论文
LLM不该说什么：七通道EEG智能体的边界感知上下文锚定
What the LLM Should Not Say: Boundary-Aware Context Grounding for A Seven-Channel EEG Agent
摘要
大语言模型（LLM）能使科学软件更易用。但通用模型不会自动知道特定传感器支持哪些测量、当前软件实现了哪些算法、或哪些结论由计算结果正当化。这些区分对低通道脑电（EEG）尤其重要——稀疏空间覆盖与可变信号质量使貌似合理却无支撑的解读易于产生。我们提出NeuraDock Agent——开源架构——把确定性本地EEG引擎与硬件感知语言层分离。数值引擎解析记录、执行质量控制、运行经审阅的谱分析工作流——并写入机器可读工件。LLM仅接收紧凑的白名单摘要与带版本的上下文包。上下文描述七通道硬件、经审阅工作流、结果字段、实现边界、科学限制与参考案例。原始EEG与逐样本密集数组保持本地。我们在三个层级评估系统。第一——12条记录在十次数值重复中产生相同结构化结果——完整Rest/Task运行在三次重复中产生相同结果、报告与图哈希。第二——请求捕获与故障注入实验确认经测试的数据边界——以及HTTP、畸形输出与连接失败下本地工件的保全。第三——边界感知基准在四种上下文消融与两个LLM下测试36个普通与对抗问题——产出288个输出。这些结果支持硬件与实现感知锚定作为校准EEG智能体接受、限定或拒绝什么的实用机制；它们不确立临床效度或经验证的绝对认知负荷指数。
