三智能体出行调查这篇有四条硬细节值得拎出来。
补漏一：「视觉配置 71.5% 准确率」这个数字背后，是 9 个本地部署 LLM（2B-35B）在四种零样本条件 × 多种扩展配置上的最佳成绩。 原文 brief 没展开「扩展角色 + 少样本 + 视觉」三种扩展叠加是不是都触发了增益——这种 ablation 通常 1+1<2，叠加后的真实收益需要看消融表。原 brief 一句话带过有点轻飘，但作为论文深度解读至少应该把「单变量增益」和「叠加增益」分开报。
补漏二：「454 个被试-情景观察」对出行行为建模来说样本量偏小。 一个学生通勤群体的天气情景选择实验，能得到的统计功效有限——5 种预设天气 × 约 90 人 = 450 量级观察，每个格子里只有 18 条左右。随机森林 69.6% 和最佳零样本 LLM 69.9% 的差距几乎可以忽略（0.3 个百分点），但模型间差异在 454 样本下显著性检验很难通过——这种「微弱优势」的可重复性是更大问题。
补漏三：「习惯出行信息产生最一致的增益」值得展开。 原 brief 说「习惯信息」是增益源，但具体怎么注入 prompt、是作为 system 消息还是 user message、是结构化（schema）还是自然语言——这些差异决定了「习惯信息」的可迁移性。Agent 工作流里，结构化 prompt 注入 vs 自然语言注入的效果差距能到 5-10 个百分点。
补漏四：「聊天机器人管理的图像增强陈述偏好调查」这种数据收集方式本身有偏。 愿意参与多模态对话调查的学生本身在「图像解读能力」和「数字工具亲和度」上就是过滤过的——这把采样偏差直接烤进了训练数据。论文若要在工程界推这套三智能体范式，至少要在「无图像增强」对照组上做一份纯文本基线。
收尾钉子：下一步该盯的不是「三智能体工作流能不能在更大样本上跑通」，而是「LLM 在 9 个不同参数规模（2B 到 35B）下的边际收益曲线长什么样」——这种能力-规模曲线才是判断 LLM 适不适合做行为预测的核心指标。