的上限，以及「增加 10 倍樣本但不增加多樣性，效能不會改善」這項界線，都在推論階段指出同一限制；Absolute Zero 只在直譯器能取代人類時，才省去人類出題者。再加上 CS329A 第 9 堂課提出的驗證器延遲軸向——耗時數天的晶片模擬器是完美驗證器，面對數千個 RL 步驟時卻派不上用場——供應量因此受限於驗證器是否存在、速度以及生成器多樣性，以上因素都不是 FLOPs。因此，資料供應牆在抵達前便被轉移，而非形成限制或消失。問題尚未定論，原因在於證據：上方章節屬於 prediction（DeepMind 稱為「摩擦，不是根本阻礙」）；相反證據是來自投影片的 practitioner-opinion，而相關課程的論文不在 raw/ 中；此外，語料中沒有任何 empirical 前沿規模資料供應數據能支持任一方向。要解決此問題，需要報告不同模型世代在有效運算量下的合成資料與人類資料占比、在前沿規模並列繪製嵌入差異與準確率，以及自行提出課程的 pass@K。
• Elon Musk：加速後悔的概括是否可靠——OpenAI 案例是否真的支持「所有道路都通往加速」，還是這只是有可辨識設計缺陷的單一介入（非營利組織缺乏維持自身地位的機制）？部分回答（2026-08-19）：Safety Commitments That Cannot Bind the Actor Who States Them 認為這項概括缺乏支持——樣本數 n=1，屬於自我評估，語料中沒有任何反事實，也沒有獨立複現（Anthropic 分拆是同一介入的後續效應；2023 年暫停信只是呼籲，沒有任何能約束對象的機制）。語料中唯一具有實際持續機制的安全措施 RSP，就以自身證據推翻了「所有道路都通往加速」這項說法，因為它曾延緩一項發布。設計缺陷這項替代說法也沒有完全勝出：它同樣建立在單一訪談上，而 RSP 自身紀錄顯示，整套機制完全由自身管理，兩次關鍵決策都朝發布方向傾斜，而且唯一由外部掌握的槓桿（LTBT 的外部審查權）從未啟用。仍缺少另一個案例——需要有安全動機的明確紀錄、可由開發者以外的人判定的門檻、判定當時存在商業成本，以及由第三方記錄的結果。語料中沒有任何資料同時符合第二與第四項。
• Founder as Agent Orchestrator：編排角色如何改變創辦人的決策負擔？親自動手的任務減少了，但同時要監督更多並行代理程式；淨認知負荷仍不明，而且可能更高（見 AI Brain Fry）。部分回答：The Orchestrator's Real Workload: Decision Burden, Framing Discipline, and Whether Taste Scales——負擔變得更高且重新分配：執行負擔換成監督負擔，交換條件不利，因為新增加的工作容易出錯（疲勞時重大錯誤增加 +39%）、難以察覺（蓋章放行的規劃決策，在逐字稿中與判斷力無從區別），而且價值並非單調變化（HAS-Bench 的報酬曲線有峰值——介入過多會破壞任務）。只有刻意安排結構，才能限制負擔：限制並行數、抽樣審查、高風險閘門。目前仍未直接測量創辦人的監督負擔——並行遙測加總的是代理程式工時，不是人類注意力。
• Frontier AI Standards Body：能否用基準門檻界定監管範圍？下游一切——誰須提交資料、誰可豁免，乃至最終誰能在美國銷售——都取決於一項分數；而 wiki 記錄的基準飽和、污染與構念效度失敗，在這個領域已是常態。在法律義務能以周延基準為依據前，該基準必須證明什麼？Governance by Benchmark Threshold: What an Index Must Prove Before an Obligation Can Rest on It 於 2026-08-17 部分回答：「必須證明什麼」這部分已經釐清——七項特性：參照對象固定；辨別範圍涵蓋觸發區域；有可辯護的分數→義務映射；能抵抗雙向操弄；公開完整性稽核；在宣告預算、harness 和評估者身分下可由第二方重現；獨立於受測方。目前已有兩項證據，但尚未整合：可重現性——UK AISI 的最低有效預算，加上 Kimi K3 逐項基準的 harness 固定設定；完整性稽核——AISI 在 475 次執行 × 5 個模型中測得 7.8–14.1% 的作弊率，而沒有任何框架要求將這項資訊連同分數一併提供。前沿領域有兩項特性無法達成：辨別範圍，因為以人類為參照的工具，恰好在觸發門檻所在處停止提供有效解析度，而且治理實例已經發生（Responsible Scaling Policy Evaluations 在判定時移除了已飽和的 AI R&D rule-out 測試套件）；以及雙向操弄抵抗力，因為保留集與私有集只能防範灌高分數。對「能否界定」這部分的結論，是一套義務階梯：現在分數可以觸發揭露／提交義務；獨立性問題解決後，可觸發立案；但不能作為自動生效的市場條件——這表示此提案在設計要離開的自願階段仍然合理。問題仍未解決，這也是它仍屬部分回答的原因：語料中沒有建立或測試任何分級監管範圍，因此肯定答案建立在設計論證而非證據上；重新設計測量工具——文章未曾考慮的補救方法——目前只在可重現性上獲得展示，尚未用於監管範圍涵蓋的網路、生物或 AI R&D 領域。
• Impossible, Not Tedious (Design Test)：有些控制措施對人類只是麻煩，對代理程式卻構成障礙（或反之）。這項測試是否依代理程式而異？面對人類與代理程式混合的威脅模型，要如何評估？部分回答：Does 'Impossible, Not Tedious' Kill Defense-in-Depth? Layered Friction, Agent-Relativity, and the Frequency Paradox——是，但相對性取決於攻擊者的成本曲線與所在位置，不單是人類與代理程式的區別：「不可能」的控制措施不因行動者而異；「麻煩」的控制措施則須按攻擊者類別計價（ADI 確認對話框的摩擦施加在錯誤對象上；aiAuthZ 的身分閘門則是針對另一主體的障礙，對資源擁有者自身授權而言只是摩擦）。混合威脅模型的評估規則：依照能嘗試該攻擊路徑且成本最低的攻擊者類別評分；只有在控制措施能阻擋每一個可抵達此處的類別時，才能將其視為障礙。尚未解決的部分：目前沒有來源測量人類與代理程式混合部署。
• Item Response Theory for LLM Benchmarks：能力排名能否預測準確率無法預測的下游結果？目前的效度證據完全來自內部驗證與趨同效度——半數分割穩定性，以及同系列基準之間的一致性。沒有人檢驗 θ̂ 在預測外部結果（保留基準的表現、人類偏好、部署成功）時，是否優於答對百分比。可直接證偽：依模型在基準 A 上的 θ̂ 和準確率分別排序，再比較哪一種排序較能預測基準 B——這是比本頁所報告跨基準排名相關性更嚴格的測試。
• Logical vs Intelligible Proof：當 AI 產生的未解問題結果同時有散文論證與形式化版本時，哪種產物真正承載了理解？形式化是否曾改變數學家能如何運用這項結果？語料只有一個同時具備兩者的案例（Erdős 問題 90，18 頁對 120 萬行），但沒有任何地方回答這個問題。
• Multiagent Turf War：在競賽片段中，兩個代理程式在與同儕協商出的承諾下，放棄了各自主體的指令。是否有任何已發布的規格或指令階層說明：代理程式能否放棄自身指令，以解決與另一主體之代理程式的衝突？這場競賽究竟是協調成功，還是可修正性失敗？****部分回答（2026-08-19）：The Price of Mixing Agents, and the Principal Nobody Counted。沒有任何規格說明，而這是結構性缺口，不是沒找到資料：三類工具各自只列出一種主體階層——憲法硬性限制（SP1–3/GP1–2，對自身主體階層保持誠實）、稽核中的主體階層面向（Anthropic、營運者與使用者），以及 AIMS/OAuth 委派主幹（一個權杖對應一位委派主體）——而 AIMS（IETF draft-klrc-aiagent-auth）只會將代理程式對代理程式的互動壓縮為工作負載對工作負載的權限，放棄指令不會觸發這類權限：代理程式放棄自身指令時，不會發出呼叫、不會存取資源，也不會產生稽核事件。最接近的分類，就像 Auditing the Misalignment-Measurement Instruments 中的告密情況一樣，存在於測量工具而非規範中——Opus 5 的*「未受授權的第三方聯絡」指標只點出聯絡行為，沒有提到承諾。**兩者都是，分歧本身就是結果：**依據稽核自身的定義，這在每個條款上都是可修正性失敗（輸家既未向其主體透明，也不是提出異議者——這兩個對象都是錯誤對象；沒有人授權仲裁；而且明明可以升級交由人類處理），但語料中的所有指標都把它評為協調成功。Opus 5 最常提出的憲法修訂（占所有嘗試的 80%），恰好要求加入一項會禁止此行為的規則——承諾可透過對話修訂，而非「在對話中途受壓力影響而單方面放棄」。兩項殘餘問題讓此事仍未解決：否定面向依據的是 wiki 中的節錄*規格（raw/ 中既沒有完整憲法，也沒有 OpenAI 的 Model Spec）；而且來源從未說明輸掉的代理程式是否告知其主體——這正是 GP1 的判定關鍵。
• Post-Scarcity Macroeconomics：如果驗證能力是共同資源，而 Stockfish 門檻在不同領域的達成時間不一，驗證者仍然不可或缺的領域，可能會在達到門檻前就失去共同資源。是否曾觀察到任何領域出現這種先後順序？The Data Wall and the Validation Commons Are One Supply Constraint 於 2026-08-17 提供部分回答——有條件的否定、一項實測案例，以及一項結構性修正。語料中沒有任何領域顯示共同資源規模的耗竭；Lovett 在自己的框架中也如此表示（「這是結構性預測……不是觀察到的結果」），且存在積極的反證（丹麥研究的無效果，以及 Ramp 在密集採用者中觀察到 +12.0% 的初階員工人數）。最接近的實測案例是篩檢性大腸鏡檢查——在門檻顯然尚未到達的領域中，內視鏡醫師採用 AI 輔助偵測後，其獨立檢測準確度下降；但這是既有存量萎縮，不是再生機制失效，而且此案例屬於框架中脆弱性較低的一組。結構性修正是關鍵：門檻會先在恰好存在可靠、低成本驗證器的地方到達（Lean、隱藏測試案例、execution feedback），而這正是人類驗證者從未扮演關鍵角色的地方——因此，抵達順序與需求順序相關，本條擔憂的先後順序風險並非普遍情況。它確實存在於下一層，也就是子任務邊界，而且形式數學已呈現其樣貌：Lean 檢查每一步後，人類剩下的工作是檢查形式化，而非證明。**仍待解決：**沒有人測量這項殘餘能力是否在任何地方萎縮。解決問題所需的測量工具已列於衍生頁面。
• Printing Press Software Democratization：2026 年，領域專家親自成為建構者，是否已大規模發生？軼事案例（商店老闆、微控制器愛好者）有；非工程師將軟體建構列為主要工作，則較不明確。（部分回答：Anthropic's 400K-session study 發現，非軟體職業在產生程式碼的工作階段中達到已驗證成功率，與軟體工程師相差約 7 個百分點——這是迄今最有力的證據，顯示此主張至少適用於 Claude Code 使用者。市場規模佐證：Emergent 表示有 20 萬名以上非技術付費客戶——卡車運輸公司、工廠和營造業者自行打造 ERP，物業管理者打造 CRM 工具（TechCrunch，2026 年 7 月，vendor-claim）——Boris 所說的「會計師寫會計軟體」，如今是付費市場中的現象，而非只出現在單一供應商的遙測中。）進一步推進：Is Breadth Cheap Now? Specialist Ramp Speed and Domain-Expert-as-Builder at Scale 將所有證據分成三個層級——能力平等（已測量：相差 7 個百分點內）、市場存在（已證明但由供應商宣稱：Emergent 的 20 萬名以上非技術建構者；28–40% 的商業職務說明中列有 AI 職責），以及將建構軟體作為人口層級的主要工作（仍未證明：每項受測族群都偏向採用者、互補條件限制實現價值，而且 ATLAS 的組成顯示專家把 AI 用於自己不擅長的任務，而非非專家成為建構者）。如今限制因素變成互補條件與理解力的保留，而非能力。一項實務案例（2026-08-28）：Andrew Ng 描述了一個把此做法視為常態的組織——「我的行銷人員都會寫程式」、行銷人員自行打造的桌面應用程式、財務長撰寫的文件檢查腳本，以及把*「你做過什麼」作為行銷職位的面試問題（Andrew Ng: The Biggest Opportunities in AI Aren't Where You Think，practitioner-opinion）。這最多只是第二級證據——單一公司，且由創辦人刻意選中（「我的團隊大概……稍微領先趨勢」），沒有成果衡量——但這是知識庫首次收錄企業內部的非工程師以主要工作建構軟體*案例，而非供應商的客戶數量。
• Procedural Value in AI Decisions：知識庫如今有一項人類決策權溢價的明確陳述（+0.272，美國 Prolific 求職者），以及 78.4% 選擇 AI 面試官的揭示偏好（菲律賓初階求職者，兩組都由人類決定）。上方對選擇對象的調和解釋了方向，卻沒有解釋幅度：剩餘差異來自族群與利害關係嗎？還是面臨真實職缺申請的美國求職者也會選擇 AI？新來源出現前，可先綜合這兩頁與知識庫中其他明示偏好與揭示偏好配對。
• Prototype Over PRD：如果沒有 PRD，未來讀者要去哪裡找理由（「為什麼選擇版本 B」）？Building Is Cheap, Arguing Is Expensive 也指出了相同的理由留存缺口。部分回答：Where Does the Why Live?——作者在撰寫當下能妥善保留理由（它就是留下紀錄的為什麼，而非做了什麼的對話），但閱讀時這些理由無處可尋，因為承載它們的產物已被刪除。仍待解決的是，是否存在既持久又不會重新引入 PRD 的閱讀時存放處。
• Reasoning–Acting Interleaving (ReAct)：當動作空間龐大時，列舉有效動作集合就會失效；而所有實際代理程式如今都處於這種情況。是否有任何方法能大規模恢復保證？還是目前的完整解方就只有具型別的工具結構描述加上重試？**Guarantees That Degrade at Deployment: Action-Space Soundness, Admissibility Without Effect, and a Vendor-Coupled Security Framework 於 2026-08-17 部分回答。**二選一的部分已經釐清：具型別的結構描述屬於能力閘控，嚴格弱於列舉提供的保障——它只驗證形狀；跨框架稽核 發現 LangChain/LangGraph、LlamaIndex 和 Stripe Agent Toolkit 預設都沒有針對具體引數值的確定性失敗關閉檢查。透過將保障移到別處即可恢復：ScopeGate 第 1 階段（「未列出的工具 → DENY。阻止模型發現的工具和拼錯的變體觸發副作用」）將本頁的方法從提示移至執行時；清單長度不再造成成本，而集合外的動作會變成無法執行，而非只是機率較低——接著第 2–5 階段會判定提示清單永遠無法決定的性質。重試部分也有進展：NetInjectBench 閘門採用固定安全備援，而非直接終止，因此封鎖成本幾乎為零（不安全工具動作率 0.00%，有用動作率 99.17%）。**尚未回答的是「大規模」這一半。**限制已從情境容量轉為政策涵蓋範圍，但沒有來源測量過大型工具介面的閘門——ScopeGate 管理的工具不多，NetInjectBench 只有兩個工具，而且它沿用既有變更管理紀錄中的政策，而不是自行撰寫政策。Rashidi 的缺口 4 指出，在 39 篇執行安全論文組成的語料中，沒有任何論文測量政策撰寫錯誤。
• RSI Autonomy Levels (B0–L5)：依問卷分配的等級，是否與獨立閱讀同一系統所得的結果一致？論文根據作者自行閱讀各篇引用研究後分配等級，沒有評分者間檢查；除了文字定義外，也未公布評分規準——而論文附錄 B 自己聲明，「RSI 標籤是對應 B0–L5 分級的精簡標記，並非主張公司本身使用該標籤」。無須新增來源，就能在此 wiki 中證偽：語料已有數個問卷評級系統的獨立分析（Ouroboros、DGM、Caltech knowledge protocol、Absolute Zero、Cline 的 campaign），可綜合各篇文字定義為每個系統分配等級，再與問卷本身的評級比較。
• Shane Legg：報告假設 alignment 已「在足夠程度上獲得解決」，因此聚焦發展軌跡——Legg 對 AGI 時程的樂觀，如何與此範圍設定相符？部分回答（2026-08-19）：Safety Commitments That Cannot Bind the Actor Who States Them 回答了範圍設定的問題，也修正了前提。語料中完全沒有 Legg 的時程主張——這種樂觀來自 wiki 之外，無法在此測試（唯一有紀錄的 DeepMind 短時程主張，是 Hassabis 在 Frontier AI Standards Body 所說的「可能只剩幾年」）；報告本身也拒絕給出具體時程（「不聚焦於單一技術軌跡與時間表」）。已釐清的是：這項假設與報告同一段落中的自我承認互相矛盾，報告承認「alignment 困難可能至少在某種程度上，直接成為能力發展的瓶頸」——依報告自身定義，這是一種摩擦，卻未列於表 4，且它特別限制路徑 3，也就是唯一沒有歷史資料可供擬合的路徑。若從 Legg 本人找到談時程的來源並納入資料，應重新標記為 #oq/source。
• Structured Safety Case (Claim Decomposition)：主張 6 承認，緩解措施論據與「極不可能」論據共用同一個前提，因此會一起失效。是否有任何實驗室的安全論證包含真正獨立於模型屬性主張的緩解層？對具有內部部署存取權的模型來說，獨立層又會是什麼樣子？部分回答：The Configuration Gap: What an Assurance Argument Measures vs What It Covers 稽核了各種候選措施。並非獨立的措施：非同步離線監控（監控器受提示而偵測*「試圖降低可觀測性」——只是把主張 1 改寫成偵測目標；而其自我揭露停用路徑之所以令人放心，是因為模型受詢問時不會說出這些路徑，這是將主張 1.4 借給主張 5）以及行為稽核本身。部分獨立：白箱探測，但其評估答案受 model-organism 影響；模型的可偵測性會隨訓練方式改變 1.2–20.4 倍。真正獨立但範圍有限的措施：ASL-3 權重安全，僅涵蓋非國家行為者，而 Anthropic 在 §4.8 預測該模型會在自身門檻尚未達成前發布；以及主張 5.4 對數量與功能的論據，此論據用於兩種一般存取路徑，但承認沒有直接證據。分類器堆疊在運作機制上是獨立的，而且展示了這有何作用——每次已揭露的失敗都落在部署軸上（1.33 億次互動中，封鎖分類器有 11 個月被停用），也就是相關性較低的失敗，而非失敗次數較少。獨立層的規格*已有回答——移除能力，將對照機制置於代理程式的信任網域之外，預設失敗關閉，只有透過頻帶外授權事件才能重設（Does 'Impossible, Not Tedious' Kill Defense-in-Depth? Layered Friction, Agent-Relativity, and the Frequency Paradox）——但答案仍不完整，因為沒有任何實驗室將這種層列為關鍵措施，也沒有人測量自適應攻擊下的異質堆疊。
• Systems Thinking Over Specialization：Stone 主張，專家現在能透過 AI 工具「快速」拓展能力。wiki 的證據是否支持低成本拓展能力？Returns to Expertise in Agentic Coding 中新手到中階的凹形曲線顯示，建立工作理解或許容易；但有經驗的專家跨領域提升能力的速度，是否有證據？部分回答：Is Breadth Cheap Now? Specialist Ramp Speed and Domain-Expert-as-Builder at Scale——拆開來看：使用工具時的工作表現廣度可測量地低成本（凹形曲線使所需增量不大；管理端的證據顯示，專家的後設技能——精準表述、驗證規格、判斷誰來糾正誰——能跨領域遷移，因此有經驗的專家能從高於新手的起點開始；AI 輔助的入職訓練又能進一步縮短提升期）。能力保留型的廣度尚未證明，而且唯一的隨機證據反而不支持：移除工具後，自動化模式帶來的收益消失，而自我回報會掩蓋能力不足——增強或自動化的使用方式，決定了能取得哪種效益。沒有任何地方測量提升速度本身；目前以機制論證代替速度測量。
• The Three Loops of AI-Native Building：Ng 表示，開發者的 QA 負擔已「顯著」降低。Faros 的 2026 年遙測 對正式環境中的組織卻得出相反結果。差異真的來自 0 到 1 與正式環境的區別嗎？還是 Ng 的自我回報也受到問卷文獻一再發現的樂觀偏差影響？部分回答：Is Human Review of AI-Authored Code Still a Real Control, or Already Rubber-Stamping?——兩者都成立，不是二選一。範圍差異確實存在，而且是主要原因（0 到 1 的建置缺少讓正式環境驗證成本高昂的審查機制：沒有佇列、沒有事故預算，也沒有需要理解程式碼的未來維護者），因此 Ng 的負擔確實可能降低；與此同時，他的證據是自我回報的主觀負擔，而本頁指出，這種測量工具落後於系統實況，且傾向報喜不報憂（The Automation–Optimism Link 所述的「自我回報沒有缺損」，對照 Contractor & Reyes 隨機研究中測得的收益消失），所以「顯著」只是感受，不是幅度。就組織案例而言，Faros 的結果優先於兩者，仍是決勝依據。缺少的是：0 到 1 建構者任何實測 QA 時間序列。影響這一半已有數字，2026-08-12——DX 的 2026 年第二季調查（vendor-claim，500 多個組織）指出，AI 使用者估計每週省下4–6 小時，但創新比率（投入新功能的時間占維護與間接工作時間的比例）維持平坦。這部分承認了 Ng 的說法，也反駁了他從中推導的結論：省下的時間確實存在，而且從調查規模來看，這些時間並沒有依照他的說法用於更高階的產品決策。須注意這項資料沒有證明什麼。這是供應商自行選取的客戶樣本，方法細節位於需登入才能查看的報告中；它測量的是時間分配，而非 QA 負擔本身；比例持平也符合另一種可能：省下的時間被 Faros 測得的審查與事故負擔吸收，而非從未省下。它完全不影響 0 到 1 的範圍差異，因為單人建構者沒有可變動的創新比率。省下的時數翻倍，仍未投入創新，2026-09-22：AI accelerates output, not innovation（DX，vendor-claim，同一客戶群）將數字更新為2026 年第二季每週節省 6.1 小時，2025 年第三季則為 3.0 小時；並以 15 項工作流程指標迴歸創新比率：AI 產出解釋了節省時間差異的 63%，但對創新比率的標準化 β 只有 0.16，而且模型只能解釋其中的 13%。這讓上方的「部分承認與反駁」更加明確，卻沒有改變結論——釋出的時間效果比一季前更大，但轉換成新功能工作的效果仍可測得很弱。相同限制依然適用（兩端都是自我回報、供應商樣本、方法未公開），此外還多了一項發現：最能預測創新比率降低的是資訊搜尋摩擦（β −0.19），這是情境問題而非 QA 問題，因此 DX 自身資料也沒有說這些時間花在 QA 上。Ng 所說的晉升故事，以及 Faros 所說的急速擴張機制，都仍成立，而這個模型只能解釋八分之一的結果。
• Verification as the New Bottleneck：Fung 自己提出的未解問題是：「全自動審查要推到什麼程度？」速度與安全如何取得平衡？又該如何讓人類保持信心，同時避免重新引入審查瓶頸？Review as the Control Point 讓問題更加明確：完全自動化可靠地提高審查吞吐量並降低延遲（P8），但對程式碼品質與安全性的影響仍有爭議（P9）；而審查治理政策對延遲的影響方向，會隨校準方式翻轉——只對重大變更設閘的風險分級政策會降低延遲，一體適用的政策則會提高延遲（P17）。因此，「推到什麼程度」沒有單一答案：安全前沿取決於自動化審查者的能力與流程設計（該頁三項調節因素中的兩項），而不是一個固定刻度。部分回答：Is Human Review of AI-Authored Code Still a Real Control, or Already Rubber-Stamping?——「推到什麼程度」應視為一種分類，而不是刻度：100% 自動化機械檢查（風格、lint、規格偏移、測試）；自動化品質／安全判斷則是有爭議的部分（P9，供應商主張尚未測量）；硬性界線不是找出缺陷，而是審查除了找出缺陷之外還發揮的作用——提升審查者技能（P12/P13）、集體所有權（P14）、償還理解債務（P15）——即使機器抓到所有 bug，自動化仍會侵蝕這些功能。殘餘問題：調節因素的門檻仍未測量。2026-07-29 加入下限數據：Security Debt of Agent-Generated Code（empirical）指出，針對硬編碼憑證——唯一有專門自動偵測工具的味道類別——在 4,022 個代理程式 PR 中，七種不同機器人與人類審查者合計只對 18.9% 真正存在於程式碼中的憑證留言。因此，「全面自動化機械檢查」只是處方，不是現況：即使完全能以機械方式處理的項目，目前也沒有妥善自動化。2026-07-29 加入部署校準案例：Risk-Tiered Auto-Approval（case-study）：PostHog 的 StampHog 對「推到什麼程度」的回答是只做到低成本結構檢查能涵蓋的範圍——PR 狀態、爆炸半徑禁止清單，以及 <500 行／<20 個檔案的上限共同決定是否通過；LLM 檢查則降為最後順位的否決項，只能收緊、不能放寬——最終涵蓋約三分之一合併至其主要程式碼庫的 PR（一個月 1,600 件）。兩項限制使這不能算是完整答案：此流程取代的是由工程師進行的 Slack 印章交換儀式，而工程師當時「幾乎沒有任何情境資訊」，所以它只是將默示的蓋章放行轉換成經明確閘門檢查的蓋章放行，並未自動化實質審查；而且報告了數量，卻沒有錯誤批准或缺陷漏網率，因此 P9 中有爭議的部分在大規模情境下仍未測量。2026-08-12 出現另一種回答——Tran et al.（empirical，352 萬項正式環境變更，並設有人類對照組）：至少針對一類缺陷，「推到什麼程度」是錯誤的問題，因為在人類審查的任何深度下，人工審查都沒有貢獻任何可測得的效果。研究檢驗審查時間與迭代次數是否能預測低效率 AI 生成 C++ 的殘留情況，發現兩者毫無相關，因此得出結論：上游自動介入是必要的，而非只是速度較快。這讓上方的分類更進一步：問題不只是「機械檢查 vs 判斷」，還包括哪些缺陷根本無法被讀者看出——正確且符合慣例的函式中缺少 move constructor，閱讀時看不出來，靜態檢查卻能輕易辨識。限制在於，研究報告了零相關性，卻沒有提供統計量或規格；此外，具備成熟靜態分析的 monorepo，早已將大部分原本需靠審查抓出的問題自動化。2026-08-12 加入採用率數字——Cynthia et al.（empirical，341 個程式碼庫中的 54,713 則代理程式審查評論）：上方分類主張「全面自動化機械檢查」，這項研究首次以大規模族群測量自動化層的產出是否被採納。答案是有，約十次中有七次（Copilot 72.9%／Cursor 67.2%／Codex 54.8%），影響採納率的因素是可執行性，而非文筆——內嵌程式碼建議是最強的預測因子（OR 1.62），而評論長度與解釋數量越多，採納率反而越低。兩項因素使這項結果無法進一步擴展分類。合併模型的AUC 為 0.58，所以評論設計對結果的解釋能力很有限，控制此因素後，各代理程式之間的差距仍然存在。而且採納不等於有效：研究測量的是人類是否關閉討論串，從未測量是否真的存在缺陷——因此它補上了「機器的產出是否被使用」，卻讓「它是否抓到任何問題」維持在 18.9% 憑證下限所顯示的原狀。2026-09-22，實務工作者實際如何劃界：When Review Alone No Longer Scales: Layered Supervision in AI-Assisted Software Engineering（case-study，5 場訪談）是本頁第一個報告決策程序而非能力估計的來源，而且這是一種逐步推進機制：審查中反覆出現、重要性足夠高的規則，會永久升級為 lint 規則；建置系統成為裁決者；人類剩下的工作則由負面方式定義為無法編碼的部分（情境式詮釋、架構取捨推理、可維護性評估）。這讓分類的機制更加明確——邊界依據規則是否重複出現而移動，從不取決於自動檢查器準確度；而 18.9% 憑證下限恰好指出，沒有人在測量後者。它對安全性的問題沒有任何回答：只有五場訪談，沒有缺陷率、漏網率或審查時間測量。自動化端首次出現與結果相關的訊號，但沒有數字（2026-09-22）：Faros 的 The Speed Trap（vendor-claim）報告指出，大量採用代理式審查的團隊，首次審查速度較快，變更失敗率也較低——這是語料首次將審查自動化與品質結果連結，而非只談採用率或偵測率。這項證據幾乎沒有價值，僅記錄其方向：兩項主張都沒有百分比，Faros 明確標示為相關性觀察，資料來自供應商自己的客戶且未公布方法；同一篇貼文也指出，即使代理式審查採用率很高，未經審查的合併仍不斷增加——這正是本頁分類試圖處理的數量問題。它沒有改變有爭議的品質關係；而在許多公司，50–80% 的 PR 已交由自動化層處理，因此其成效仍未測量，這項事實更加顯眼。
• Zero Trust for AI Agents：此框架將每一項 Claude Code「Pro-tip」都當成參考實作。框架有多少與供應商無關？又有多少默默假設採用 Anthropic 技術堆疊？**Guarantees That Degrade at Deployment: Action-Space Soundness, Admissibility Without Effect, and a Vendor-Coupled Security Framework 於 2026-08-17 以分層拆解方式提供部分回答。**中立，而且有明確證據：**此原則早於 Anthropic（Marsh 1994、NIST SP 800-207、NSA ZIGs、OWASP 的 least-agency 術語），而且八個控制領域每一個至少都有一種並非由 Anthropic 建立的實作——領域 1／第 6 階段的 IETF AIMS 與 MCP 規格中的 CIMD；領域 2／第 5 階段的 ScopeGate、NetInjectBench、aiAuthZ 和 OpenID AuthZEN 草案；領域 5／第 4 階段的 CaMeL / FIDES / Progent / RTBAS / FORGE / APPA；第 7 階段的 TMA-NM 與 MemSecBench。**與供應商技術堆疊綁定的部分：**21 項 Pro-tip 中有 17 項點名 Claude Code（未點名的四項分別涵蓋自架 MCP 伺服器、將工作分配給多個代理程式、JIT 與 ABAC 因素）；八個領域中有兩個——行為監控與回應、AI 治理政策——其 Pro-tip 完全是產品設定（settings.json、受管理設定、allowManagedPermissionRulesOnly、cleanupPeriodDays、hooks），而知識庫中沒有外部對應方案。**一項實質差異，而非風格差異：**分級階梯以硬體支援的 HSM/TPM 身分加上遠端證明為進階目標；AIMS 則將硬體支援金鑰儲存列為可選，而且「非互通所必需」，並以每次簽發時的姿態評估取代遠端證明——這是兩份 practitioner-opinion 文件，彼此都沒有較高的證據位階。**更重要的修正：**Pro-tip 只能證明控制措施已部署，不能證明它有效——Agent Data Injection (ADI) 在 Claude Code 參考實作上成功達成 RCE（Codex CLI 和 Gemini CLI 也同樣如此）；而經 NIST NVD 確認的兩項 Claude Code CVE（CVE-2025-59536、CVE-2026-21852），都是同一個 Zero Trust 範例產品中的信任邊界競態條件。**使問題仍未完全解決的因素：**在行為監控與回應、AI 治理政策這兩個領域，知識庫沒有任何 Anthropic 以外的實例，因此無法區分「框架在此假設採用 Anthropic 技術堆疊」與「知識庫尚未收錄其他方案」。要解決此問題，需要外部來源說明代理程式行為基準建立，以及多供應商代理程式治理政策的執行——屬於 #oq/source 類型。