论文一链接：GraphForge: Training Working Agents with Graph-Anchored Workspace Synthesis，数据+模型开源 huggingface.co/collections/groundhogLLM/graphforge 论文二链接：When Users Change Their Minds: Measuring and Repairing Intent Drift in LLM Agents（原文仅提及 anonymized artifact，无公开代码链接） 发表时间：2026 年 9 月 机构：GraphForge = USTC（中国科学技术大学）+ 复旦大学 + 上海创新研究院 + 上海人工智能实验室；Intent Drift = HKUST（香港科技大学）+ CUHK（香港中文大学）+ 腾讯 LIGHTSPEED（深圳） 机构关系：GraphForge 是「高校 + 新型研发机构」合作（无传统企业），通讯作者 Qisheng Su、Feng Zhao 均在 USTC；Intent Drift 是典型的「高校学生 + 企业实习」模式——第一作者 Yanjie Zhang 在腾讯 LIGHTSPEED 实习期间完成本工作，通讯作者 Yushi Sun 属 LIGHTSPEED，两校承担学术研究 领域标签：cs.CL / cs.AI，Agent 训练数据合成、多轮评估与状态管理

为什么把这两篇放在一起读

「工作型 agent」（working agent）——那种需要读一堆文件、协调一堆工具、最后交出一份交付物（报表、摘要、代码、数据表）的持久数字助理——的可靠性问题，在 2026 年集中暴露在两个环节上：

• 训练侧：agent 的 SFT 轨迹从哪来？模型生成的文件缺乏真实性与多样性，真实文件又往往没有任务级验证器——你根本不知道一条轨迹「做对了」没有。数据质量没有锚点。
• 运行时侧：多轮交互里用户会改主意。改了三次需求之后，agent 的上下文里同时躺着三版意图，被推翻的那版往往还在暗中影响最终答案与工具调用。意图状态没有账本。

GraphForge 管第一件事：用「证据图锚定」把训练任务的验证落到实处——每条评分准则都锚定到真实文件上的具体证据节点，judge 沿锚点逐文件核对交付物。核心数字：Qwen3.6-27B 在 GDPVal-AA（OpenHands）上 Elo 从 1380.0 提到 1445.7（+65.7），超过 DeepSeek-V4-Pro（1531.5 之下、Kimi-K3 1615.5 之下但差距显著缩小——27B 模型逼进 35B 级前沿开源）；SpreadsheetBench II 执行准确率从 10.3 翻倍到 24.0（+13.7）。

When Users Change Their Minds 管第二件事：把「意图漂移」（intent drift）定义成可测量的对象——8 个前沿模型在 hard 难度下 IDG（intent drift gap）全部为正，最高 0.448；修复器 STATEFORGE 用「状态折叠」把 mean score 从 0.367 提到 0.467，而且 9B 小 tracker 在统计上追平 122B。

两篇的共同哲学惊人地一致：把「不可观测的对错」变成「可锚定的证据或状态」——训练时把对错锚到文件证据图上，运行时把「现在什么仍然有效」维护成一份显式账本。一个在数据进场时把关，一个在推理进行时守门，合起来是工作型 agent 可靠性基建的上下游两环。下面按九部分展开。

一、论文背景：工作型 agent 的两道可靠性缺口

1.1 什么是工作型 agent

与「一问一答」的聊天模型不同，工作型 agent 的典型形态是：接到一个开放任务（「根据这三个部门的预算表，写一份下季度采购建议，附上对比图表」），需要在几十个真实文件（xlsx、csv、pdf、docx）里翻找证据、协调多种工具（代码执行、文件读写、表格操作），最后产出一个工件（deliverable）——不是一个答案，而是一份能被人审阅的交付物。

这个形态的评测代表是 OpenAI 的 GDPval（arXiv:2510.04374）：覆盖 44 个职业、9 大 GDP 支柱行业、1,320 个任务，衡量模型在「有经济价值的真实工作任务」上的表现——法律简报、工程报告、财务分析这类真实交付物。训练侧对应的则是 Workspace-Bench、SpreadsheetBench（912 道真实场景表格操作题）及其后继 SpreadsheetBench 2（arXiv:2606.29955，321 个专家标注的工作流级任务）这类工作区基准。

1.2 缺口一（训练侧）：真实性-可验证性两难

要训工作型 agent，就要有「工作区 + 任务 + 轨迹 + 对错判定」四件套。现有管线卡在一个两难上：

• 模型生成文件（如 EnvCraft 路线，arXiv:2609.05576，为 Claw-like agent 合成可执行环境，20K 任务）：可执行、可配状态检查脚本，但文件是模型编的——缺乏真实世界文件的脏乱、冗余与多样性，而且状态检查脚本读不了文档内容，只能查工作区元状态（文件存在性、格式），交付物「内容对不对」无从判断。
• 真实文件（如 NexForge 路线，5.6K 任务）：文件真实，但完全没有任务级验证器，轨迹好坏不可检查，且数据不开放。

一句话：要么真而不可验，要么可验而不真。而没有可靠的验证，SFT 语料的准入就是开盲盒——这直接封死了「用高质量轨迹训练工作型 agent」这条路。

1.3 缺口二（运行时侧）：意图漂移

多轮交互中用户意图会发生 ADD/DELETE/REPLACE 三种编辑：先说「统计华东区」，后来改成「华南区」；先要求「按月聚合」，后来撤掉。问题在于——上下文不会自动清理。被取代的旧意图仍然躺在对话历史里，而且模型经常继续遵从它。

这不是幻觉问题、也不是纯记忆问题，而是一个此前没有被正式定义和测量的失败模式：论文称之为 intent drift——被取代的旧意图仍继续影响最终答案或工具动作。工业界的观察与之呼应：多个 agent 团队报告「指令在 20-30 轮后开始被忽略」「中间轮次的指令会被后续上下文淹没」，2026 年的行业统计甚至把多数企业 agent 故障归因于上下文漂移（此类为业界博客级证据，等级弱于同行评审，仅作背景）。但在本文之前，「意图漂移」没有受控测量：你不知道它有多普遍、多严重、是不是轮数本身的副作用。

1.4 为什么这两道缺口是一体的

可靠性 = 学到的东西是真的（训练侧）+ 现在遵循的意图是对的（运行时侧）。训练数据有污染，学出来的是错误技能；意图状态有污染，执行的是过期目标。两篇论文分别给这两个污染源装上了「显式锚定的清理机制」——这就是把它们放在一起读的价值。

二、论文定位和关联工作

2.1 训练数据合成谱系（GraphForge 的位置）

谱系一：合成环境 + 脚本验证。 EnvCraft（arXiv:2609.05576）为 agentic RL 自动合成可执行环境，配状态检查脚本；Agent-World（arXiv:2604.18292）用工具依赖图 + 可执行 Python 解合成可验证任务并控制难度，做自进化训练竞技场；EnvHarness（arXiv:2608.19880）把静态世界「唤醒」为环境且保留原验证器。这条线可验性强，但环境多为合成，验证多为状态检查。GraphForge 的区别：文件全部来自真实爬取，且验证是「读交付物内容」的 judge 而非状态脚本。

谱系二：真实文件、弱验证。 NexForge 用真实文件造了 5.6K 任务但无验证、不开放数据。GraphForge 的区别：补上任务级验证器并全量开源（HF collection groundhogLLM/graphforge）。

谱系三：rubric 打分与轨迹过滤。 rubric-based rewards 已被证明能降低小 judge 的方差、缓解 reward over-optimization（awesome-rubric-rewards 汇总、QuRL OpenReview 把网页挖掘的题目级 rubric 变成可验证奖励做 RL）；工业侧 NVIDIA Nemotron-SFT-Agentic-v2 也采用「先打分再过滤」的轨迹准入。GraphForge 的区别：rubric 不再是自由文本清单，而是从证据图编译、每条准则带证据锚点 A_k 与验证程序 φ_k 的可执行规范。

谱系四：人工验证基准。 SWE-bench Verified（OpenAI 2024）证明人工校验能显著改善判分质量（500 例人工过滤子集）。GraphForge 用「锚定 judge」把这类人工校验自动化了。

2.2 多轮评估与上下文管理谱系（Intent Drift 的位置）

谱系一：对话状态跟踪（DST）。 任务型对话系统长期维护 belief state——Neural Belief Tracker（arXiv:1606.03777）起，DST 每轮估计用户目标。值得注意的是 Are LLMs All You Need for Task-Oriented Dialogue? 发现 LLM 做显式 belief tracking 反而不如专用小模型——这与本文「9B tracker 追平 122B」的发现相互印证。Intent Drift 的区别：不是「跟踪槽位填没填」，而是「意图被编辑后，过期项及其派生结论是否被清除」，且用源任务原生 grader 做可验证测量。

谱系二：上下文压缩（compaction）。 周期性把历史摘要成更短表示以维持有界上下文（如 Parallel Context Compaction，arXiv:2605.23296）。Intent Drift 的区别：压缩只回答「保留什么信息」，不回答「什么仍然有效」——摘要后的历史可能同时保留新旧两个值，还可能保留依赖过期意图的中间结论。论文把 Deep Agents（滚动摘要）与 OpenHarness（两段压缩）作为 baseline 直接对比。

谱系三：多轮/交互基准。 VitaBench（arXiv:2509.26490，美团，66 工具的真实生活服务交互任务）等多轮基准测量综合能力，但不含受控意图编辑。INTENTFLUX 的区别：把意图演化过程本身变成受控变量（编辑预算 b∈{1,3,5}），且保留源任务 grader 实现可验证评分。

2.3 定位对比表

定位结论：GraphForge 是「真实文件 + 锚定验证」两条路线的合流点，也是首个把工作型 agent 训练数据全管线（含 judge）开源的工作；Intent Drift 则为多轮可靠性补上了「意图编辑」这个被长期遗漏的测量维度，并给出可部署的修复器与蒸馏路径。

三、问题定义

3.1 共同的抽象：给「不可观测的对错」装锚

两篇论文面对的具体场景完全不同，但抽象结构同构：

• GraphForge 的具体问题：一条 agent 轨迹「做对了任务」怎么判定？开放交付物没有单元测试。 抽象：把「任务做对了」分解为「每条评分准则都有文件证据支撑」——对错锚定到证据图节点上，验证变成沿锚点的逐文件核对。
• Intent Drift 的具体问题：agent 的最终答案有没有被过期意图污染？上下文里新旧意图混在一起无法归因。 抽象：把「当前应遵循的意图」维护为显式集合（活跃状态），漂移 = 活跃状态与真实最终意图 G* 的偏差，修复 = 对话每轮后对集合做折叠（增删改 + 级联失效派生结论）。

类比深度学习：

3.2 GraphForge 的形式化

给定职业-任务种子空间（O*NET）与开放网络文件池，求一个合成管线，输出任务规范 C=(q, D, R+, R−)——查询 q、工作区 D、正/负向准则集——使得：(1) D 中文件真实且带隐藏角色 ρ(f)∈{core, supporting, confuser, ambient}；(2) 每条正向准则 c_k=(d_k, r_k, z_k, w_k, A_k, φ_k)（描述、要求、来源、权重、证据锚点 A_k⊆V、验证程序 φ_k）可被 judge 独立执行；(3) 准入分数 Q_i(τ)>0.90 的轨迹才进 SFT 语料。约束：锚点只给 judge 不给被训 agent（防泄漏），任务陈述与 rubric 从同一证据图编译（保证可验证性而非事后拼凑）。

3.3 INTENTFLUX / STATEFORGE 的形式化

测量：意图态建模为原子目标集 G，经编辑序列（ADD/DELETE/REPLACE）演化到最终意图 G*；对每个被测 agent，CAR = 在 G* 下得满分的比率，IDG = CAR(clean) − CAR(drift)。两类陈旧信息：VARIANT（后被替换的合理变体值）与 DECOY（后被撤销的合理约束，仅当遵从它会改变 grader 判定时保留——保证错误可测量）；难度由预算 b∈{1,3,5} 单调控制；结尾不重述最终意图（贴近真实交互）。

修复：求一个每轮运行的折叠算子 fold，把意图编辑折叠进显式活跃状态 S_t，删除被取代意图项及其派生结论（S_t 区分直接意图与派生结论两类条目以支持依赖失效），并将 S_t 插入缓存历史与当前输入之间。约束：免训练（harness 形态）、可蒸馏（OPD 小 tracker）、可内化（thinking distillation）。

精妙之处：两个形式化都把「质量」从全局不可分的判断，分解成了逐锚点/逐条目可执行的局部判断——这是后面一切自动化（judge、准入、折叠、蒸馏）得以成立的前提。

四、问题解法

4.1 GraphForge：五阶段合成管线

阶段一：O*NET 职业种子。 从 O*NET 职业库 + AI4Work DIGITAL 标注过滤，得到 246 职业 / 16 行业 / 891 种 DWA（详细工作活动）任务型 / 3,419 个职业-任务对。用边际覆盖贪心选择（增益 Δ(s|S)=Σ 1/(1+n_d(v))）挑种子，防止任务塌缩到少数高频职业——直觉是「已被覆盖 n 次的任务型再选一次的收益递减」。最终选中 466 个任务型、覆盖 15/16 行业、164/256 个行业×模式组合。

阶段二：真实文件工作区。 搜索 agent 为每个种子实例化公开案例并爬取真实文件。每个文件分配隐藏角色：core（解题必需）、supporting（辅助）、confuser（似是而非的干扰）、ambient（背景噪音）——干扰文件提供真实冗余，角色永不出示给被训 agent，只用于构造与验证。

阶段三：证据图与可验证 rubric。 在文件关系上建图 G=(V,E)：节点记录文件/事实/角色，边记录跨文件依赖（比如「sheet2 的汇总引用 sheet1 的明细」）。从图上编译任务规范 C=(q, D, R+, R−)，每条正向准则带证据锚点 A_k 与验证程序 φ_k。关键设计：执行与验证分离——锚点只给 judge，不泄漏解题步骤给被训 agent。

阶段四：执行条件化一步修订。 teacher 模型先跑一遍测试任务可执行性；revision agent 对照原始文件修订任务/rubric。若任务陈述未变则复用初始轨迹——81.6% 的 rollout 得以复用，控制了修订成本。

阶段五：工件级准入。 确定性检查（文件名/格式/公式）+ 证据锚定 judge 打分 Q_i(τ)（正向加权达标比例减负向惩罚），阈值 Q>0.90 准入，另剔除退化工具行为（如无意义循环调用）。最终产出 2,169 条 SFT 轨迹（来自 3,638 个实例化任务，准入率 59.6%），平均 50.0 步 / 162k tokens。全管线（含 judge）由 GLM-5.2 驱动。

4.2 INTENTFLUX 基准 + STATEFORGE 修复器

INTENTFLUX（测量）：把六类可验证源任务（代码/数学/SQL/数据到文本/摘要/工具调用）转成受控多轮对话——意图态 G 经 ADD/DELETE/REPLACE 序列演化到 G*，保留源任务原生 grader 评分（不引入新的主观判分）。VARIANT 与 DECOY 两类陈旧信息的设计保证「错误可测量」：DECOY 只在「遵从它会改变 grader 判定」时保留。难度由 b∈{1,3,5} 控制（easy/medium/hard），对话结尾不重述最终意图。评估设定：CAR（当前真意下满分率）、IDG、mean score；DeepSeek-V4-Flash 全程作用户模拟器与 rubric judge。

STATEFORGE（修复）：免训练 harness，核心是状态折叠（state folding）——每轮后由 tracker 把意图编辑折叠进显式「活跃状态」：删除被取代意图项及其派生结论（状态区分直接意图与派生结论，支持依赖级联失效——这是与摘要压缩的本质区别）。活跃状态插入缓存历史与当前输入之间：历史可缓存（省推理成本），活跃信息在生成时刻离当前 token 最近（利用 recency 偏置而非对抗它）。配格式 tracker 与输出约定 gate（防格式噪声）。

两条迁移路径：(1) OPD（on-policy distillation） 训小 tracker——学生自采样、教师对前缀打分（与 Thinking Machines 的 on-policy distillation 同思路）；(2) thinking distillation 把状态折叠行为内化进独立 agent 的思考过程。

4.3 两篇方法的互补全景

五、评估指标与实验证据

5.1 GraphForge：跨 scaffold、跨基座的迁移

主实验在三个工作型基准 × 三种 scaffold（OpenHands / Codex / Claude Code）上对比 SFT 前后：

35B-A3B 变体：GDPVal +101.7（OpenHands，1260.6→1362.3）/ +101.4（Codex）；SBII +16.5（2.8→19.3）。RFT（锚定选优）再叠加：GDPVal 再 +7.2/+11.0 Elo，WSB-Lite +4.0/+4.0，SBII +1.0/+0.9。

与前沿模型对照（GDPVal Elo，OpenHands）：Claude Opus 5 = 1774.1、Qwen3.8-Max = 1719.0、GPT-5.6-sol = 1687.1、GLM-5.3 = 1667.0、Kimi-K3 = 1615.5、DeepSeek-V4-Pro = 1531.5。27B SFT（1445.7）超过 DeepSeek-V4-Pro、逼进 Kimi-K3；与开源同行 NexForge 的 Nex-N2-Mini-35B（1288.8）相比，35B SFT（1362.3）反超 +73.5。

judge 敏感性（锚定是否真的让 judge 读证据）：删除被引用的 worksheet，对应准则 ΔQ=−0.377；非目标准则均值 |ΔQ|=0.016——judge 确实沿锚点读文件，而不是凭印象打分。

RFT 消融（同 462 query/候选池/预算）：anchored 选择 vs random-of-4 选择，后者在 GDPVal 掉 −9.0/−9.5、SBII 掉 −0.3/−3.1；unanchored judge 在 GDPVal 点估计更高（+34.1/+25.3）但统计不显著，在 SBII 上为负（−1.8/0.0）。

5.2 Intent Drift：测量 → 修复 → 蒸馏的三级证据

测量（漂移存在且严重）：

• 校准池 627 任务（gemini-3.5-flash 被测）：mean score easy 0.476 → medium 0.419 → hard 0.384（相对降 19.3%）；CAR 0.381→0.327→0.298——难度随预算 b 单调，说明测量按设计工作。
• 8 模型 GENERAL-TEST（125 任务）hard IDG 全为正：Qwen3.6 Plus 最大 0.448 [0.360, 0.536]，Claude Opus 4.7 为 0.408，GLM 5.2 为 0.344；hard CAR 最低降到 0.184（Opus 4.7）/ 0.192（Qwen3.6 Plus）。前沿模型无一幸免。
• 轮数对照（Qwen3.5-122B）：single-turn 0.778，等长无漂移控制 0.734，drift 0.469——0.265 的差距证明轮数本身解释不了损失，漂移是独立失败源。
• 交互迁移 VitaBench（100 任务）：不重述最终意图使 partial-credit 降 0.103 [+0.026, +0.180]——真实交互场景同样受害。

修复（STATEFORGE 有效）：GENERAL-TEST 上 bare multi-turn 0.367 → 0.467（+0.100，95% CI [0.030, 0.171]；CAR 0.264→0.368）。baseline 对照（同 Qwen3.5-122B、冻结 medium 难度轨迹）：Deep Agents（滚动摘要）0.354、OpenHarness（两段压缩）0.392——两种压缩 harness 都不高于 bare 0.367，全部低于 STATEFORGE（分别 +0.113 / +0.075）。GT-oracle 最终态 0.549，仍低于 clean 0.778（残差 0.229）。

蒸馏（可部署）：OPD 一轮把 2B tracker 从 0.266 提到 0.445（同协议下 122B tracker 为 0.428——2B 反超）；9B tracker 与 122B 统计不可分（Δ=−0.029 [−0.101, +0.042]）；thinking distillation 把独立 35B agent 从 0.296 提到 0.461（clean 端由 0.745 微降至 0.718）。

组件消融（统一重跑协议，n=125，完整 STATEFORGE 该协议下 0.428）：去 gate −0.035 [−0.101, +0.030]、通用 recap −0.025、中性 recap +0.013——差异 CI 均含零，即显式状态表示优于「组件匹配的 recap」的优势在当前样本量下未确立（论文如实报告）；oracle 最终态 +0.123 [+0.044, +0.202] 显著。

5.3 实验设计为什么有证明力

• GraphForge 的杀手锏是「审计三角」：(1) judge 敏感性实验（删文件 ΔQ=−0.377 vs 非目标准则 0.016）证明验证器真的在读证据；(2) 污染审计——39,201 个训练文件与 260 个 GDPVal 文件零重叠；(3) 泛化检验——未覆盖职业的 win rate 0.739 [0.671, 0.803] 不低于已覆盖职业的 0.692。三者合起来排除「judge 瞎打分」与「模型背 benchmark」两种替代解释。
• Intent Drift 的杀手锏是「对照链」：等长无漂移控制（0.734）把「轮数多」排除；DECOY 的构造性定义（只在改变 grader 判定时保留）把「错误测不到」排除；oracle（0.549）把修复器收益与状态估计误差分解开。压缩 baseline 全部低于 bare 这一点尤其关键——它证明「多做事」不等于「做对事」，摘要式压缩可能反而放大漂移。

六、效果优势的根源解释

6.1 GraphForge：三条因果链

因果链一：锚定验证 → judge 真读证据 → 准入可靠。 方法差异：任务陈述与 rubric 均从真实文件上的证据图编译，每条准则锚定到验证所需文件。机制变化：judge 的核对路径从「自由文本印象分」变成「沿锚点逐文件核对」。证据：删被引文件 ΔQ=−0.377、非目标准则不动（0.016）；对比 EnvCraft 的状态脚本（读不了文档内容）与 NexForge 的无验证。指标映射：59.6% 准入率下 2,169 条高置信轨迹直接抬升 SFT。[论文实验已支持]

因果链二：验证可靠 → 数据质量 → 下游收益。 证据：RFT 消融中 random-of-4 选择一致最差（GDPVal −9.0/−9.5），锚定选择在两个 benchmark 上最优——锚定 rubric 提供了有效的轨迹选择信号，而选择信号的质量上限就是验证器的质量。[论文实验已支持]

因果链三：多样性控制 → 泛化而非记忆。 O*NET 种子 + 边际覆盖贪心（466 任务型、15/16 行业、164/256 组合）防止任务塌缩 → 训练收益跨 scaffold（OpenHands/Codex/Claude Code）、跨基座（27B/35B）迁移；未覆盖职业 win rate 0.739 ≥ 已覆盖 0.692，说明学到的是可迁移工作技能。[论文实验已支持；「边际覆盖贪心是必要组件」的反事实消融原文未单列，属阅读者推测——多样性收益的具体归因仍待验证]

诚实披露的反证：unanchored judge 在 GDPVal 上点估计更高（+34.1/+25.3）但不显著、SBII 为负——锚定不是在所有维度都占优；作者如实报告。可能的解释：锚点约束了 judge 的视野，在自由度大的任务上会丢失部分整体判断信号（此为阅读者推测）。

6.2 Intent Drift：三条因果链

因果链一：状态折叠删除两个污染通道 → 超越压缩。 方法差异：压缩只回答「保留什么信息」；折叠额外回答「什么仍然有效」。机制变化：删除过期意图项时级联失效其派生结论——这堵住了压缩堵不住的第二个通道（依赖过期意图的中间结论在摘要里往往「局部看似一致」地存活）。证据：Deep Agents 0.354 / OpenHarness 0.392 均 ≤ bare 0.367，STATEFORGE 0.467。[论文实验已支持；「派生结论级联失效是压缩 baseline 失败的主因」这一归因基于机制分析，论文未对压缩后的历史做内容级剖析，属阅读者从设计原理推出的推测]

因果链二：活跃状态置最近位 + gate → 生成时对齐当前意图。 机制：历史可缓存、活跃状态在生成时刻离当前 token 最近——利用而非对抗 recency；格式 gate 消除状态注入的格式噪声。证据：0.367→0.467 且 CAR 0.264→0.368。[论文实验已支持；但组件匹配消融 CI 含零，说明「显式状态 vs 匹配 recap」的优势在 n=125 下未确立——置位效应与内容效应的贡献尚未分离，此为论文自认的开放问题]

因果链三：角色分解 → 小模型干专活。 状态估计与任务求解解耦 → 9B tracker 匹敌 122B（Δ=−0.029，CI 含零）；OPD 用自 rollout 纠错让 2B 达 0.445 反超 122B 的 0.428。状态维护不需要基座级模型，正如 DST 传统中专用小 tracker 常胜过大模型。[论文实验已支持]

残差的启示：oracle 最终态 0.549 仍低于 clean 0.778（差 0.229）——即使状态完美，保留完整对话历史本身仍有残余干扰。这提示漂移修复存在第二战场（历史本身即干扰源），STATEFORGE 未解决。[论文实验已支持]

6.3 外部检索与对照

6.4 综合判断与未决问题

多研究共同支持的机制：(1) 结构化/锚定的 rubric 优于自由打分（GraphForge + QuRL + rubric rewards 系列）；(2) 专用小模型做状态跟踪不逊于大模型（Intent Drift 的 9B/122B 对照 + DST 传统）；(3) 准入过滤是数据质量的有效手段（GraphForge + Nemotron 实践）。

仍属推测的机制：(1) 边际覆盖贪心对多样性的具体贡献量；(2) 锚定 judge 在高自由度任务上的视野损失；(3) 派生结论级联失效相对「仅删意图项」的增量贡献。

优势成立条件：GraphForge 需要任务可分解为文件证据支撑的准则（开放交付物场景最优）；STATEFORGE 需要意图编辑可被每轮折叠识别（高噪声真实对话中 tracker 的鲁棒性未在本文充分检验）。

可能失效条件：交付物价值高度依赖风格/品味（锚点难定义）时锚定 judge 退化；用户意图含混、从不显式编辑（无明确编辑事件可折叠）时折叠算子无从发力。

七、必要知识反推

假设一个完全空白的研究者要独立完成这两篇工作，最少需要知道什么？

7.1 领域知识层

• 工作型 agent 的任务形态与评测生态：GDPval（44 职业/1,320 任务）、Workspace-Bench、SpreadsheetBench 系列的指标与短板——不知道「什么算做好了」就无法定义验证器。
• O*NET 职业分类体系与 DWA 层级：246 职业/891 DWA 的种子空间从这里来；不理解这个taxonomy 就无法做边际覆盖选择。
• 多轮交互的失败模式分类：能区分「遗忘」「幻觉」「指令冲突」与「意图漂移」——不区分就无法把 intent drift 孤立成受控变量。
• 任务型对话的 belief state 传统：知道 DST 的存在才会想到「显式状态 + 派生结论失效」的设计。

7.2 方法论知识层

• 集合覆盖 / 边际增益优化：Δ(s|S)=Σ 1/(1+n_d(v)) 的贪心选择——多样性不是自然涌现的，要显式优化。
• rubric-based 评估与 LLM-as-judge 的已知缺陷（方差、reward hacking）：才会想到把 rubric 锚到证据图节点上。
• 蒸馏方法谱系：OPD（学生自采样、教师打前缀分）与 thinking distillation 的区别——两条迁移路径的选择依据。
• 受控实验设计：等长对照、oracle 上界、组件匹配消融、配对检验（CI 报告）——两篇论文的证据链都靠这些方法论撑住。

7.3 工程知识层

• 大规模文件爬取与角色标注管线：真实文件工作区的工程现实（去重、隐藏角色分配）。
• agent scaffold 生态：OpenHands / Codex / Claude Code 的接入差异——跨 scaffold 迁移实验的前提。
• judge 的 prompt 工程与敏感性测试：删文件探针（ΔQ 实验）是验证 judge 行为的标准手段。
• 推理成本工程：缓存历史 + 活跃状态置最近的插入位置设计，兼顾 KV cache 命中与 recency。

7.4 知识融合的关键节点

• 节点一（GraphForge）：「证据图 ←→ rubric 编译」的对接——把图上节点当作评分准则的锚点，同时把锚点对 agent 隐藏。这是图方法 × 评估方法 × 信息不对称设计的化学反应。
• 节点二（Intent Drift）：「DST 传统 × 可验证 grader」的对接——老的想法（显式状态）配上新的测量手段（源任务原生 grader + 受控编辑），才让一个模糊现象变成精确科学。
• 节点三（两篇共有）：「准入/折叠都是清理算子」的抽象——数据进场清理与状态在线清理同构，这个视角本身是可迁移的知识。

八、论文中可以提取的通用性灵感

灵感一：锚点分离原则——验证信息与解题信息不对称分布。 核心思想：给验证者的信息（锚点、角色）与给执行者的信息刻意不同，验证才可靠且不泄漏。 论文证据：锚点 A_k 只给 judge；文件角色 ρ(f) 永不出示给被训 agent；删文件探针证明 judge 真在读锚点（ΔQ=−0.377）。 推广场景：考试出题（评分细则与题面分离）、代码评审（评审清单对提交者部分隐藏）、审计（抽样规则保密）、红队测试（攻击面清单不对称）。

灵感二：显式状态 > 隐式历史——「什么仍然有效」是一等公民。 核心思想：凡是有编辑历史的地方（对话、文档、代码、法规），都应维护一份「当前有效集」，且删除条目时要级联失效其派生结论。 论文证据：压缩 baseline（0.354/0.392）不如 bare（0.367），状态折叠达 0.467；oracle 残差 0.229 进一步证明历史本身就是干扰源。 推广场景：协作文档（评论解决后的级联失效）、长事务系统（补偿事务）、法律合规（法规修订后的引用失效）、配置管理（依赖驱逐）。

灵感三：真实性与可验证性可以兼得——用结构编译验证，而非用人工补验证。 核心思想：从素材自身的结构（文件关系图）编译出验证程序，避免「真实素材没验证器、有验证器的素材不真实」的两难。 论文证据：真实文件 + 证据图 → 锚定 rubric → Q>0.90 准入 → 27B 模型 GDPVal +65.7 Elo。 推广场景：教育（从真实文献编译评分点）、数据标注（从数据血缘编译质检规则）、医疗病历质控、财务审计抽样。

灵感四：多样性要显式优化，边际覆盖贪心是低成本手段。 核心思想：合成数据的分布不会自然均匀，需要带递减收益函数的贪心选择防止塌缩。 论文证据：Δ(s|S)=Σ 1/(1+n_d(v)) 选出 466 任务型/15 行业；未覆盖职业 win rate 0.739 ≥ 已覆盖 0.692，泛化而非记忆。 推广场景：课程设计（覆盖知识图谱）、测试用例生成（覆盖分支组合）、推荐系统去马太效应、采样策略。

灵感五：角色分解让小模型干专活，on-policy 蒸馏是性价比放大器。 核心思想：把「状态维护」这类窄任务从主干模型剥离，小模型即可胜任；再用学生自采样 + 教师纠错把 2B 推到超过 122B。 论文证据：9B 与 122B 统计不可分（Δ=−0.029）；OPD 后 2B tracker 0.445 > 122B 的 0.428。 推广场景：边缘部署的会话状态跟踪、实时日志清洗、低延迟审核前置过滤。

灵感六：oracle 残差是研究方向探测器。 核心思想：修复器与理论上界之间的残差（0.549 vs 0.778 的 0.229）不是失败，而是「下一个问题在哪」的精确指北。 论文证据：残差证明完整历史本身即干扰，指向 STATEFORGE 未覆盖的第二战场。 推广场景：任何带 oracle 上界的系统诊断（编译器优化、检索增强、医疗分诊）。

灵感七：给模糊现象先造尺子，再造药方。 核心思想：Intent Drift 之前只是社区抱怨；INTENTFLUX 用受控编辑 + 原生 grader 把它变成可测量对象后，修复与蒸馏才有靶子。 论文证据：b∈{1,3,5} 单调控制难度（0.476→0.419→0.384）；8 模型 IDG 全正。 推广场景：任何「大家都知道是问题但没人量化」的工程现象（提示词衰减、多 agent 谣言传播、工具版本漂移）。

附录：一图总结

两篇合读的最大收获：可靠性不是靠更大的模型，而是靠把「对错」与「当前有效」变成显式、可锚定、可维护的数据结构——训练时锚在文件证据上，运行时记在活跃状态里。