Agent 2 面试题与答案

每道题分三部分：一句话（先抛结论）→ 详细回答（被追问时展开）→ 可能的追问。
数字来自 agent2.md 和代码仓库（agents/reconstruct/、benchmarks/reports/agent2_chunking.md）。

先看：口径统一

术语对照

关键数字速查（37 篇测试文档）

模块一：项目架构与切分策略

Q1：请介绍 Agent 2 的作用、输入输出以及完整工作流程。为什么不直接使用固定长度切分？

一句话

Agent 2 把 Agent 1 解析出的乱文本修干净，再切成每块不超过 4096 token、话题完整的块交给 Agent 3；不用固定长度切，是因为它只顾长度不顾话题，我的对照实验里切分点只有 2.00 分（满分 5），几乎总是切在句子中间。

详细回答

为什么需要 Agent 2：Agent 1 只负责「把字完整取出来」，输出里有断行、断词（Optimiza- 换行 tion）、页眉页脚和页码、网页导航残留、被拆成一行一个字符的公式。下游 Agent 3 要逐块抽问答，一篇论文几万 token 一次放不下，太长也会漏抽中间的内容，所以必须先修干净再切块。

输入：Agent 1 的解析文本 + 公式表（网页公式已换成 ⟦F1⟧ 占位符）。

输出：若干个干净的块，每块 ≤ 4096 token、话题完整。

核心原则：只修格式，不改内容。不能改写、总结、补充、翻译。原文「学习率 5e-6」修完必须还是「5e-6」，否则错误会直接进知识库。

完整流程：

1
2
3
4
5
6
7
8

Agent 1 的文本（乱）
   │
   ▼  ① 修复：按段落切成约 2500 token 的窗口，模型逐窗修复，6 个窗口并行
   │     每个窗口修完做防丢内容检查，不通过就重试 / 退回规则清洗
   ▼  ② 公式还原：程序把占位符换回 LaTeX（公式不经过模型）
   ▼  ③ 切块：模型只标「新话题从第几段开始」，程序按 4096 上限装箱
   ▼
干净的块 → Agent 3

注意：窗口不是块。窗口（约 2500 token）只是修复时的分段，修完拼回；块（≤ 4096）是切出来交给 Agent 3 的。

为什么不用固定长度切分：

固定长度切把一个推导劈成两半，Agent 3 在两块里都只看到一半，抽出的问答就不完整。

Q2：为什么选择约 4096 Token 作为 Chunk 大小？Chunk Size 和 Overlap 如何确定？

一句话

4096 是由下游 Agent 3 的上下文预算倒推出来的上限，不是实验调出来的；块与块之间不设重叠，因为切点已经落在话题边界，跨块关联交给 Agent 3 的合并步骤处理，重叠反而会产生重复问答。

详细回答

4096 怎么来的：

4096 + 提示词 + 12000 的输出刚好放进 20480 的上下文，是折中。

是上限，不是固定长度：实际平均利用率约 0.81，约 3300 token 一块，每块是一个完整话题。

为什么不设重叠：

• 切点落在话题转换处，相邻块本来就是不同话题，重叠的那部分对理解帮助不大
• Agent 3 是逐块抽问答，重叠部分会被抽两次，产生重复问答，还要额外去重
• 跨块的关联由 Agent 3 的「向量召回 + 关系判断」合并处理（见 Q5）

可能的追问

• 做过 2048 / 8192 的对比吗？ 没有专门做。这个值由下游上下文预算决定，可选范围本来不大。如果要做，我会固定话题转换点、只改装箱上限，看 Agent 3 的召回率和跨块合并的错误率。

Q3：为什么 Agent 2 需要采用 Agent 或模型驱动方案，而不是 RecursiveCharacterTextSplitter 等传统切分方法？

一句话

传统切分只认字符和分隔符，判断不了「这里是不是新话题」，也修不了乱文本；但模型也不是万能的，我最终的方案是「语义判断交给模型、长度算术交给程序」，两者结合。

详细回答

传统方法（递归按分隔符切）的问题：

1. 不懂语义：它按「段落 → 换行 → 句子 → 字符」的优先级切，只保证长度，不知道哪里是话题边界。我的对照里，按向量相似度的语义切法切分点 4.25，但利用率只有 0.53，平均 10.5 块，切得太碎。

2. 输入是乱的：Agent 1 的输出里，一句话被拆成好几行、页码混在正文中，按换行切会切在句子中间。必须先修复。

3. 修复本身需要理解：

   • 一行单独的 3，是页码还是表格里的数？
   • 一行很短的文字，是标题还是被断开的半句话？
   • 网页底部一串链接，是导航还是参考文献？

   这些都要看上下文，规则判断不了。

但模型也有短板：长串加法

第一版让模型直接输出切块方案 [{"start": 0, "end": 12}, ...]，SFT 后仍然 70%～80% 不合法，最常见是超长。原因：判断一块是否超过 4096，要把几十段的 token 数加起来，而大模型是逐字预测，不是真的在算。给每段加上累计 token 数也只改善一点，37 篇里还有 30 篇不合法。

最终方案：各做擅长的

不合法率降到 0，而且没有重新训练，同一个 SFT 模型改成标转换点就能做。

切块方法对比（同一份修好的正文）：

可能的追问

• 规则和语义切法的切分点分数更高，为什么不用？ 它们切得太碎（利用率 0.53～0.62），块越碎，切点越多落在标题处，单个切点的分数自然高；但碎块会加重 Agent 3 的跨块合并负担。要同时看切分点和利用率。

模块二：语义完整性与结构保留

Q4：如何保证每个 Chunk 的语义完整性？遇到段落、表格、公式和标题跨越 Chunk 边界怎么办？

一句话

切点只会落在段落之间，并优先落在模型标出的话题转换点上；公式在修复前就被占位符保护、不经过模型；表格作为一个整段不会被拆开；只有单段超过 4096 时才会按句子、再按字符硬切。

详细回答

切点只在段落边界：正文先切成编号段落，切块问题变成「在哪几段之间切一刀」，所以永远不会切在段落中间。

装箱规则（agents/reconstruct/pipeline.py 的 pack()）：

1
2
3
4
5
6

一段一段往块里装
再装下一段会超过 4096？
  ├─ 不会 → 装进去
  └─ 会   → 在这块范围内找模型标的转换点
            ├─ 有 → 在离上限最近的转换点前切开（让块尽量大）
            └─ 没有 → 在当前段落边界硬切

各种跨边界情况：

怎么衡量：

• 切分点（LLM 裁判，1～5）：最终 3.98，教师 3.83
• 切在句子中间的比例：约 9%（教师 8%）

修复阶段的完整性：每个窗口修完检查输出长度 ≥ 输入的 30%，不够再检查原文「像正文的句子」是否保留了 70% 以上；不通过就放宽输出上限重试一次，还不行退回规则清洗。宁可修得不好，也不能丢内容。

可能的追问

• 为什么不只看长度判断丢没丢内容？ 维基网页删掉导航栏后长度可能只剩一半，但这是正确的删除。所以第二道检查看「正文句子」：以句号结尾、英文至少 8 个词或中文至少 15 个字的行。
• 代码块里有空行会被拆开吗？ 有可能，这是已知局限；测试集里代码块很少。改进办法是把代码块整体当一个段落。

Q5：你如何保留文档的 TOC 层级关系？如何解决跨 Chunk 的上下文关联与信息丢失？

一句话

修复时把丢了格式的标题恢复成 Markdown 的 #、##，层级就保留在正文里；切点优先落在标题前，信息丢失靠修复后的完整度检查兜底；跨块的关联不在 Agent 2 里解决，而是交给 Agent 3 用向量召回和关系判断合并成全局知识树。

详细回答

目录层级怎么保留：

• 修复任务的一项就是「恢复标题」：2.1 Group Relative Advantage 混在正文里，修成 ## 2.1 Group Relative Advantage
• 层级通过 # 的个数体现，随正文一起进块
• 切块时模型优先把新章节、新小节的标题标成转换点，所以一块通常从一个标题开始

诚实说明的局限：每块没有附带完整的标题路径（比如「第 2 章 > 2.1 节」）。如果一块从小节中间开始，它就不知道自己属于哪一章。
改进：给每块开头加上它所属的标题路径，几乎没有成本，能直接帮助 Agent 3 判断归属。

跨块信息丢失的三个层面：

为什么不用重叠解决跨块关联：见 Q2，重叠会产生重复问答；而且关联可能跨越很远的两块（比如引言和实验），重叠只能覆盖相邻的块。

模块三：GRPO 核心原理

Q6：什么是 GRPO？它与 SFT、PPO 的核心区别是什么？为什么 Agent 2 选择 GRPO？

一句话

GRPO 是对同一道题采样一组回答，用每个回答相对组内平均分的好坏来强化或削弱它；和 SFT 比，它直接优化我关心的指标、可以超过教师；和 PPO 比，它用组内平均代替价值模型，省掉一个和策略一样大的模型。

详细回答

三者对比：

GRPO 怎么做（同一道题答 8 次）：

1
2
3

组内平均 = 0.675，标准差 ≈ 0.17
优势 = (总分 − 平均) / 标准差
回答 1：+1.3 → 强化；回答 5：−1.6 → 削弱

为什么 Agent 2 选 GRPO：

1. SFT 后清晰度离教师差很远（3.35 vs 4.15），抄教师已经到瓶颈，需要直接优化指标
2. 有明确可算的奖励：完整度、格式缺陷可以用规则算，清晰度、切分点可以用 LLM 裁判打分
3. 教师自己也会悄悄改写：SFT 会把这个毛病也学去；GRPO 的完整度奖励直接惩罚编造
4. 省显存：27B 再加一个 27B 的价值模型放不下，GRPO 不需要
5. 奖励天然适合组内比较：同一个窗口修 8 次，好坏差别明显

为什么 Agent 1 不做而 Agent 2 做：Agent 1 SFT 后离天花板只差 0.007；Agent 2 的清晰度差距大，而且修复的输出空间大，有足够的组内差异可学。

Q7：GRPO 中 Group、Reward、Advantage 分别是什么？为什么不需要单独训练 Critic？

一句话

组是同一道题的 8 个回答；奖励是给每个回答打的总分；优势是这个回答比组内平均好多少；不需要价值模型，是因为「这道题平均能拿多少分」直接用同组 8 个回答的平均分来估计。

详细回答

为什么不需要价值模型：

• 优势要回答的问题是「这个回答比一般水平好多少」，关键是找一个基线
• PPO 训练一个价值模型来预测基线，它要和策略一样大，还要单独训练，不准时会拖累策略
• GRPO 对同一道题采样多个回答，组内平均分就是这道题基线的无偏估计，不用训练

代价：每道题要采样 8 次，生成成本是 8 倍。我用 vLLM 在一张 A100 上专门采样来抵消。

一个重要现象：饱和组

• 8 个回答分数完全一样 → 标准差为 0 → 优势全是 0 → 对训练没有贡献，直接丢掉
• 10 轮共采样 1280 个回答，去掉饱和组后有效样本 848 条，更新 106 步

可能的追问

• 为什么除以标准差？ 让不同难度的题目优势尺度一致。注意它会放大差别很小的组（比如分数只差 0.01），这时信号可能主要是噪声。

Q8：GRPO 的 Importance Sampling Ratio、Clipped Objective 和 KL 惩罚分别起什么作用？

一句话

重要性采样比让我能用旧模型采的回答训练新模型；截断目标把这个比限制在 0.8～1.2，防止一步改太大；KL 惩罚让模型别离 SFT 模型太远，防止奖励投机。

详细回答

损失函数：

1
2

损失 = −min( 比 × 优势, 截断(比, 0.8, 1.2) × 优势 ) + β × KL
比   = 新模型生成这个回答的概率 / 采样时旧模型的概率

为什么需要 KL：防止奖励投机。比如模型发现「删掉内容后清晰度更高」，就开始乱删。KL 把它拉在 SFT 模型附近。

训练稳定性的实际数据：

• KL 每轮平均 0.01～0.11；第 5、7 轮各有一次约 0.4 的尖峰，之后回落
• 截断比例 2%～8%
• 没有出现「奖励上涨、KL 同时暴涨」的投机迹象

踩过的坑：dropout 让概率比对不上

• 现象：每批数据只更新一次时，新旧模型是同一个，比应该恰好是 1，却触发了截断
• 原因：vLLM 采样时是推理模式，dropout 关着；训练时 LoRA 的 dropout 开着，同一个模型算出的概率不一样
• 修复：GRPO 训练时关掉 LoRA dropout

模块四：奖励函数设计与训练

Q9：Agent 2 的奖励函数是如何设计的？各项 Reward 分别衡量什么？权重如何确定？

一句话

5 项奖励，修复题用完整度和清晰度，切块题用长度上限、块间独立和块尽量大，覆盖规则与 LLM 判别、奖励与惩罚、连续 / 离散 / 门槛三种值类型；权重从全 1 起步，第一轮后按每项的组内方差和饱和比例调整。

详细回答

5 项奖励（agents/reconstruct/rewards.py）：

修复题（2 项）

① 完整度（规则，连续，有奖有罚）

1

完整度 = max(−1, 召回 − 2 × max(0, 新增比例 − 5%))

• 召回：输入窗口里「像正文的句子」的词，输出保留了多少
• 新增比例：输出里有多少词是输入没有的，即编造
• 允许 5% 新词（修断词、纠 OCR 错字会带来变化），超出部分加倍扣
• 和输入窗口比，不和标准答案比：GRPO 不需要标准答案

② 清晰度（LLM + 规则，离散 + 连续）

1
2

清晰度 = 0.5 × LLM 裁判打分（1～5 换算到 0～1）+ 0.5 × 规则缺陷分
规则缺陷分 = 1 − min(1, 每千词缺陷数 / 50)

切块题（3 项）：模型输出转换点后程序先装箱，再给切出来的块打分

③ 长度上限（规则，门槛）：全部 ≤ 4096 得 1 分；输出不是整数列表，整条记 −1，其他项都不算

④ 块间独立（LLM + 规则）

1

块间独立 = 0.5 × LLM 切分点打分（换算到 0～1）+ 0.5 × 不切在句子中间的比例

⑤ 块尽量大（规则，连续，有惩罚）

1

块尽量大 = 平均利用率 − 碎块比例（< 512 token 的块）

总分：Σ(权重 × 奖励) / Σ(权重)，只算这类题自己的那几项；所有奖励先换算到 0～1，量纲一致才能加权。

对照简历那句话：

权重怎么定：不看总分，拆开看每一项

第一轮后的 4 个调整：

可能的追问

• 长度上限饱和了，为什么不直接删？ 权重设成 0 了，但保留「输出不合法记 −1」的门槛，处理剩下约 4% 把 JSON 写坏的情况。它从「需要学的目标」变成了「系统保证」，正是「算术交给程序」的结果。
• 为什么要拆开看每一项？ 总分的优势为 0，不代表每一项都是 0，可能一项 +0.3、另一项 −0.3 互相抵消了。

Q10：如何避免 Reward Hacking？如果语义完整性与 Chunk 长度限制发生冲突，你如何处理？

一句话

防奖励投机靠四层：奖励之间互相制约、KL 惩罚、规则硬约束、盯着每项奖励和验证集的变化；完整性和长度的冲突在设计上就解决了：长度由程序硬保证，模型只负责在约束内找最好的切点。

详细回答

可能的投机方式和防法：

监控：

• 每轮看 KL、截断比例；奖励上涨同时 KL 暴涨就是投机信号。实际 KL 0.01～0.11，没有出现
• 加了固定验证集：每轮随机抽题难度不一，平均分在 0.68～0.95 之间跳；每轮额外用同一批 16 道题评一次（不参与训练），才能看出模型真的有没有变好
• 拆开看每项奖励的均值和饱和比例

一个真实的「奖励打架」：测试数据的标准答案里公式本身就是碎片（维基纯文本接口导出时拆散的）。完整度奖励「保留碎片得分」，清晰度奖励「保留碎片扣分」，怎么做都被扣。最后通过修上游解决：公式换成占位符、标准答案里的碎片换回 LaTeX，测试集和训练集全部重新生成（详见 Q13 的「修上游、模型不重训」）。

完整性 vs 长度上限的冲突：

• 长度是硬约束，由程序保证：装箱时每放一段都检查，不可能超长
• 完整性是软目标，由模型优化：在不超长的前提下，切点尽量落在话题转换处
• 冲突时的优先级：先保证不超长；如果范围内没有转换点，就在段落边界硬切（不切句子）；单段超长才按句子、再按字符切
• 这样模型标得再差，也只是「话题不够完整」，不会超长

Q11：你如何构造 GRPO 训练样本、生成多个候选切分方案、计算奖励并更新模型？

一句话

题目来自训练集的修复窗口和段落列表，只用输入、不用教师输出；每轮 16 道题 × 8 个回答，一张 A100 用 vLLM 采样，本机打分算组内优势，另一张 A100 训练一步，再把新的 LoRA 热换回 vLLM，循环 10 轮。

详细回答

训练样本两类：

题目来自训练集 63 篇，和测试集 37 篇不重叠。GRPO 不需要标准答案，好坏全靠奖励函数。

一轮的流程（scripts/grpo_loop_agent2.py）：

1
2
3
4
5
6
7
8
9

GPU0：vLLM 加载当前模型，16 道题 × 8 个回答 = 128 个回答
   ↓
本机：规则 + LLM 裁判给 128 个回答打分，算组内优势，丢掉饱和组
   ↓
GPU1：用优势训练一步，得到新的 LoRA
   ↓
GPU0：vLLM 运行时换上新 LoRA（不用重启）
   ↓
下一轮

切块的「多个候选方案」怎么来：同一份段落列表，模型用一定温度采样 8 次，得到 8 组不同的转换点；每组都由程序装箱成块，再用块间独立和块尽量大打分。

训练设置：

GRPO 之前的 SFT（冷启动）：

• 819 条：教师修复 436 + 合成「弄乱 / 还原」236 + 教师切块 147
• 教师输出要过判卷才能进训练数据：召回下降 ≤ 0.02、清晰度 ≥ 3.5、没触发兜底、输出没变长超过 1.3 倍
• 合成数据：拿干净文本用脚本弄乱（硬换行、断词、插页眉页码、去掉标题 #、OCR 式错字等），让模型还原。好处是输入和目标严格对齐，模型学到「只修格式，一个字都不改」，弥补教师偶尔改写的毛病
• 标准答案只当裁判、不当训练目标：它和「修好后的样子」不是同一个版本，拿它当目标模型会学成「改写」

模块五：数据集与实验评估

Q12：你简历中无效 Chunk 比例从 70% 以上降至 0，这里的无效 Chunk 如何定义和统计？

一句话

「不合法」指的是一篇文档的整个切块方案违反硬约束（有块超过 4096、漏段、重叠乱序、没覆盖到结尾、或输出不是合法 JSON），按文档统计；第一版让模型直接输出切块方案时 70%～80% 的文档不合法，改成「模型标转换点 + 程序装箱」后降到 0。

详细回答

先纠正题目的说法：统计单位不是「单个块」，是「每篇文档的切块方案」。简历写的是「输出不合法率」。

不合法的定义（任一条成立就算）：

统计方式：37 篇测试文档，每篇的方案判一次合法 / 不合法：

1

不合法率 = 不合法的文档数 / 37

各阶段的数据：

为什么降到 0 是「保证」而不是「碰巧」：程序每放一段都检查长度，不可能超长；从头到尾连续装，不可能漏段或重复。

唯一的剩余风险：模型输出的转换点不是一串整数。这时用标题位置代替转换点，仍然走装箱，结果仍然合法；GRPO 时这种情况记 −1，训练中约 4%。

可能的追问

• 为什么 SFT 后反而比未训练更高？ 两次测的样本数不同（19 篇 vs 37 篇），不能直接比；而且 SFT 数据本身就是第一版切块方式，模型学会了格式，但学不会加法。
• 改成标转换点后重新训练了吗？ 没有。同一个 SFT 模型直接就能标，切分点 3.92（教师 3.93）；后面 GRPO 才专门优化转换点。

Q13：如何对比固定长度切分、语义切分、SFT 与 GRPO？你会设计哪些消融实验？

一句话

切块方法在同一份修好的正文上对比（固定长度、按标题、按向量相似度、教师、学生），训练阶段按「未训练 → SFT → GRPO → 修上游不重训」逐步对比；已有的关键消融是「修上游不重训」，证明清晰度瓶颈在输入而不在模型。

详细回答

评测指标（37 篇测试文档，标准答案来自 LaTeX 源码和维基正文）：

为什么既要 LLM 打分又要规则：LLM 能判断整体好不好读，但有 0.1～0.2 的波动；规则客观稳定，但只能抓已知的几种问题。

① 切块方法对比（同一份修好的正文，只换切法）：

结论：固定长度不顾话题；规则和语义切得太碎；学生在利用率和话题完整之间取得和教师接近的平衡。

② 训练阶段对比（同一批输入）：

③ 已经做过的关键消融：修上游、模型不重训

• 清晰度卡在 3.53，让 LLM 对 116 个低分块（251 块中 ≤ 3 分的）逐块归因：网页残留 40%、公式被拆碎 37%、表格乱 18%、断行和 OCR 5%
• 公式和表格（共 55%）在 Agent 2 拿到文本前就坏了
• 修上游：PDF 表格改用 pymupdf4llm 输出 Markdown 表格；网页公式换占位符；标准答案里的公式碎片换回 LaTeX；排除缺陷统计误报（占 16%）
• 模型一个参数没改，重新评测：清晰度 3.53 → 3.87，格式缺陷 17.4 → 1.7
• 这证明瓶颈在输入：如果问题在模型身上，换了输入不会涨
• 同时确认 Agent 1 没退步：F1 0.873 → 0.874

④ 还应该补做的消融

诚实说明：GRPO 带来的完整度提升只有 0.007（0.850 → 0.857），在误差范围内；GRPO 的主要贡献在清晰度（3.35 → 3.53）。

模块六：工程优化与异常处理

Q14：如果遇到超长文档、复杂表格、公式、代码块或跨页段落，Agent 2 如何处理？

一句话

超长文档靠分窗口并行修复和装箱切块，长度不受限；公式用占位符完全绕开模型；表格保持成一个整段；跨页段落正是修复要做的「合并断行、删页眉页码」；代码块和 PDF 公式是目前的局限。

详细回答

防丢内容的兜底（所有场景通用）：窗口修完检查长度和正文句子保留率，不通过就重试一次，再不行退回规则清洗。

踩过的坑：一开始用思考型教师修复，它的思考把输出长度用光了，正文一个字没输出，返回空结果，这个窗口的内容被悄悄丢掉，没有任何报错。修复：修复改用关闭思考的轻量教师，并加上正文句子保留率检查。

Q15：如果 Agent 3 发现知识图谱缺失某些关系，如何判断是 Agent 2 切分导致的？如何定位并修复？

一句话

沿着数据流往回查：先看缺失关系的两个知识点是不是来自不同的块、切点是否把同一话题劈开，再看修复时有没有删掉相关内容；这个归因由 Agent 4 按块读取上游输入输出自动完成，确认是切块问题后，就把这个位置的切分修正加进训练数据。

详细回答

排查顺序（从下游往上游）：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18

Agent 3 缺失了 A 和 B 之间的关系
   │
   ▼  ① 内容还在吗？
   │     A、B 的原文在 Agent 2 修复后的文本里吗？
   │       ├─ 不在 → 修复时删掉了 → Agent 2 修复的问题
   │       └─ 在   → 继续
   ▼  ② 在同一块吗？
   │     A、B 是否被切到了不同的块？
   │       ├─ 同一块 → 切块没问题，是 Agent 3 抽取或关系判断的问题
   │       └─ 不同块 → 继续
   ▼  ③ 切点合理吗？
   │     切点落在话题转换处，还是把同一话题、同一推导劈开了？
   │       ├─ 合理（本来就是不同话题）→ 跨块关联是 Agent 3 合并的职责
   │       └─ 劈开了 → Agent 2 切块的问题
   ▼  ④ 反事实验证
         把相邻两块合成一块重新跑 Agent 3，关系能抽出来吗？
           ├─ 能 → 确认是切块导致
           └─ 不能 → 问题在 Agent 3

用到的证据：

• 完整度召回：修复前后和标准答案比，召回有没有掉（看内容丢没丢）
• 切分点打分：这个切点的 LLM 分数是不是低
• 切在句中：切点是不是落在句子中间
• 每一步的输入输出都存了：修复窗口、转换点、装箱结果都有记录，能逐层回放

谁来做：Agent 4（全局检查与错误归因）

• 按块读取上游三个 Agent 的输入和输出，先写推理，再列出问题、归因到出错的 Agent、给修改意见
• 训练时沿标准答案逐级追查，自动生成归因标签

怎么修复：

注意前车之鉴：Agent 2 清晰度卡住时，归因发现 55% 的问题在上游。所以缺失关系时也不要先假设是 Agent 2 的问题，要逐层验证。

附：30 秒版本（面试开场用）

Agent 2 把 Agent 1 解析出的乱文本修干净，再切成不超过 4096 token、话题完整的块交给 Agent 3。我把切块拆成「模型标话题转换点、程序按长度装箱」，因为模型不擅长长串加法，第一版直接输出切块方案时 70% 以上不合法，拆开后长度由构造保证，降到 0。训练上先用 Gemini 教师数据加合成的「弄乱 / 还原」数据做 SFT，再用 5 项奖励做 GRPO，并按每项奖励的组内方差和饱和比例调权重，比如长度项 96% 的组饱和，权重改为 0、只保留门槛。清晰度卡住后，我让 LLM 对低分块逐块归因，发现一半以上的问题来自上游解析和测试数据本身，修完上游、模型不重训，清晰度从 3.53 升到 3.87，格式缺陷从每千词 17.4 降到 1.7。最终完整度 F1 0.853、切分点 3.98，追平或超过教师。