公司大脑与执行层之间，缺失的是一份任务账本

销售向团队解释过哪个异议会直接杀死一笔交易，市场部修正过一句已经过时的宣传语，运营告诉过 AI 代理哪些数字可以信任。这些修正大多数停留在私聊、个人设置和各自独立的工具里，下一个人根本用不上。

而在执行阶段，代理面对的是另一种失效。它调用工具、拿到真实反馈，但一个未经核验的假设仍然留在对话历史里，后续推理继续沿着它往下走。中国人民大学高瓴人工智能学院把这种现象称为任务状态污染——未经验证的假设、过时的计划、错误的进度判断滞留在交互历史中，持续影响后续动作。相关论文为 Agent-Editing World Model。

两者表面相似，本质上并不是同一种病。前者是学到的东西从未进入共享空间——它没有被记录；后者是本不该留在历史里的判断没有被移除。它们不会自动焊成一个闭环。

公司大脑：一条仍然成立的判断必须能被下一个人使用

公司大脑不是知识库，也不是一堆目录。目录只是东西摆放的位置，真正要留下来的是那个循环——工作发生、有人修正、修正被路由、有人复核、写入共享位置，下一项工作能够直接使用它。

复核需要三个角色。流程负责人盯住这个流程是否还在运转；领域复核人判断这条修正对业务是否正确，并拥有该任务的账本；最终裁决人在两个来源冲突时拍板。小团队里流程负责人和领域复核人可以是同一个人，但裁决人不能是这条修正的作者。谁可以改、知识过时后谁来删，必须在同一天定下来。如果某个角色空缺，每周维护就不会发生——目录建起来了，没人维护，工作流程里也没哪一步必须去读它。

公司大脑回答的是长期规则，而不是某一步该不该走：公司现在相信什么、哪些决策取代了旧决策、谁有最终解释权、这类工作应该怎么做。

内容上四样就够了：记忆（当下重要的事实、决策和历史）、规则（什么算好工作、什么绝对不能做）、能力（可以再次运行的技能和工作者）、学习（经过复核的修正，用来改变前三者）。

不要把规则直接叫做判断。执行层面对的是另一种调用：这单步是否推动任务前进。两层共用一个词，三个层次就会塌缩成一个。

最小文件集可以是这样：company-brief.md、priorities.md、decisions/、people/、projects/、policies/、skills/、workers/、learnings.md。代理启动前先读一张公司地图：我们做什么、当下最重要的事是什么、哪个来源优先、去哪查决策、政策、技能和工作者。这一层今天就能落地，不必等 AEWM。

AEWM：借用它的判断方式，而不是插上它的模型

AEWM 把问题反了过来。它不预测工具会返回什么，而是看这一步对任务进度做了什么。

• Action Judge 把每一步分为三类：关键进展、有效探索、无效重复（论文中的 Critical、Exploratory、Noisy）。
• State Revision 在判定为无效重复时，基于已经发生的历史重写推理和下一步动作。

EditAct 把这一切落到执行里：代理提出一步，AEWM 调用它，选择保留或重写，然后真实运行，把结果写入历史。重写必须进入下一步才算数——只写一句「再想想」不算。

论文里有一个终端案例：代理检查了 IPv4 端口，没找到目标，就认定服务未监听。AEWM 注意到代码绑定的是 IPv6，把下一步改成检查 IPv6，端口确实在监听，任务后来通过了测试。

读论文中的数字时要注意口径。在 Action Judge 基准上，macro-F1 为 70.5%，比最强对比方法高 10.6 个百分点。这个数字衡量的是「执行前做出的预测」与「看完整个轨迹后写下的标签」的一致率，并不等于「70% 的企业任务会成功」。

任务成功率是另一个数字。在 Terminal-Bench 2.0 上，Qwen3.5-35B-A3B 使用此前方法得分为 37.1%，使用 EditAct 后为 48.3%。这是一个模型、一个终端基准。AEWM-RFT 还显示，修正过的轨迹可以写入代理自身能力——之后不再调用 AEWM，代理仍然比只用自己的成功轨迹训练的版本高出 2.2、2.6 和 2.5 个百分点。这些结论都限定在论文的实验设置内，企业工作流无法直接复制。

Action Judge 是 AEWM 中的判别组件，作用类似一个执行前的「安检员」：在代理真正调用工具之前，它先审视这一步对任务进度意味着什么。它的输出不是「工具会返回什么」，而是这一步属于三类中的哪一类——关键进展（Critical，直接推动任务向目标前进）、有效探索（Exploratory，虽然不直接推进，但能排除分支、获取必要信息）、无效重复（Noisy，重复已经做过的动作或沿用一个已失效的假设）。之所以把它放在执行前而不是执行后，是因为一旦动作真实发生，代价（时间、API 调用、不可逆操作）就已经付出。Action Judge 的判定需要结合任务历史，因此它是一个序列判别问题，而非单步分类。评估它时使用的 macro-F1，是对三类标签分别计算 F1 后取平均，能避免类别不均衡时多数类主导指标。

State Revision 处理的是 Action Judge 判定为「无效重复」之后的情形。它不做局部修补，而是基于已经真实发生的历史，重写代理的推理链条和下一步动作。这里的关键约束是「基于已发生的历史」：重写不能凭空编造一个从未被观察过的状态，只能在现有事实基础上重新组织推理，剔除那个未被验证却持续生效的假设。另一条约束是重写必须被真实执行并写入历史才算数——如果只是生成一句「再想想」而没有替换出可运行的动作，污染依然留在轨迹里。这正是 State Revision 与普通的自我反思提示词的差别：反思停留在文本层，而状态修订要求产生一个会被实际调用、并接受真实反馈的替代动作。

缺失的一环：任务账本

把公司大脑和 AEWM 直接粘成一个自动闭环，被跳过的正是这一层。

组织层是公司大脑，持有相对稳定的事实、决策、政策、技能和工作者，回答公司现在相信什么。任务层则是账本，每个任务一张表，最少六行：

任务账本
已验证事实：（来源；由谁确认）
未验证假设：
已排除分支：
未满足要求：
当前进度：
下一个要检查的问题：

已验证事实必须写明来源和确认人。任何未确认的内容都留在未验证假设里。把一行从假设移到已验证，需要领域复核人点头。一张没有负责人的账本，对这项任务来说仍然只是一段私聊。

没有账本，公司大脑里一条过时规则会直接流进当前任务，AEWM 也只能基于不完整的历史判断这一步。如果账本有人维护，「这一步是否有帮助」的很多问题可以先从表上读出来，未必先需要模型。

执行层不是模型层。先从规则、检查清单和提示词开始：这一步是关键进展、有效探索，还是无效重复？如果是无效重复，用什么推理和动作替换它？替换必须被真实执行。等轨迹和指标积累起来，再谈模型。

执行之后要回流到公司大脑的循环里：缺失的事实进公司知识，新的战略选择进决策记录，反复出现的偏好进政策，奏效的技巧进技能，可以再次运行的序列进工作者。这些都要经过复核才能写回，而不是自动写入公司大脑。

门禁和复核不是一回事。 门禁针对不可逆动作，在执行前拦截；复核针对可以写回共享知识的内容，可以等待。如果一个危险动作只是躺在每周复核队列里，那门禁只不过是另一个文件夹。

任务状态污染与上下文长度限制是不同的问题。上下文窗口不足时，信息被截断或遗忘，表现为「记不住」；而任务状态污染是信息还在、甚至被反复引用，但它本身是错的或已过期。一个未经验证的假设一旦进入交互历史，就会在后续每一步推理中被当作既成事实，模型越是「忠实于上下文」，污染传播得越深。这也解释了为什么单纯增大上下文窗口不能解决问题——窗口越大，污染存留的时间反而越长。治理它的方式是显式地标记哪些内容属于假设、哪些已被确认，并在假设被证伪或长期未被确认时主动从有效状态中移除，而不是依赖模型自己判断该信哪一条。

小步试起：先清单，再模型

阶段一搭最小的公司大脑。挑一个反复出现的流程，建最小目录，给代理一张公司地图，指定三个角色。人员可以重叠，但裁决人不能是这条修正的作者。跑通修正路由和每周维护。如果有角色空缺，就停在这里，不要往下走。

阶段二加入任务账本和检查清单。使用上面的六行。一条没有来源、没有确认人的已验证事实，仍然算未验证假设。人工依据「关键进展 / 有效探索 / 无效重复」做复核，在真实任务上试用。

阶段三在无效重复时触发重写。收集经过真实反馈核验的轨迹，观察返工和无效循环是否下降，以及有效探索是否被误杀。

阶段四才谈得上模型。轨迹数量足、质量清晰、复核稳定、指标明确时，再考虑 AEWM 式的训练，或在修正轨迹上做微调。不要一上来就做自动闭环。

四阶段路径背后有一条判据：先建立能产生高质量轨迹的流程，再考虑用轨迹训练模型。原因是模型层的收益依赖数据质量，而轨迹质量又依赖复核机制是否稳定。如果账本没有负责人、裁决人可以由修正作者本人担任、写回共享知识不经过复核，那么收集到的轨迹里混杂着未被纠正的错误假设，用它做微调只会把污染固化进模型权重。因此顺序不能颠倒：阶段一二三产出的不只是业务改进，更是带有真实反馈标签的干净轨迹。只有当轨迹数量足够、复核标准一致、评价指标明确时，阶段四的 AEWM 式训练或微调才有可靠的基础。

剩下的账要算清

来源冲突时，由最终裁决人拍板，而这条修正的作者不能同时担任裁决人；知识过时，要有人负责删除；出错时，要能看清这是谁的责任。

如果每一步都真的调用 AEWM，调用和重写会带来延迟与成本；错误的调用可能杀掉有效探索；维护公司大脑是持续的人力投入。

真正要看的不是目录是否存在，而是返工率、过时信息被当作当下事实的频率、复核耗时、任务成功率、无效重复是否下降、有效探索是否还在。

一个把代理调得很好的人，手里握着私人优势。要求他把修正交出来，需要相应的认可，否则公司大脑拿不到任何输入。

公司大脑让一条仍然成立的规则能被下一个人使用；执行层在动之前先看这一步是进展、探索，还是重复一个已经不再成立的假设。执行层从检查清单起步，而不是从模型起步。

两者之间是一份六行的任务账本：已验证的内容有来源和确认人；写回共享知识要经过复核，裁决人不是这条修正的作者；不可逆动作由门禁在执行前拦截。

公司大脑今天就能做。把 AEWM 先当作检查清单和设计原则，而不是一个插上就用的模型。当轨迹、复核和指标都到位，再谈模型。一条修正必须经过复核、写下、下次可用，后续步骤才会真正变好。如果裁决人就是修正的作者，这一课永远只留在那一次对话里。