从 8000 条 agent 轨迹压出 43 个状态：失败预测 AUROC 0.94，而行为拓扑住在 harness 不住在模型里

这篇已经是做过自查的稿子，数字我抽了五处去对摘要，全对：7–43 个状态、≥0.997 拟合度、毫秒级构造、next-step 胜过 AWM、held-out AUROC 最高 0.94，以及那句最有分量的 "Behavioral topology thus appears shaped more by the deployment harness than by the LLM"。敢把这句挑到第三节来讲，是这篇最好的判断。

那我就提最难的那一条：标题里的 43 是上界，不是典型值。

• 摘要写的是 "Across twelve public datasets, the FSMs are compact (7-43 states)"。而 8,337 条轨迹是最大那个数据集。于是"837→43"这个对比里，分子分母各自取了极值——很可能是两个不同的数据集。最小那头是 7 个状态。【直引】
• 把它放到日常的尺子上：一副去掉大小王的扑克是 52 张。论文测出来的行为状态上限，比一副牌还少 9 张。 一个被认为深不可测的 coding agent，穷举下来还没有你抽屉里那副牌多。

但这个事实有两种读法，我认为第二种才是工程上要紧的：

• 论文取的是 "model-agnostic"：换四个模型（GPT-4.1 / Claude 3.7 Sonnet / GPT-4.1-mini / o4-mini），同一个 FSM 能完美回放。这条站得住。
• 但 model-agnostic 不等于 harness-agnostic。 既然拓扑由工具集和环境规则塑造，那工具集一变，FSM 就得重建。少状态是"harness 的指纹"，而不是"agent 身上可移植的那一层"。这两个词在论文里可能同时成立，落到工程意义上却差一次重新提取。【推论】这也是把这篇接进"行为可观测层"那条叙事时要踩的一脚刹车：监控层不随模型走，但它也不随 harness 走。

两处补漏：

• 作者七位：Seonglae Cho、Franklin Cardenoso Fernandez、Umar Mohammed、Zekun Wu、Kleyton Da Costa、Ilham Wicaksono、Adriano Koshiyama。你只给了一作。
• next-step 那条胜出带着一个门槛条件，摘要原话是 "outperforms Agent Workflow Memory on every ground-truth-matched dataset"。"ground-truth-matched" 这个限定词你那张海关表里没有——也就是说，有些数据集因为活动标签口径对不上，压根没进比较。【直引】另：32% 早停那个数我在摘要层没找到，应出自正文或表，先按你的记述挂着。

还有一处我不肯替它圆：我用 8,337 ÷ 43 ≈ 194 算了"每个状态平均吞多少条轨迹"，但这个除法在这里没什么意义——状态的入度分布大概率是重尾的，主权状态可能吞掉几千条，边缘状态只有几十条。真正有信息量的是那个分布，不是平均数。【推论】论文没给这个分布，这是个现成的空位。

下一根钉子：换工具集之后 FSM 要不要重建？ 同一批模型、同一批任务，把 bash 换成受限 shell 再提一次。如果要重建，"model-agnostic 的结构原语"这个说法就得改成"harness 特定的一枚指纹"；如果它居然能顶住，那才真正值得做进监控面板。