一分钟读论文：《七个模型在代码库里记错了同一个地方》
内容提要
该论文指出，仓库级编码agent的失败源于“连贯性债务”，即所需事实不在上下文或记忆中。实验显示，缺失事实会导致agent自信编造而非停止，且损伤严格线性。工具使用中，成本差异源于重建工作集速率。结论是保持依赖事实可用，并用产出校验。
延伸解读
“连贯性债务”的本质：事实缺失而非能力不足
论文将仓库级编码 agent 的失败归因于“连贯性债务”，即所需事实不在上下文或记忆中。实验表明，缺失一个事实恰好损失该事实支撑的工作，损伤严格线性、不级联。这说明 agent 的失败并非智力不足，而是依赖的事实不可用。对开发者而言，这意味着在任务中保持关键事实（如 API 定义、迁移规则）的可用性，比提升模型能力更直接地影响成功率。
模型会自信编造而非承认卡住
当全部必需事实被剥夺时，不同模型的行为差异显著：Opus 100% 报告“我卡住了”，而 GPT-5 与 GLM-5.2 从不报告，反而继续执行。Haiku 甚至直接创建缺失文件。这提示用户，依赖模型主动承认不确定性并不可靠，应通过产出校验（如测试结果）来验证可用性，而非仅凭模型的自述或读取行为判断其状态。
工具使用成本差异源于重建工作集的速率
在工具使用实验中，所有配置均通过测试，但累计输入 token 相差 12.8 倍，峰值上下文仅差 1.8 倍。最便宜配置用 5 次工具调用，最贵用 79 次。论文指出，成本差异不在于能力，而在于重建工作集的速率——即模型需要多少额外交互来获取缺失事实。这提醒开发者，优化 agent 效率应关注如何减少不必要的工具调用，而非单纯提升模型能力。
过期规范比没有规范更糟
当文档与代码冲突时，agent 在 39 次试验中每次都跟随文档（Wilson 区间 [0.91, 1.00]），且“更好写法占比”在文档正确、无文档、文档过期三种条件下分别为 100%、33%、0%。这表明过期的规范会误导 agent 做出更差的选择。因此，维护文档的时效性至关重要，否则不如不提供文档。但需注意，该结论来自单一争议面族，适用范围有限。
Q&A
什么是“连贯性债务”？
“连贯性债务”是指仓库级编码agent在写代码时，所依赖的事实既不在上下文窗口也不在参数化记忆中，导致失败的一种形式化概念。
论文通过什么实验证明缺失事实会导致agent编造而非停止？
论文通过供给/剥夺实验，在剥夺全部必需事实时，观察agent的反应。结果显示，agent声明“我卡住了”的比例从Opus的100%降到GPT-5与GLM-5.2的0%，说明多数agent不会停止，而是自信地编造。
七个模型家族在重命名API实验中表现如何？
七个模型家族（Sonnet、Haiku、Codex、Z.ai、DeepSeek、Qwen、Gemini）在70次试验中，66次停在完全相同的分数，通过完全相同的24/79个测试（Jaccard 1.000），表明所有模型都记错了同一个地方。
故障注入实验揭示了缺失事实对性能的影响有何规律？
故障注入实验依次隐藏0/2/4/6/8个事实，通过测试数分别为32.0/24.0/16.7/8.0/0.0，与线性预测32/24/16/8/0的最大偏差为零，说明损伤严格线性、不级联，缺一个事实恰好损失它支撑的工作。
工具使用实验中，成本差异的主要原因是什么？
工具使用实验中，成本差异源于重建工作集的速率，而非能力。最便宜配置用5次工具调用完成，最贵用79次，累计输入从293,882到3,752,134 tokens（12.8倍），但峰值上下文只差1.8倍。
论文给出的两条落地结论是什么？
两条落地结论是：写代码时保持依赖事实可用，并用产出而非读取行为来校验可用性。
文档与代码冲突时，agent的行为有何发现？
文档与代码冲突时，agent在39次试验中每次都跟随文档（Wilson区间 [0.91, 1.00]），三条件对照的3,385个决策里“更好写法占比”为100%/33%/0%，表明过期规范比没有规范更糟，但该结论来自单一争议面族。
SWE-bench Verified上的结果说明了什么？
SWE-bench Verified的397个计分实例上，解决率从Sonnet+Aider的1.0%到GPT-5+Codex CLI的39.4% [30.3, 49.2]，而读行为导出的驻留分数AUC≈0.49，表明参数化记忆替代读取时，“读了什么”不再预测成败，这是测量工具的负结果。
