PRAXIS: Graph-Grounded Tacit Knowledge for Domain Code Generation 精读

论文链接：PRAXIS: Graph-Grounded Tacit Knowledge for Domain Code Generation 代码：github.com/jiangxxxue/PRAXIS 发表时间：2026年8月20日（arXiv v1） 机构：北京大学高置信软件技术重点实验室（主导）+ 新加坡国立大学 + 上海交通大学（纯高校合作） 领域标签：cs.SE / cs.AI

一、论文背景

1.1 通用编码 Agent 的「主场光环」与「客场失灵」

过去两年，LLM 编码 Agent 在通用软件工程基准上高歌猛进：SWE-bench 上领先系统已能解决过半真实 GitHub issue，OpenHands、SWE-Agent、AutoCodeRover 这些框架各显神通——有的精心设计仓库导航接口，有的把代码搜索和程序分析组合起来。看起来「AI 程序员」指日可待。

但真实世界的软件开发有个截然不同的基本盘：领域代码生成（domain code generation）才是主流。强化学习训练管线、RAG 引擎封装、Agent 框架二次开发、模型优化工具链——这些专业仓库里塞满了项目特有的约定、约束和实现模式，而它们几乎不可能出现在模型的预训练语料里。结果就是：在通用基准上耀武扬威的 Agent，一到领域数据集上准确率断崖式下跌。KoCo-Bench、DomainCodeBench 等基准反复证实了这一点。

1.2 两个精巧的预实验：问题不在「看得见的代码」

论文开篇做了两组控制变量实验（OpenHands + DeepSeek-V3.2，在 KoCo-Bench 上 Pass@1 仅 19.1%），一步步排除了「表面原因」：

实验一：把标准答案的依赖直接喂给它。 作者构造了一个「近乎完美」的代码上下文——直接提供目标实现所依赖的全部金标依赖源码。结果相对提升只有 19.9%，整体表现依旧很低。更有意思的是失败模式：依赖明明就在眼前，Agent 却不知道怎么正确地用它——比如接口签名都对、调用也不报错，但就是不符合这个项目的用法。

实验二：让它自己探索仓库、总结领域知识。 让 Agent 主动逛仓库、把依赖的领域知识总结出来，连同源码一起供给。结果？相对提升仅 4.8%，几乎可以忽略。

这两个数字合起来指向一个结论：真正的困难不在代码库里「看得见」的东西，而在「藏在下面」的东西。

1.3 隐性知识：只存在于老员工脑子里的东西

人工分析失败案例后，论文把根因命名为隐性知识（tacit knowledge）：领域特有的业务规则、接口契约和操作约定——开发者通过长期参与一个代码库才内化于心，却几乎从不写进文档、注释或源码。

论文给了一个极其典型的案例。任务是实现 _create_rag_instance——一个工厂方法，职责是配置回调并返回初始化好的 RAG 引擎。Agent 的实现运行零报错：构建配置、按依赖源码的原样模式定义 LLM 与视觉回调、处理可选的 reranker、返回引擎——看起来无懈可击。然而所有测试用例全挂，原因是两条没有写在任何地方的契约：

• 契约 A（嵌入前必须做 chunk 增强）：Agent 直接调 embed(texts)；而金标会先用项目专属的检索提示模板包装每个 chunk 再嵌入。为什么？因为查询侧独立地用同一模板包装用户查询后才编码——为了让向量对齐，索引侧必须同样包装。这条互相约束在代码库里没有任何地方写明，它是一种嵌入在代码结构中的约定。Agent 的实现「看似正确」，却静默降低检索质量。
• 契约 B（LLM 回调必须注册到项目的模型路由器）：Agent 构建回调后直接传给引擎；金标还会调用 self.llm_router.register(llm_func, config.model_name)。因为在这个项目里，查询分解器、答案合成器等流水线阶段是运行时从共享的 llm_router 查找回调的——工厂不注册，下游就静默回退到默认模型，产出错误结果。关键是：这条约束从工厂自己的接口上完全不可见，但工厂与下游消费者通过依赖图中的共享 llm_router 节点结构性地连接着。

这个案例是全文的题眼：知识不写在任何单一位置，却通过依赖关系跨组件传播。

1.4 三重性质：为什么现有方法必然失效

从案例推广到全部失败模式，论文归纳出隐性知识的三个内在性质——这也是全文一切设计的出发点：

P3 最致命。Agent 的失败不是「搜了没搜到」，而是压根没意识到该搜。这从机制上宣判了「经验库 + 主动检索」范式的死刑——你不能检索你不知道自己缺少的东西。

1.5 一句话定位

论文要回答三个问题：隐性知识怎么提取（用开发实践而非静态阅读）、怎么表示（锚定在代码依赖图上而非平铺列表）、怎么复用（主动注入而非等 Agent 来查）。

二、论文定位和关联工作

这篇论文处在三条研究线的交汇处，理解它与每条线的差异就理解了它的贡献。

2.1 领域代码生成：三类既有方案为何都不行

这些方法在实践中只有边缘且不一致的改进。目前领域代码生成上表现最好的其实是 agent 化系统——但即便如此，问题远未解决。PRAXIS 与它们的根本区别在于：它瞄准的是一个根本上不同的知识来源——只存在于开发者脑中、学习和检索两条路都够不着的隐性知识。而且 PRAXIS 免训练，可以叠加在任何现有 Agent 之上。

2.2 LLM 编码 Agent：提升「通用能力」vs 补给「特定知识」

从 Self-Collaboration 的多角色协作，到 SWE-Agent 的 Agent-计算机接口、AutoCodeRover 的搜索+程序分析、OpenHands 的 ReAct 开放平台；再到训练侧的 SWE-Gym（可执行训练环境）、SWE-RL（可验证奖励的强化学习）、SEAlign（关键动作步偏好优化）等。

论文的区分一针见血：这些工作提升的是 Agent「一般能做什么」，PRAXIS 提供的是 Agent「关于某个特定代码库需要知道什么」。两者正交，可以叠加。

2.3 经验/技能演化：三个维度的全面差异（最直接的竞品）

这是与 PRAXIS 最同类的方向——从 Agent 轨迹中积累可复用资产：

• 经验侧：AgentKB、AutoRefine 构建经验库供检索；SWE-Exp 挖掘已解决的软件 issue 并在推理时检索经验，是软件工程上最直接的应用。
• 技能侧：Kimi-Dev 用 SFT 蒸馏工作流为先验；SICA 自我改进；CodeSkill 用 RL 训练技能抽取策略；Trace2Skill 用免训练的提示式抽取+检索蒸馏可迁移技能。

论文沿三个维度给出对比，每一条都精准对应一个性质：

还有一个隐藏维度：这些方法从「已解决任务的轨迹」里学，而 PRAXIS 专门设计了一个暴露失败差异的实践阶段——这对应 P1：不在实践中犯错，隐性知识根本不会露头。

三、问题定义

3.1 任务形式化

领域代码生成：给定一个专业领域仓库 R（含项目特有约定、约束与实现模式，不太可能出现在预训练语料中）与自然语言需求描述 d，Agent 可全量访问 R 的所有文件（源码、文档、配置），像人类开发者接手陌生代码库那样工作：理解需求 → 探索仓库 → 读接口与约定 → 写代码 → 出错修订。

过程形式化为 ReAct 式轨迹：T = ⟨τ, h₁,a₁,o₁, …, h_T,a_T,o_T⟩，每步产生思考 hᵢ 与动作 aᵢ（代码搜索 / 读文件 / 编辑），环境返回观察 oᵢ，最终动作提交实现 f̂。

判定标准极其严格：当且仅当 f̂ 通过全部单元测试 U = {c₁,…,c_m} 才算解决——∀j, Pass(f̂, cⱼ) = True。这不是「答个大概」，是工程意义上的全对。

3.2 真正要解的三个子问题

论文把总目标拆解为环环相扣的三问，每问恰好对一个性质：

1. 提取问题（→P1）：如何让藏在水下的知识浮上来？——答案：模拟人类开发者的真实工作流，在目标代码库里真写代码、真踩坑、真迭代。
2. 表示问题（→P2）：浮上来之后怎么存才不丢结构？——答案：把每条知识锚定到对应代码实体，组织在代码依赖图上，保留传播路径。
3. 复用问题（→P3）：怎么送到恰需之处？——答案：主动投递——让知识去找 Agent，而不是让不知道自己缺什么的 Agent 去找知识。

3.3 两个值得注意的边界设定

• 无数据泄漏：三个离线阶段严格排除评测测试集代码（论文专门引用了污染检测文献自证清白）。
• 离线/在线分工：前三个阶段离线完成（每个仓库只做一次），第四阶段在线运行于推理时；另有一条在线演化通道让知识随真实任务持续累积。

四、问题解法

PRAXIS 是一条四阶段流水线：❶实践暴露 → ❷蒸馏结构化 → ❸图上组织 → ❹主动注入，外加一条在线演化支线。

4.1 阶段❶：域内开发实践——让 Agent 当一次「新员工」

核心思想：人类新员工怎么学会隐性知识？不是读文档（没有），而是上手写代码、犯错、被测试打脸、改。PRAXIS 让 Agent 复刻这条路径。

选哪些函数练手？ 仓库函数集 F 上构建依赖图 G=(V,E)（静态分析构造；边来自两步：①调用依赖——u 调 v 则加边 (u,v)；②数据依赖——无调用关系但 u 消费 v 产出的数据也加边）。然后用三个互补策略选候选：

1. 业务逻辑函数：LLM 语义分析过滤掉通用工具代码，挑出承载项目特有领域规则的——隐性知识最密集；
2. 高入度（callee-heavy）函数：被众多模块调用的核心接口——关于它们的隐性知识下游影响面最广；
3. 高出度（caller-heavy）函数：调用众多其他模块——正确实现需要理解多份接口契约，典型涉及多跳隐性知识与业务流水线。

三者取并集得候选池 F_cand。

怎么造练习题？ 对每个候选函数 fᵢ（金标实现 fᵢ*），LLM 生成自然语言需求描述 dᵢ 和一组多样化测试输入 Xᵢ。质量闸门：测量 Xᵢ 对 fᵢ* 的行覆盖，只有超过 80% 才准入——保证测试输入充分锻炼函数行为、差分测试能可靠检出差异。

怎么练？ 把 F_core 中每个函数的函数体删掉，只留签名与 docstring，让 Agent 在完整仓库上下文里重新实现：

f̂ᵢ ∼ A(· | sᵢ, dᵢ, R)

每个练习会话独立进行——互不「串答案」。

怎么暴露差异？差分测试：每个测试输入 xⱼ 同时喂给 f̂ᵢ 与 fᵢ*，收集行为差异集：

Dᵢ = {(xⱼ, f̂ᵢ(xⱼ), fᵢ*(xⱼ)) | f̂ᵢ(xⱼ) ≠ fᵢ*(xⱼ)}

每个差异作为观察反馈进 Agent 的实践轨迹，驱动下一轮修订 f̂⁽ʳ⁺¹⁾ᵢ ← A(f̂⁽ʳ⁾ᵢ, D⁽ʳ⁾ᵢ)，循环直到差异清空或到达最大轮数（R_max=3）。完整的实践轨迹 Tᵖᵢ 涵盖探索、实现、诊断、修订全过程。

关键洞察：失败本身是资产。Agent 哪里错、错成什么样，精确标定了隐性知识的位置——这就是 P1 的解法：实践是隐性知识唯一的显影液。

4.2 阶段❷：结构化知识获取——蒸馏为可验证的四元组

对每个练过的函数构造结构化 diff：Δᵢ = ⟨Tᵖᵢ, Dᵢ, fᵢ*⟩——实践轨迹（含全部实现尝试）、行为差异、金标实现三者并置。若 Agent 多轮仍未解决全部差异，则提供金标实现供对照，从差异中提取知识。

基于 Δᵢ，Agent 提取知识单元集 Kᵢ——扎根于具体差异，而非自由发挥的总结。每个单元存为程序性记忆（procedural memory），是四字段元组：

k = (trigger, content, evidence, confidence)

全部练过函数的知识并集为 K。这个四元组设计妙在把「知识」与「使用条件」捆绑存储——为后面的按点注入埋好钩子。

4.3 阶段❸：图锚定知识组织——让知识沿依赖图流动

锚定：映射 φ: V → 2^K 把每个单元挂到来源函数对应的图节点上。

双向传播：这是对应 P2 的核心设计。对每条边 (u,v)：

• v 上的知识 k 若被 LLM 相关性评估认定与 u 相关，则生成改写视角后的传播版本 k′（trigger 更新为反映 u 的视角）加入 φ(u)；
• 对称地，u 上的知识也可传播到 v。

道理是：一个函数的约束会影响所有依赖它的函数；反过来，一个函数被使用的方式也会反过来要求它依赖的函数。传播迭代进行直至收敛或达到最大深度 4 跳——多跳约束（如案例中工厂 ↔ 路由器 ↔ 下游）由此保留。

去重与冲突仲裁：每个节点上语义等价的单元合并。因为独立提取的等价单元构成相互验证，合并后置信度应升高，公式为：

confidence(k_merged) = 1 − ∏(1 − confidence(k))

直觉：两条置信度 0.8 的独立证据指向同一知识，合并后 1−0.2×0.2=0.96——多个独立来源说同一件事，几乎不会是巧合。检测到矛盾单元时，由 LLM 仲裁者综合两者的 evidence 与置信度裁决保留谁。

最终产出知识标注依赖图 G_K = (V, E, φ)。

4.4 阶段❹：隐性知识注入——知识找 Agent，而非 Agent 找知识

对应 P3 的设计。全程用过滤映射 φ_θ(v) = {k ∈ φ(v) | confidence(k) ≥ θ}（θ=0.7）拦住低质单元。分两个时机：

时机一：任务初始化注入。 新任务 τ 到来时，从任务描述定位目标代码实体 v_τ，检索它的调用者集合 V_caller = {u | (u,v_τ)∈E}，把相关知识注入初始上下文：

K_init = ⋃_{u∈V_caller} φ_θ(u)

这在 Agent 动笔之前就送上调用方侧约束：输入要求、返回值约定、使用期望——正是「契约 B」这类下游才用得上的知识。

时机二：交互触发注入。 注入机制嵌入 Agent 现有工具。当 Agent 执行代码搜索、读文件、编辑代码时，系统识别被访问实体 V_accessed，把相关知识追加到工具返回结果里：

response′ = response ⊕ ⋃_{v∈V_accessed} φ_θ(v)

Agent 完全无需改变工作习惯——它只是像往常一样读了个文件，读到的内容里自动带着这个位置该知道的隐性知识。

在线知识演化。 Agent 在同一代码库上遇到新任务时，可从在线任务轨迹中用同一套结构化获取管线提取知识，经锚定与传播并入 G_K。存量知识的置信度按任务结果更新：命中且任务成功的单元被强化——confidence ← 1−β·(1−confidence)；命中但任务失败的单元被衰减——confidence ← β·confidence（β=0.8）。知识库由此越用越准。

4.5 整体架构一览

一个类比串起全流程：PRAXIS 像给 Agent 安排了一套「新员工入职培养体系」——❶先做一套针对性上岗实操（考题覆盖 80% 以上的工作场景，做错的地方就是重点）；❷把实操中踩的每个坑整理成「场景-规矩-出处-可信度」卡片；❸把卡片贴到公司组织架构图（依赖图）的对应岗位上，规矩还会沿汇报线自动传达给上下游岗位；❹之后员工每次接到任务（初始化）或翻阅某份材料（工具交互）时，相关卡片自动出现在他眼前；员工每完成一个真实项目，卡片还会被验证更新（在线演化）。

五、评估指标与实验证据

主实验设定：DeepSeek-V3.2 基座 + OpenHands 框架；KoCo-Bench 主基准（覆盖强化学习、Agent、RAG、模型优化四个新兴领域，横跨 11 个框架、25 个真实项目）；AInsteinBench 测迁移（六大生产级科学计算代码库的仓库级 bug 修复：数值相对论、量子信息、分子动力学、量子化学、化学信息学）。指标为 Pass@1（实现通过全部单测的任务比例）与 AvgPassRatio（每任务平均通过测试比例，细粒度部分正确性）。贪心解码、温度 0，保证可复现。8 个 RQ 分四组。

5.1 RQ1 总体效果：全指标登顶

KoCo-Bench 四域平均：Pass@1 32.06%、AvgPassRatio 56.01%，双指标全部最高。要点对比：

三条结论：

1. 胜过自带 agentic 搜索的强 Agent：尽管 OpenHands/SWE-Agent/OpenCode/OpenCollab 各有精心设计的仓库探索能力，仍被 PRAXIS 全面超越；
2. 胜过经验/技能演化 SOTA：证明「依赖图组织 + 交互点投递」优于「经验/技能库平铺检索」；
3. SWE-Exp 反常地低于裸模型（7.83% vs 10.69%）：作者归因两点——它没有知识质量评估机制、不加区分地全用；且积累的经验过于泛化，缺乏捕捉领域约定与隐式契约所需的具体性。这个反例本身就很有信息量：低质量知识的全局注入是负收益的。配对 t 检验确认对全部基线的差异统计显著（p<0.05，AvgPassRatio）。

5.2 RQ2 消融：四个阶段缺一不可，实践暴露降幅最大

去掉开发实践降幅最大（32.06→27.48），直接验证 P1：隐性知识无法通过静态源码分析恢复，模拟人类开发工作流是让它现身的唯一途径。其余三组件各司其职：图组织让知识抵达它能影响的代码实体并消除冗余冲突；主动注入免去 Agent 自行判断检索之苦；结构化四元组提供高效的表达与激活载体。

5.3 RQ3 跨框架跨模型：增益稳定泛化

四种配置全部正增益，AvgPassRatio 同步提升——管线不绑定特定 Agent 架构或模型家族。一个有趣规律：GPT-5.5 上增益最猛（+11.69pp）——通用能力强但预训练语料领域覆盖少的模型，一旦补上缺失的隐性知识，受益最大。

5.4 RQ4 跨基准跨任务：修 bug 也好使

不做任何管线改动直接上 AInsteinBench（仓库级 bug 修复，需先定位缺陷再出补丁）：总体 %Resolved 27.2 → 31.2；三个难度层级全面提升（Hard 19.1→26.6、Medium 29.2→33.3、Easy 33.8→35.1）；全部五个科学域一致改善——数值相对论 23.7→28.8、量子化学 31.9→36.2，化学信息学更从 0.0 → 5.4（基线完全束手无策的域被打开了）。新基准+新任务类型+多领域三重验证泛化性。

5.5 RQ5/RQ6/RQ7：实践的规模效应与成本

• 实践扩展（RQ5）：练习函数数从 1 增到 10，Pass@1 稳步爬升；哪怕只练 1 个函数就已超过 OpenHands 基线与最强演化基线 Trace2Skill——隐性知识是可累积的资产。
• 在线演化（RQ6）：域内顺序处理评测任务、每个任务后提取知识入图，多数域持续改善，RAG 域保持稳定——部署期可持续积累、无回退。
• 成本（RQ7）：相比 OpenHands 的额外 token 开销全部花在离线实践阶段——每个仓库只做一次，随后摊销到该仓库的所有后续任务。同等 token 预算下 n=1 已胜过 Trace2Skill。这构成一种「实践时扩展」：想更强就多练，与 test-time scaling 同构——而 Trace2Skill 不具备此性质。

5.6 RQ8 知识质量：隐性知识长什么样、可不可靠

两位两年以上经验的工程师对随机抽样的 75 个知识单元做了人工评估：

类型分布——五大类：业务规则 34.7%（最多；奖励函数约定、算法约束、项目特有验证协议）、API 模式 24.0%、接口契约 22.7%（关于输入类型/形状/返回约定的未文档化假设）、错误处理约定 14.7%（异常传播与默认返回的项目特有决策）、其他（非行为性风格偏好）4.0%。所有主要类别都编码了难以直接从源码提取的知识——坐实了「隐性」本性。

质量评分（5 分制）：内容真实性 4.28、触发准确性 4.24、证据可追溯性 3.62。自动置信度与人类评分的 Spearman 秩相关 ρ=0.75（p<0.001）——置信度是可靠的质量信号，用它做过滤是有依据的。

利用率：抽查 50 个任务轨迹，82% 用到了提取的知识，其中 87.8% 产生实质贡献——知识不是摆设，真的在干活。

六、效果优势的根源解释

为什么 PRAXIS 能赢？把证据链串起来，优势有四层根源，层层对应设计决策。

6.1 根源一：用「实践显影」替代「静态阅读」，击中知识的潜伏性

消融最硬的证据：把开发实践换成直接从源码提取，Pass@1 跌 4.58（最大降幅），落回次优水平。这印证了 P1 的判断——光读代码学不会隐性知识。预实验也早已铺垫：喂全量金标依赖只 +19.9%，让 Agent 自己总结知识只 +4.8%。只有差分测试逼出来的「行为差异」才能精确标定隐性知识的藏身之处。Agent 在实践中的每次失败都是一个高质量的「知识探针」。

6.2 根源二：用「图组织」替代「平铺检索」，保住知识的结构本性

SWE-Exp 的反常表现（低于裸模型）与 PRAXIS 的胜出构成一组对照实验：知识的组织形式决定其价值。隐性知识的本质是跨组件协议（P2）——工厂经共享路由器与下游耦合、索引侧与查询侧经模板对齐——这些多跳约束是平铺向量检索在原理上无法表达的。依赖图锚定+双向传播让知识「随结构流动」到它能影响的位置；去重合并（1−∏(1−c)）与冲突仲裁则保证知识库越练越纯净，避免了 SWE-Exp 式「不加区分全用」的毒化。

6.3 根源三：用「主动注入」替代「被动检索」，绕开无自知之明的死结

这是全文最深刻的洞察。P3 说 Agent 不知道自己不知道——预实验里 Agent 的轨迹从未出现对缺失契约的探询，推理过程毫无「我可能漏了什么」的迹象。一切把检索发起权交给 Agent 的方案都死在这。PRAXIS 把方向反过来：知识找 Agent。任务初始化时送上调用方约束，工具交互时随返回结果附上位置相关知识——Agent 甚至不需要知道知识库的存在。消融中 w/o 主动注入（换向量检索）掉 3.82，验证了这一转向的实价。

6.4 根源四：实践的可扩展性 + 免训练的可叠加性

两个结构优势让领先可持续：

1. 实践即扩展：Pass@1 随练习函数数单调上升，且成本集中在一次性离线阶段。这是一种可购买的性能——「实践时扩展」，与 test-time scaling 同构；
2. 正交叠加：免训练、不绑定框架与模型（RQ3 四配置全正增益），可套在任何 Agent 上。其他方法提升 Agent 的通用能力，PRAXIS 补给特定仓库的领域知识——能力与知识双轮驱动。

6.5 一张因果链总图

三性质诊断（潜伏/分散/无自知）→ 检索式经验库必然失效（SWE-Exp 低于裸模型的实证）→ PRAXIS 三大对策：实践暴露契约（差分测试）+ 图组织保留跨组件传播路径（≤4跳双向传播）+ 主动注入（双时机投递）→ 四域平均 Pass@1 32.06% 全最高、相对次优 +16.7% → 消融验证：去实践降幅最大（−4.58），去图组织 −3.81，去主动注入 −3.82，环环有据。

七、必要知识反推

如果只用三句话抓住 PRAXIS 的骨架：

1. 领域代码生成的瓶颈不是代码能力，是隐性知识——业务规则、接口契约、操作约定只活在开发者脑中；它有潜伏性（只在实践中浮现）、结构分散性（沿依赖图传播）、无自知之明（Agent 不知己缺）三重性质，检索式方案天然失效。
2. 对策是四阶段闭环：域内开发实践（剥函数体+差分测试暴露行为差异、覆盖率>80% 准入）→ 蒸馏四元组（trigger/content/evidence/confidence）→ 依赖图双向传播（≤4跳）+ 去重合并（置信度 1−∏(1−c)）+ 冲突仲裁 → 主动注入（任务初始化+交互触发）+ 在线演化（β=0.8 置信度更新）。
3. 知识找 Agent，而非 Agent 找知识——这是对「记忆/经验库+检索」范式的方向性反转，也是它赢过 SWE-Exp、Trace2Skill 等 SOTA 演化方法的根本原因。

复现路上的关键超参数：R_max=3（差分测试修订轮数）、传播深度 4 跳、置信度阈值 θ=0.7、演化因子 β=0.8；温度 0 贪心解码。值得注意的是作者坦言未做穷举超参搜索（API 成本所限），启发式设定下已全配置最优——调优空间尚有余量。

八、论文中可以提取的通用性灵感

跳出代码生成，PRAXIS 的思想可以迁移到更广的 Agent 系统设计。

8.1 「不知道自己不知道」是检索式记忆的原理性天花板

任何领域的 Agent 记忆系统都可能撞上 P3：环境不给线索，Agent 无从发起查询。方向反转——从 pull（Agent 检索）到 push（知识随交互自动浮现）——适用于一切「使用者缺乏元认知」的场景：新手辅助、合规检查、安全规范提示。设计记忆系统时先问一句：用户/Agent 知道该搜什么吗？

8.2 结构化载体 + 绑定结构，是知识的最佳存法

四元组把「知识内容」与「触发条件、证据、置信度」捆绑，再把单元锚定到工作流的结构（依赖图）上。这个两层设计可泛化：CRM 场景知识锚定到客户关系图、科研方法锚定到任务 DAG。置信度合并公式 1−∏(1−c) 是独立证据相互验证的优雅实现，任何多源知识融合场景都可直接借用。

8.3 失败驱动的知识提取：差异即信号

差分测试的精髓是用「行为差异」精确定位知识缺口——比「总结成功经验」信息密度高得多。设计自进化系统时，优先构造「让系统犯错并捕获差异」的机会：模拟练习+金标对照，错误自动转化为知识。SWE-Exp 的教训同样值得记取：没有质量闸门的知识注入是负收益，宁可少而准，不可多而杂。

8.4 一次性离线投资 + 在线摊销 + 持续演化

成本结构的启示：把昂贵工序（实践）压缩到每仓库一次的离线阶段，线上只做廉价的注入；再用在线演化（命中+成功→强化、命中+失败→衰减）让资产随使用增值。「实践时扩展」提供了一条独立于模型升级的性能增长轴——在模型能力趋同的时代，领域知识积累可能成为 Agent 产品差异化的护城河。

附录：关键数字速查