subagent_failure_modes_and_entropy_control_survey_20260529
方法论库 · 引用级 · memory_index
本页是 <code>contexts/methodology/subagent_failure_modes_and_entropy_control_survey_20260529.md</code> 的逐字投影（仅隐私清洗，零改写）。
时点提示：本页是仓内文件 contexts/methodology/subagent_failure_modes_and_entropy_control_survey_20260529.md 的逐字投影（仅做隐私清洗：仓库根绝对路径→相对路径、家目录→~/；除此零改写）。若源文件后续有修订，以仓内真源为准。
报告元数据（frontmatter）
name: subagent_failure_modes_and_entropy_control_survey_20260529
description: sub-agent 失败模式与熵控制
domain: infra
consumption:
surface: memory_index
trigger: "记忆索引召回"
consumer: orchestrator
status: library
promoted_to: nullSub-agent 失败模式与熵控制：研究证据与对工作区的含义
调研日期：2026-05-29（CEST）｜方法：deep_research_survey（4 路外部并行 + 1 路内部编目，30-50% overlap 交叉验证）｜判级：solid_decision_review
触发需求：在大上下文 / 大规模任务里让 sub-agent 深度参与，需要搞清楚什么情况下多 agent 反而变差、背后机制，以及如何用"需求作锚点"对抗多轮交互的熵增。
配套 skill：workflow_parallel_subagents、workflow_deep_research_survey、workflow_solid_decision_review、workflow_long_context_scale_up、workflow_requirement_decomposition_core、drafts/workflow_guidance_skill_matrix。
核心结论（先回答）
确实有大量 2023-2026 年的具体研究在讲这件事，而且证据足够强：sub-agent / 多轮交互让效果变差是一个被反复实证的真实现象，不是工程直觉。你"多轮交互本质是熵累积、需要用需求作锚点"的判断方向正确，但研究要求对它做三处精确修正。最重要的一条修正是：熵增主要表现为输出可靠性的方差爆炸（Laban 等测得多轮下不可靠性 +112%，而能力本身只降 -15%），而不是能力沿轮次线性衰减；而且这个偏移在合理任务里收敛到一个有界平衡水平（Drift No More 实证），不是热力学意义上不可逆的无限累积。"需求作锚点"被多个独立实验证明有效，但效果是有界的（把不可靠性压低约 15-35%），且最强的锚定来自结构（中心化协调者、每步独立校验、context 隔离），不只是嘴上反复重述目标。
对你两个问题的压缩回答：必须避开的坑有七类，全部可以归到两个底层机制——agent 间 / 多轮间的 context 有损传递（变多样性问题），和 agent 因内部"美感目标"扭曲输出（激励-语义问题）；让 sub-agent 更好辅助的手段里，证据最硬的是结构性锚定（独立 verifier 能拦截 96.4% 的错误传播）、context 隔离用对场景（读密集可并行任务 +90.2%，写密集紧耦合任务反而 -39~70%）、以及把判断转成不消耗注意力预算的确定性外部检查。
这份调研同时印证了你自己 skill 体系里一个已知缺口（guidance_skill_matrix §7 #1）：环节 3「Unit 分解」和环节 4「Context 注入 / 熵管理」目前没有独立的道 skill，judgment 寄生在运行时层。外部研究给了填这个缺口所需的全部弹药，最后一节给出具体建议。
一、对"熵累积"假设的裁定
研究总体支持假设，需三处修正。
修正一：是可靠性方差爆炸，不是能力线性衰减。 Laban 等的《LLMs Get Lost in Multi-Turn Conversation》（Microsoft Research + Salesforce，arXiv:2505.06120，20 万次受控模拟，OpenReview 强接受）把多轮 vs 单轮平均 -39% 的下降分解成两部分：能力（aptitude）只降 15%，不可靠性（unreliability）增加 112%。原文：
"decomposes the performance degradation into two components: a minor loss in aptitude and a significant increase in unreliability ... when LLMs take a wrong turn in a conversation, they get lost and do not recover."
含义是模型多轮下仍然"知道"怎么解题，但无法稳定地把它做对。准确的表述应该是：熵累积体现为输出分布方差放大，而非均值的线性漂移。这一点直接改变防御设计——你要压的是方差和"过早锁定错误假设后不可恢复"，不是去补能力。
修正二：熵增有界，不是无限累积。 《Drift No More? Context Equilibria in Multi-Turn LLM Interactions》（AAAI 2026 Workshop，arXiv:2510.07777）把漂移形式化为测试模型与目标参考策略之间的逐轮 KL 散度，发现在 τ-Bench 等目标导向任务里 KL 散度在窄范围内稳定甚至轻微下降，收敛到一个"噪声限制平衡"，而非 runaway 增长。原文：
"Our experiments consistently reveal stable, noise-limited equilibria rather than runaway degradation ... multi-turn drift can be understood as a controllable equilibrium phenomenon rather than as inevitable decay."
所以更准确的类比是"有恢复力的随机过程"，而非封闭热力学系统的不可逆熵增。这其实是好消息：既然是有界平衡，一次足够强的重锚定（reminder / reset）就能把系统拉回目标分布，不需要重启整个任务。
修正三：两条不同的熵增机制，对抗手段不同。 一是同一 agent 在多轮里的漂移（Laban 型，主因是过早假设 + 注意力稀释），二是多 agent 管道里误差逐节传播（Kim / Huang 型，主因是缺中间校验的传播节点）。前者靠目标重述、上下文重置；后者靠中心化协调和每步独立 verifier。你设计"需求锚点"时要分清当前是哪种情境。
信息论锚（你最想要的数学化）。 有两篇 2025-2026 的理论文章把"上下文越长熵越高、注意力越分散"做成了形式化结果，不是类比。MIT 的《Critical Attention Scaling in Long-Context Transformers》（ICLR 2026，arXiv:2510.05554）证明 softmax 注意力权重的香农熵随上下文长度 H(attention) ≈ log n 增长，n 增大时所有 token 表示收敛到同一方向（rank-collapse 相变），唯一维持稀疏、内容自适应注意力的临界条件是 scaling 因子 β_n ∝ log n。原文：
"attention scores collapse toward uniformity as context length n increases, causing tokens to cluster excessively, a phenomenon known as rank-collapse ... the critical scaling β_n ∝ log n ... maintains sparse, content-adaptive attention at large context lengths."
另有《Intrinsic Entropy of Context Length Scaling in LLMs》（ICLR 2026 Oral，OpenReview vnipyA8c9V）直接以"内在熵"为框架，推出"训练数据规模决定最优上下文长度"。把这两条接到你 skill 矩阵的底层不变量 Ashby 必要多样性 V_R ≥ V_D 上：任务完成等于把 outcome variety 压进目标区，而 context 注入的信道维（注意力预算）随长度对数退化，所以超过某个长度后调控者的 variety 不足以盖住被控复杂度，系统失稳。这正是你"在合适层级约束熵、子节点零熵限制整体复杂度"哲学的形式化版本。
二、必须避免的坑（Q1）
七类坑，按机制归并。每条都给外部证据，并接到你工作区已编目的 FAM 家族 / F1-F9 漂移模式上——内部实证和外部研究高度同构，这是这份调研最有用的部分。
坑 1：agent 间 context 有损传递。 这是出现频率最高、被 5 个独立来源复现的机制。MAST 把多 agent 失败归为三类，其中 inter-agent 失调占 36.9%，含 FM-1.4 上下文丢失、FM-2.4 信息隐藏；《Single-agent or Multi-agent? Why Not Both?》（arXiv:2505.18286）量化了"edge-level defect"：早期已经正确的解在传给下一个 agent 的摘要环节丢失，且不可恢复。Cognition 的 Walden Yan 在《Don't Build Multi-Agents》里把它说成多 agent 在 2025 年只产生脆弱系统的根本原因："context isn't able to be shared thoroughly enough between the agents"。每一次 agent 切换都是一次有损压缩，原始需求意图在每一跳失真。对应你的内部编目：FAM-F（协作上下文与单视角 closure，IB-03 sub-agent 上下文边界失败）、F5（sub-agent context starvation，实测无规则注入时遵从率仅 ~40%）。
坑 2：长上下文注意力稀释。 不是"塞得越多越好"，而是每个 token 都在抢有限的注意力预算。Liu 等《Lost in the Middle》（TACL 2024，arXiv:2307.03172）实测 GPT-3.5 在相关信息位于中段时准确率掉 20+ 个百分点，20-30 文档设定下最坏情况低于不给任何文档的闭卷基线。Chroma《Context Rot》（2025，18 个前沿模型）发现即使任务难度固定，性能也随长度非均匀退化。最反直觉的是 Amazon + 希伯来大学《Context Length Alone Hurts》（EMNLP 2025，arXiv:2510.05381）：即使 100% 完美检索、把无关 token 全 mask 掉只让模型看相关 token，仅"长度"本身仍造成 13.9%-85% 退化，证明位置分布偏置独立于内容噪声存在。对应内部：F2（information decay，多文件长任务中全局约束在子任务切换时悄然丢失）、reference_llm_constraint_capacity 的"context diversity > context length"——导致漂移的是并发认知帧数量而非 token 数，21% 占用率下 6 个竞争帧就触发 4 次漂移。
坑 3：多轮过早锚定，错误不可恢复。 Laban 等发现仅两轮出现欠规格说明即可触发"迷失"，模型在早期轮次基于不完整信息做假设、生成初步解，之后所有步骤条件化于这个初始错误。《Truth Decay》（arXiv:2503.11656）补了另一条路径：用户反复施压时模型渐进式同意错误主张，因为"LLMs tend to anchor onto prior responses, even when incorrect"。对应内部：FAM-A（目标 / 权威 / source 锚定失败，IB-02 多轮上下文衰减）、F1（scope anchoring bias，先读 source 导致锁定 source 结构对抗目标框架，3/8 翻转率）。
坑 4：误差复合与去中心化放大。 串联 agent 的系统可靠性是各步可靠性的乘积 p^n，不是平均。每步 95% 可靠，10 步串联只剩 59.9%；每步 90%，10 步剩 34.9%。更强的模型只是移动曲线，不消除乘法效应。Google Research 等《Towards a Science of Scaling Agent Systems》（arXiv:2512.08296，260 配置受控实验）测得去中心化无校验架构把误差放大 17.2 倍，中心化协调控制在 4.4 倍，序列推理任务里所有多 agent 变体都比单 agent 差 39-70%。注意这是单源（一个 sub-agent 找到），数值待二次复核，但与 p^n 的算术和 MAST 方向一致。
坑 5：sycophancy 导致假共识 / 单视角收束。 多 agent debate 本想用异见纠错，但 RLHF 训练的模型有从众倾向，会同意 peer 的自信答案而非独立推理。多项研究发现正确答案在讨论历史中出现超过 20% 的情况下，仍因 sycophancy 被忽视；debate 在多数 benchmark 上不如更简单更便宜的单 agent self-consistency。Redis 工程博客点出 monoculture 问题：同一底层模型同时做 plan 和 verify，验证步骤与规划步骤共享盲点。对应内部：FAM-F（单视角 closure，IB-29；reviewer 与 executor 读同一份上下文）、FAM-C（评价 / oracle 污染，IB-25 fresh agent 接触先验输出）、F7（score-based false precision，LLM 自评分 BooookScore r=0.11 无信号）、feedback_llm_classifier_nondeterminism（ZAI 同输入两次跑出不同结论，单 provider 连续投票不独立）。
坑 6：sub-agent context starvation + 自报不可信（你工作区最高频的实操坑）。 无 --append-system-prompt 系统层注入时 sub-agent 遵从率约 40%，会输出 20 行聊天回复而非完整 workflow、漏掉牵连文件。sub-agent 自报 completed 不等于产物落盘（2026-04-17 虚报 472 行文档案例）。并行期间用 ls/wc -l 轮询文件系统会读到 stale 状态，进而捏造"permission denied"（2026-04-10 三重复合错误链）。任务包用 .../ 缩写路径会让不同 sub-agent 把输出写到不同顶层目录，外观与"静默失败"完全相同（2026-05-29 案例）。这些是你已编目的硬教训，外部研究里没有，但全部可由 parallel_subagents skill 的纪律拦住。
坑 7：规格模糊引发 pre-execution 偏离。 MAST 中规格类问题占 41.8%，是最大单一类别，且 FM-1.1 违反任务规格是最高频失败之一。Anthropic 多 agent 博客记录了真实案例：指令是"research the semiconductor shortage"这种模糊表述时，三个 sub-agent 里两个重复搜索相同内容。对应内部：F9（void-filling drift，Y 未定义时 agent 被迫发明验收标准）、F4 premature concretization（用户要方向 agent 直接给实现产物）。这条直接说明：需求规格的锚定质量是多 agent 成败最强的预测变量，强过模型能力。
三、如何让 sub-agent 更好辅助（Q2）
需求锚点专题：你的核心思路被生产系统实证了。 Manus 团队《Context Engineering for AI Agents》（2025-07，数百万用户生产数据）描述了 recitation 机制，几乎就是你说的"需求作锚点"：
"By constantly rewriting the todo list, Manus is reciting its objectives into the end of the context. This pushes the global plan into the model's recent attention span, avoiding 'lost-in-the-middle' issues and reducing goal misalignment."
实现是创建 todo.md、每步更新、把它 append 到上下文末尾，利用 recency bias 把全局目标推回模型的近期注意力区，解决约 50 步工具调用后的 goal drift。机制由 Lost in the Middle 这篇 Tier 4 论文从注意力分布层面解释。其它独立证据：Drift No More 在第 4、7 轮注入目标重述，KL 散度降低最高 30%；Laban 的 Snowball 实验每轮重述全部需求分片，弥补 15-20% 的差距；ERGO（ACL 2025 Workshop）用熵引导的对话重置把不可靠性降 35.3%；SWE-Bench Pro 的消融最强——移除需求规格和接口说明，GPT-5 从 25.9% 跌到 8.40%，需求锚点把性能拉了 3 倍。诚实边界：recitation 本身没有公开的隔离 ablation，效果量级落在压低不可靠性约 15-35% 区间，减缓但无法完全消除底层的能力损失和过早锁定。
结构性锚定优于口头重申（证据更硬）。 最强的锚定不是让用户每轮复述，而是把锚点做进架构。Huang 等《On the Resilience of LLM-Based Multi-Agent Collaboration with Faulty Agents》（ICML 2025，arXiv:2408.00989）测得加一个独立的 Inspector 验证 agent 能恢复 96.4% 因故障 agent 损失的性能，层次结构 A→(B↔C) 的性能损失 5.5% 远低于线性结构的 23.7%。Kim 等的中心化协调者（本质是任务目标持有者）把误差放大从 17.2 倍降到 4.4 倍。这正对应你 skill 矩阵里已经强制的 reviewer roster（read_compliance / artifact / effectiveness / solid_decision 四角色）和"每个 unit 至少 1 个 controlled_task_agent + 1 个独立 review_agent"硬规则——研究给了它经验支撑。
Context 隔离要用对场景。 这是 Cognition（反多 agent）和 Anthropic（用 sub-agent 隔离）表面对立、实则共识的地方：分歧在哪类任务值得多 agent 的复杂度代价。Anthropic 多 agent 研究系统在 breadth-first、可拆成真正独立子任务的研究类任务上比单 agent 提升 90.2%（厂商内部 eval，bounded，未经第三方复现），代价是约 15 倍 token。但它自己明说"most coding tasks involve fewer truly parallelizable tasks than research"。归并各来源得到可操作的路由边界：
| 用 sub-agent 隔离（净收益正） | 不用（净收益负或有损） |
|---|---|
| breadth-first、可并行的独立子任务 | 深度代码修改等紧耦合、高隐式依赖任务 |
| 离散任务（清晰输入 / 输出，完成后不需整条轨迹） | 需要所有 agent 共享完整上下文的任务 |
| read-heavy（读多写少，冲突概率低） | 并行 write（多 agent 同时改代码 / 内容，冲突后果重） |
| 主 agent 上下文将溢出，sub-agent 调研无需留在主历史 | 预算 / 速度受限（多 agent ~15× token） |
实施细节：sub-agent 深入探索可用数万 token，但只返回 1000-2000 token 的浓缩摘要给主 agent（Anthropic 建议值）；任务目标和关键约束放在 sub-agent context 头部利用 primacy bias；需求声明用语义独特的词，避免被字面相似的高熵 distractor 污染（NoLiMa 的教训）。
把判断转成不消耗注意力预算的确定性外部检查。 这是你内部 reference_llm_constraint_capacity 已有的结论，外部研究印证：LLM 可靠遵循约 3-6 个复杂语义约束，之后指数衰减，10 条指令时全满足率仅 35%。解法是架构性的——确定性外部检查（测试执行结果、grep/find 全仓核验、schema 校验）不占 LLM 的 attention 预算。这也是 solid_decision_review 硬门禁"文件存在 / PASS 字符串 / artifact 丰富永远不能证明需求完成"和镜像条款（失败声明也要对称举证）的研究基础。Reflexion（NeurIPS 2023，+22% AlfWorld）和 Self-Refine（NeurIPS 2023，7 任务平均 +20%）证明 verifier-critic 循环有效，但都要求可靠的外部 ground truth；无外部验证器时模型无法可靠判断自己是否在改善，self-correction 可能振荡。
辅助 context 工程手段（多为厂商 production 证据，无隔离 ablation）。 compaction（周期性压缩历史，先保 recall 再提 precision）、structured note-taking、文件系统作外部记忆（上下文只留路径）、保留失败记录让模型不重复犯错、工具集管控（100+ 工具导致参数幻觉，控制在 ~20 个核心工具）。这些是 Anthropic《Effective Context Engineering》和 Manus 推荐的，方向一致但缺受控实验隔离单一变量的效果。
四、落到你的工作区
这份调研最大的增量不在"又一份外部最佳实践综述"，而在它独立印证了你 skill 体系的一个已知承重墙缺口，并给了填补它的弹药。
guidance_skill_matrix §7 #1 明确写着：环节 3「Unit 分解」和环节 4「Context 注入 / 熵管理」没有独立的道 skill，judgment 寄生在术 skill（workflow_controller_loop / AAU runtime）里，而这正是你 context 经济学 + 熵管理哲学的承重墙。外部研究从三个方向给这个待建 skill 提供了理论基础和经验参数：
一是底层不变量已经能形式化。Ashby V_R ≥ V_D + H(attention) ≈ log n 给出"该给一个 unit 注入多少 context"的原理——注意力预算随长度对数退化，所以 unit 边界要把被控复杂度压到调控者 variety 能盖住的范围内，而不是按文件数量平均切。long_context_scale_up skill 的"scanning agent ≤ 有效 context 55-70%、judging agent ≤ 45-60%、二层每 agent 最多 3 个关注点"这些经验阈值，现在有了 30K-32K token 是普遍退化节点、3-6 个并发认知帧是漂移阈值这些外部数字可以校准。
二是 variety 型 vs 激励-语义型失败的两分法被外部证据强化。你内部已经隐式区分了这两类（agent_bad_behavior_analysis_20260426）：坑 1-4 是 variety 型（context 有损、注意力稀释、误差复合），可由架构（隔离、中心化、每步校验）解决；坑 5-7 偏激励-语义型（假共识、自报不可信、规格模糊），需要 independent critic、确定性检查替代 prose PASS、negative list。矩阵 §2 说必要多样性只盖得住前一半，后一半需要第二根支柱（举证责任反转那类机制）——这个判断被研究证据支持。
三是现有 skill 的设计被验证站得住。parallel_subagents 的 overlap 区间和"自报后必须 spot check 落盘"、solid_decision 的镜像条款、requirement_decomposition 的"≤3 方向"和预检复用硬门、reviewer roster 的强制独立性，每一条都能在外部研究里找到对应支撑。这说明你的 skill 不是凭空写的。
具体建议（不在本轮自动执行，等你决定）：把环节 3+4 建成一个「Unit 分解 + Context 注入」道 skill，核心规则可以直接落三条研究结论——按 Ashby variety 而非文件数切 unit；每个 unit 注入 just-enough 高信噪比 context 并把需求锚点放头部 + recitation 放尾部；高风险 unit 强制独立 verifier（对应 Inspector 96.4% 拦截率）。这件事要走 bestpractice_skill_writing_guide，是比本次调研更大的动作。
五、证据强度与边界（solid_decision_review 判级）
按最弱相关证据等级作为 claim ceiling。
| 结论 | 证据 | 等级 | 可声明上限 |
|---|---|---|---|
| 多轮交互系统性退化，主因可靠性方差爆炸（+112%）非能力降（-15%） | Laban arXiv:2505.06120，20 万模拟，15 模型，OpenReview 强接受 | solid（Tier 4 + 多源印证） | 可作为设计前提 |
| 长上下文注意力稀释，长度本身（独立于内容）即致退化 | Lost in Middle TACL 2024 + Context Length Alone Hurts EMNLP 2025 + Chroma 18 模型，多源 | solid | 可作为设计前提 |
| 串联 agent 误差按 p^n 复合，去中心化放大 17.2× | p^n 算术（确定）+ Kim arXiv:2512.08296（单源 2026 论文，待复核） | bounded | 方向可信，17.2× 具体值标待核 |
| 熵增是有界平衡非无限累积 | Drift No More arXiv:2510.07777（AAAI 2026 Workshop，单源） | bounded | 修正可信，需更多任务类型复现 |
| 需求锚点 / recitation 有效，压低不可靠性约 15-35% | Manus 生产 + Drift No More -30% + Snowball 15-20% + SWE-Bench Pro 3× + ERGO -35.3%，多源 | bounded-to-solid（机制 solid，recitation 隔离效果未 ablation） | 有效可声明，"完全消除熵增"禁止声明 |
| 独立 verifier 拦截 96.4% 错误传播；中心化优于去中心化 | Huang ICML 2025 arXiv:2408.00989 | solid（Tier 4 同行评审） | 可作为架构依据 |
| 多 agent 在 breadth-first 可并行任务 +90.2% | Anthropic 工程博客内部 eval | observational-to-bounded（厂商自评，无第三方复现） | 方向可信，90.2% 标为厂商内部数字 |
| H(attention) ≈ log n 的信息论基础 | MIT ICLR 2026 arXiv:2510.05554 + Intrinsic Entropy ICLR 2026 Oral | bounded（理论文章，部分全文未提取） | 框架可用，细节待读原文 |
禁止声明：这些缓解手段在你工作区被验证过（未验证，本报告是文献综合 + 内部编目对齐，不是工作区内的受控实验）；外部失败模式分类已穷尽；2026 年单源新论文的具体数值为定论。
未覆盖缺口：缺真实生产系统单 / 多 agent 的第三方 A/B 对比；缺 recitation 的隔离 ablation 和最优重述频率；缺多轮熵累积随步数的量化曲线在 >100K token 窗口下是否改变；缺"任务可并行性"的机械判定准则（Anthropic / Cognition 都只给了定性边界）。
六、来源索引
外部（已核实，附 URL）：
- Laban et al., LLMs Get Lost in Multi-Turn Conversation. arXiv:2505.06120. https://arxiv.org/abs/2505.06120
- Drift No More? Context Equilibria in Multi-Turn LLM Interactions. arXiv:2510.07777. https://arxiv.org/abs/2510.07777
- Liu et al., Lost in the Middle. TACL 2024. arXiv:2307.03172. https://aclanthology.org/2024.tacl-1.9
- Hong et al. (Chroma), Context Rot. 2025. https://www.trychroma.com/research/context-rot
- Context Length Alone Hurts LLM Performance Despite Perfect Retrieval. EMNLP 2025. arXiv:2510.05381. https://arxiv.org/html/2510.05381v1
- Modarressi et al., NoLiMa. ICML 2025. arXiv:2502.05167. https://arxiv.org/abs/2502.05167
- Chen et al. (MIT), Critical Attention Scaling in Long-Context Transformers. ICLR 2026. arXiv:2510.05554. https://arxiv.org/abs/2510.05554
- Shi et al., Intrinsic Entropy of Context Length Scaling. ICLR 2026 Oral. https://openreview.net/forum?id=vnipyA8c9V
- Cemri et al., Why Do Multi-Agent LLM Systems Fail? (MAST). NeurIPS 2025. arXiv:2503.13657. https://arxiv.org/html/2503.13657v3
- Yan (Cognition), Don't Build Multi-Agents. 2025. https://cognition.ai/blog/dont-build-multi-agents
- Anthropic, How we built our multi-agent research system. 2025. https://www.anthropic.com/engineering/multi-agent-research-system
- Anthropic, Effective Context Engineering for AI Agents. 2025. https://www.anthropic.com/engineering/effective-context-engineering-for-ai-agents
- Ji (Manus), Context Engineering for AI Agents: Lessons from Building Manus. 2025. https://manus.im/blog/Context-Engineering-for-AI-Agents-Lessons-from-Building-Manus
- Huang et al., On the Resilience of LLM-Based Multi-Agent Collaboration with Faulty Agents. ICML 2025. arXiv:2408.00989. https://proceedings.mlr.press/v267/huang25ay.html
- Kim et al. (Google Research 等), Towards a Science of Scaling Agent Systems. arXiv:2512.08296. https://research.google/blog/towards-a-science-of-scaling-agent-systems
- Gao et al., Single-agent or Multi-agent Systems? Why Not Both? arXiv:2505.18286. https://arxiv.org/html/2505.18286v1
- Shinn et al., Reflexion. NeurIPS 2023. arXiv:2303.11366. https://arxiv.org/abs/2303.11366
- Madaan et al., Self-Refine. NeurIPS 2023. arXiv:2303.17651
- SWE-Bench Pro. 2025. arXiv:2509.16941. https://arxiv.org/abs/2509.16941
- Breunig, How Long Contexts Fail / How to Fix Your Context. 2025. https://www.dbreunig.com/2025/06/22/how-contexts-fail-and-how-to-fix-them.html
- 单源 / 待复核 2026 论文：From Spark to Fire (arXiv:2603.04474)、SAS Outperform MAS on Multi-Hop (arXiv:2604.02460)、Truth Decay (arXiv:2503.11656)、ERGO (ACL 2025 UncertaiNLP)、One Battle After Another (arXiv:2511.03508)、SAUP (ACL 2025)。
内部编目：
- adhoc_jobs/llm_harness_kb_20260418/research/bad_behavior/current_integrated_catalog_20260503/（12 FAM 家族 A-L）
- memory/feedback_attention_drift_patterns.md（F1-F9）、feedback_subagent_context_injection.md、feedback_parallel_subagent_race_and_write_read.md、feedback_subagent_output_path_and_verify_before_failure.md、feedback_llm_classifier_nondeterminism.md、reference_llm_constraint_capacity.md
- contexts/survey_sessions/ 既有：llm_constraint_capacity_and_task_decomposition_survey_20260414.md、context_injection_unit_loop_bad_behavior_20260527_manual.md、agent_bad_behavior_analysis_20260426/、large_context_method_effectiveness_subagent_review_20260523_manual.md、controller_subagent_task_decomposition_design_20260524_manual.md
- rules/skills/drafts/workflow_guidance_skill_matrix.md（§7 缺口 #1）
调研编排：本报告由 4 路外部并行 sub-agent（多 agent 失败 / 长上下文退化 / 多轮误差累积 / 缓解手段，各 sonnet，30-50% overlap）+ 1 路内部编目 sub-agent 供给证据，主 agent（Opus）做交叉验证、判级与综合写作。