学者提出「制图」框架：概率模型检测与预防智能体漂移

独立研究者近日发表论文《A Probabilistic Model for Detecting and Preventing Agent Drift》，针对长程智能体（agent）工作中常见的「漂移」问题，提出一套名为「制图（charting）」的理论框架，并用概率模型对导航步骤进行形式化分解。该文以预印本形式公开，同时提供 PDF 与 arXiv 源码包供下载复核。

核心概念：从「执行任务」到「制图」

论文开篇指出，长期运行的智能体工作通常被理解为「任务执行」，但这一视角难以描述智能体在面对未充分表征的问题时的行为。作者因此提出以「制图」作为更通用的分析单元：当一个问题需要执行者改变自身的表征、目标或可行动作结构时，它对该执行者而言是「未制图」的；而当问题具备了稳定的位姿词汇、方向判据、迁移策略与评估流程后，它就变为「已制图」的。

作者将这一对偶映射到人类与受治理的智能体运行时：人类侧表现为技能、惯例与制度；在智能体侧则可被编译为机器可校验的约束与可执行迁移。工作，就是把未制图问题转化为可被反复穿行的「制图走廊」的过程。

概率分解：导航有效步的三因子模型

在形式化层面，论文在递归层 ℓ 上把一次「导航有效步」建模为有效位姿、有效方向与有效入口三者的合取，其概率可分解为：

• Pr(N_ℓ) = Pr(P_ℓ) · Pr(D_ℓ | P_ℓ) · Pr(E_ℓ | P_ℓ, D_ℓ)

其中入口项 E_ℓ 又被进一步拆分为「可用性」与「选择性」两个子因子。执行保真度（execution fidelity）则被作者明确排除在理论范围之外，作为外部条件处理。这一分解使论文得以将「智能体是否走在正确的走廊上」拆成可独立评估的环节，便于后续在运行时对其进行约束与监控。

四层编译栈与制图循环

论文将整体论述组织为一个四层编译栈，由下至上分别为：现象层、理论层、系统层与外部权威层。系统层负责把上述概率因子编译为运行时约束，具体包括：

• 已验证状态（verified state）
• 冻结的验收数据（frozen acceptance data）
• 单入口推送（pushed single entrances）
• 担保条款（warranties）

围绕该编译栈，论文描绘了一个「制图循环」：外部权威（在论文实例化中为人类操作者）提供意图、领域知识、规则与可信证据源；执行者负责搭建走廊、行走走廊、修复走廊，并通过全新的端到端穿越完成认证；当新情境再次进入循环时，或由权威通过重新表征与重定向完成制图，或在编译理论足够完备时由执行者自行制图，但须接受权威批准。论文强调这一循环具有两种递归性：其输出会作为对象再次进入循环，且每一轮循环本身也都是一次「工作」，服从同样的因子分解。

案例与可证伪预测

论文以一段受治理的多智能体生产环境中的可追溯事件作为「激励性案例」加以说明，但作者明确将其定位为动机示例而非实证验证。在此基础上，论文针对长程漂移、走廊修复、智能体自我扩展以及机器撰写的治理规则等议题，推导出一组可证伪的预测，供后续工作检验。

整体来看，这篇论文以概率分解与编译栈的方式，对长程智能体工作的漂移与治理给出了一套可结构化讨论的语言，但目前仍停留在理论与框架层面，尚未提供系统的实验验证，其实际工程效果有待后续研究进一步检验。