诊断不等于处方：语言共适应解释 LLM 管道中的修补风险

当多模块 LLM 智能体发生故障时，导致故障的模块未必是最佳的干预部位。我们在三个独立 agent 家族中通过实证研究证明了这一诊断悖论：因果分析始终识别路由模块——即选择下一个调用工具的模块——为主要瓶颈；但向该模块注入提示水平的纠正示例却会持续降低性能，甚至严重损害。相反，对上游查询重写模块进行修补则可可靠地改善结果；这种效果在两个 agent 家族上具有统计显著性，在第三个家族上方向一致。备选的修补策略（指令重写、模型升级）在路由模块上为中性，这确认了这种损害是特定于纠正注入修补的。我们通过语言契约假设解释了这种非对称性：每个下游模块都隐式地适应其上游的特征错误分布，因此纠正瓶颈会打破这种隐式的对齐，而上游的纠正则不然。我们通过每代理的共适应度量实现了这一假设，该度量仅基于诊断信息即可推导，并显示其在多个 agent 家族中与修补损害保持一致：更高的共适应伴随着损害，更低的共适应伴随着安全。该趋势在所有三个 agent 家族中保持一致，为超出单一 agent 观察的假设提供了初步支持。