面向长程企业AI智能体的四轴决策对齐

长程企业智能体在有损记忆、多步推理和约束性监管规定之下做出高风险决策（贷款核保、理赔裁定、临床审查、预授权）。当前的评估只报告单一的任务成功标量，混淆了不同的失败模式，也掩盖了智能体是否与其部署环境所要求的标准相一致。我们提出，长程决策行为可分解为四个正交的对齐轴，每个轴都可独立测量、独立失效：事实精确性（FRP）、推理连贯性（RCS）、合规重构（CRR）与校准弃权（CAR）。CRR是一个全新的以监管为依据的轴；CAR则是将覆盖率与准确率区分开的度量轴。我们在一个受控基准（LongHorizon-Bench）上运用这一分解，该基准覆盖贷款资质审核与保险理赔裁定，并采用确定性的真值构建。通过运行六种记忆架构，我们发现了聚合准确率无法揭示的结构性问题：检索在事实精确性上崩溃；以模式为锚的架构要支付“脚手架税”；在事实保全提示词下的朴素摘要是FRP、RCS、EDA与CRR上的强基线；且六种架构在每个案例上都选择给出答案，暴露出一个该领域尚未针对的决策对齐轴。这一分解还检验了我们自己的一项预注册预测——摘要会在事实回忆上失败——而数据以很大的幅度推翻了它，这种轴级别的反转正是聚合准确率会掩盖的。制度对齐（监管重构）与决策对齐（校准弃权）在对齐文献中代表性不足，而一旦决策走出实验室它们就成为承重维度。该框架可通过两个步骤迁移到任何受监管的决策领域：构建事实模式，以及校准CRR审计提示词。