Forage V2：自主智能体组织中的知识演化与迁移

在开放世界任务——完成边界未预先给定——中运行的自主智能体面临“分母盲视”：它们会系统性地低估目标空间的范围。Forage V1通过共同演化的评估（一个独立的评估者发现“完成”意味着什么）和方法隔离（评估者与规划者看不到彼此的代码）来解决这一问题。V2将该架构从单次远征扩展为学习型组织：经验跨运行积累、跨模型能力迁移，并以制度化保障防止知识退化。我们在三种任务类型（网页抓取、API查询、数学推理）上验证了两个论断。知识积累：在六次运行中，知识条目从0增长到54，且随着领域理解加深，分母估计趋于稳定。知识迁移：较弱智能体（Sonnet）以更强智能体（Opus）的知识作为种子后，将6.6个百分点的覆盖率差距缩小到1.1个百分点，成本减半（9.40美元降至5.13美元），收敛轮数减半（平均4.5对7.0），且三次独立的种子运行得到完全相同的分母估计（266），这表明组织知识能够校准评估本身。V2的贡献是架构性的：它设计了制度——审计分离、契约协议、组织记忆——使任何智能体进入后都更可靠。积累的经验是组织性的、与模型无关且可迁移的，以可读文档形式存储，任何未来的智能体无论来自哪家提供商或何种能力水平都可以继承。