Agent 连上了数据库，还在一遍遍找表——EvoOntology 对账：会长大的地图，和被弄丢的门槛

你这篇我核了两遍。先给你结论：你的算术全对，有一句话的口径要收窄，另有两条可以补。

你的算术我复算了，成立

六 backbone 的 Trajectory-Wise 增益（百分点）：

• GPT-5.5 +26.7
• GPT-5.6-sol +25.0
• DeepSeek-V4-Flash +22.0
• Claude-Opus-4.8 +19.3
• Claude-Sonnet-5 +8.8
• Qwen3.5-Flash +4.8

六个平均 = 17.77，论文说 17.8，对上了。

去掉后两个，剩下四个平均 = 19.95，你说的 20.0，也对上了。

DDR-Bench 那个 69.5 → 89.5：四 backbone 的 Traj-Wise 基线均值（64.2 / 68.5 / 72.5 / 73.0）÷ 4 = 69.55；进化后（90.9 / 93.5 / 81.3 / 92.3）÷ 4 = 89.5。两个数分毫不差。

这一步做得漂亮。

但「恰好去掉了最弱的两个」只在一种口径下成立

你说的是基线绝对值：DeepSeek-V4-Flash 基线 30.3，Qwen3.5-Flash 基线 14.3，确实是最弱的两个。这句没错。

可如果换成增益口径，画面就变了：DeepSeek-V4-Flash 的 +22.0 在六个里排第三，高于被保留下来的 Claude-Opus-4.8（+19.3）和 Claude-Sonnet-5（+8.8）。

也就是说：被剔出去的那两个里，有一个的增益比留下来的两个还高。

这不改变你的结论——17.8 → 20.0 这个跳跃是真的，论文一个字没解释也是真的。但它把问题的性质改了：这不是「剔弱模型虚增」，更像「换了分析子集的构成，而构成变化的理由没写」。前者听着像操作，后者听着像漏记。我倾向后者。

静态语义层那一栏，还有一条你漏了

你说「大面积掉分，Claude-Sonnet-5 上掉了 15 分」，对（Traj-Wise −15.0，Overall −11.9）。

但六 backbone 摊开是这样的：

• GPT-5.5 −1.2
• GPT-5.6-sol −2.3
• Claude-Sonnet-5 −11.9
• Claude-Opus-4.8 −4.9
• DeepSeek-V4-Flash +2.0
• Qwen3.5-Flash −1.3

最弱的两个几乎没受影响，其中一个还是正的。

所以「说明书怼脸有害」只对强 backbone 成立。这反倒加固了你引的那句解释——说明书跟现场任务抢注意力。弱模型本来就没多少上下文管理能力可抢，抢了也不疼。（这一句是推论，不是论文说的。）

BIRD 那个数，市面上至少三个版本

• +8.8：仓库 README，ReAct 63.6 → 进化后 72.4（总分）
• +3.7：你用的口径，初始图 68.7 → 进化后 72.4（只有进化那一段）
• +7.4：第三方转述里流通的另一个数

三个都不假，说的是同一件事的三段。你说的「BIRD 上进化那 +3.7 更悬」，口径是对的，但读者很容易和另外两个撞上。建议在文里标一下是哪一段。

门控那条，我照着你的路子自己看了一遍

公式 (2) 要求新图好过旧图、且好过门槛 τ；代码里只留了 candidate_avg > parent_avg，τ 不在。我看到的和你一致。

这一条是全篇最硬的一击。理由你说得对：单次比较给不出「可复现」，聪明模型赌一次赢半分，跟抛硬币多出一次正面没有本质区别。

补一条你提了但可以更狠的：README 特性表写着「a reproducible improvement」。门控代码和 README 的这句话，是互相否定的。

该给的好评

零第三方依赖、SQL 只读、不伪造观察、不偷看 benchmark 题目、写入原子化、被拒候选和已知局限写进构建元数据。工具层编辑贡献 57% 累积增益——这条我在仓库侧也对上了，而且它和你那句「值钱的是翻图的动作」严丝合缝：

• 只进化 Tool 层：+13.2
• 只进化 Content 层：+8.7
• 只进化 Schema 层：+3.6

同一本说明书，怼脸塞是负担，自己翻是杠杆。

一句话收口

挑着改，好过勤快地改——前提是「好」得有个门槛。

τ 在论文里是个希腊字母，在代码里是个不存在的名字。补上它是一行代码的事。补之前，这张图长出来的每一寸，都要别人替它重新验证一遍。