第 34 课：报告、成本与责任｜第一性原理大模型课程

第 34 课：报告、成本与责任

上一课我们让结论通过了验证与评审。这一课回答最后三个问题：自动写出的报告到底成色如何？这条流水线要花多少钱？出了事谁来负责？我们不看宣传，只看一份真实产出——45 页、105 篇文献、6 天交付、99% 由 Agent 执笔的综述；把它拆成 token 账、人机分工与责任链，最后给出一条从"可测、可回滚"环节切入的落地路线。这也是全课程「第一性原理大模型课程」的收口。

🎯 学完这 6 步你将能够：

① 用真实产出数据判断"报告能不能全自动写"，并算清其中的 token 账
② 说清快与准怎么分工——人只该出现在哪几个判断点
③ 说出 L5 的三个瓶颈，并为"出错谁负责"给出署名与免责的落地做法

🗺 本节推理链（6 步逻辑递进：从"报告能不能自动写"到"从哪一步开始用"）

1要把第五部分收口到"可交付"，这就要求先看一份真实产出：45 页论文、105 篇文献、6 天交付、累计约 64.8 万 tokens、99% 由 Agent 执笔——报告确实能被自动产出。报告可自动产出。

↓

2既然「报告可自动产出」，因此要算清它的成本与人工占比：64.8 万 tokens 花在哪一步、6 天里人究竟动了哪几处。成本与人工占比。

↓

3既然要算清「成本与人工占比」，所以下一步是定人的位置——机器在 context 里生成，人只在它之外定目标与验收：人只在判断点介入。人只在判断点介入。

↓

4既然「人只在判断点介入」，这就要求再问一层：连这些判断点能不能也交出去？量一量离完全自主（L5）还有多远——长效知识沉淀、可靠自评、可扩展架构三件事没解决，一窗 context 之外的经验还留不下来。L5 短期到不了。

↓

5既然「L5 短期到不了」，这就要求在自评可信之前，最后一道判断必须由人来做——把署名与责任写清楚：模型只在 context 里生成、无法担责，谁签字放行、出了错谁负责。责任要能落到人。

↓

6既然「责任要能落到人」，这就要求务实落子：从能评测、能回滚的环节起步，先把 tokens 账与验收线立起来，再谈放量。从可测环节起步。

自主研究报告人机分工token 成本L5 瓶颈署名与责任落地路线

一份 45 页的论文，真的能由 Agent 全自动写出来吗？

提示：别只看"能不能写"——先看一份真实产出的读数：多少页、多少篇文献、花了几天、其中人占了多少。

▾

知识背景

2026 年 5 月，DeepSeek 资深研究员陈德里公开了一篇与 CodeAgent 合写的 45 页综述《从 Copilots 到同事：自主科研智能体综述》（"From Copilots to Colleagues: A Survey of Autonomous Research Agents"）。据披露：论文迭代 6 次、耗时 6 天，初稿 76 分钟完成；智能体累计运行约 108 轮、消耗约 64.8 万 tokens（token = 模型读写的最小文本单位，也是这里的计价单位）、LaTeX 共 2234 行，全文约 99% 由 Agent 执笔。论文梳理机器学习、软件工程、科学发现三大领域共 105 篇文献。

第五部分走到最后一步：报告本身能不能被自动写出来？先看一份真实产出，不看宣传。

因为"能写"这件事最容易被 demo 夸大，而一份公开的产出数据会把成色摊开：多少页、烧了多少 tokens、人到底做了多少。token 指模型读写的最小文本单位，也是这里所有账单的计价单位。就像看一家餐厅不看菜品照片，看它一晚上出多少桌、翻台几次。所以先把这份产出拆成读数。

🧮 第一笔账：一份真实产出的读数

Step 1：成品与过程的全部读数

指标	数值
成品页数	45 页
引用文献	105 篇
迭代次数	6 次
交付耗时	6 天
初稿耗时	76 分钟
智能体运行轮数	约 108 轮
消耗 tokens	约 64.8 万
LaTeX 代码行数	2234 行
Agent 执笔占比	约 99%

算术无关的一条盘点：这些读数的来源是公开披露（B 级，需人工核实原文），它们共同回答"能写出来吗"——能，且是 45 页、带 105 篇文献的成品。

Step 2：初稿只占整段交付的多长时间

项	数值
交付耗时换算	6 天 = 6 × 1440 = 8640 分钟
初稿占比	76 ÷ 8640 = 0.88%
含义	初稿极快，但交付不等于初稿

算术：初稿 76 分钟只有 6 天（8640 分钟）的 0.88%。"写得快"和"交付完"之间，隔着 99% 的时间。

Step 3：平均每一轮烧多少 token

项	数值
总 tokens	64.8 万 = 648000
总轮数	108 轮
单轮平均	648000 ÷ 108 ≈ 6000 token/轮

算术：648000 ÷ 108 = 6000，即每轮平均约 6000 token。单轮看不多，但它乘以 108 轮才凑出这份报告——账要按轮数放大。

🎯 关键认知

有真实产出数据 → 报告确实能被自动产出（45 页、105 篇文献、99% 由 Agent 执笔、单轮约 6000 token）；没有它 → 我们只能拿 demo 当证据。提醒：写只是最后一环，真正的成本与责任在后几张卡。

AI 助教

👋 对"报告能不能全自动写"有疑问？比如「45 页到底算不算多」「99% 执笔怎么算的」？

说清你关心的读数，我帮你拆开看。

初稿 76 分钟就能出来，为什么还要人盯 6 天？

提示：把这 6 天里人做的事列出来——他改的是"字"，还是"判断"？这两者的量级差多少？

▾

知识背景

自动产出里，"快"与"准"是两件事：机器负责生成与迭代，人只出现在三类判断点——定题、验收、署名。这篇综述经 6 次迭代，说明"一次生成"之后仍有大量"判断—返工"。一个反面对照是 Sakana AI 的 The AI Scientist（arXiv:2408.06292）：它同样能端到端写论文并可跑自动评审，但论文成本压到每篇低于 15 美元的同时，最终接受与否仍需人来兜底判断。

上一张卡片的读数里，初稿 76 分钟、交付却用了 6 天——这个差额去哪儿了？

因为那 6 天里，机器烧的是 tokens、人做的是判断：要不要换方向、这一段结论站不站得住、署谁的名。人一旦去逐字改稿，就从"判断者"退化成了"第二台生成器"，既慢又贵。就像导演不自己演每个角色，只决定"这条过不过"。所以要把人的动作数清楚。

🧮 第二笔账：快与准的分工

Step 1：三类判断点分别判什么

环节	谁做	判据
定题	人	这个问题值不值得做
迭代验收	人	这一版够不够格进下一轮
署名与免责	人	出错了由谁担责
生成与返工	Agent	按迭代目标产出

算术无关的一条分工：人管"过不过"，Agent 管"写什么"——判断点是稀缺资源，不该被逐字修改占用。

Step 2：把判断点真的数出来

判断点	次数
定题	1
迭代验收	6（按迭代次数推断）
署名	1
合计	1 + 6 + 1 = 8 个

算术：1 + 6 + 1 = 8 个判断点。6 天的"人盯"，本质上就是在这 8 个点上做决策，而不是 6 × 24 小时都在改稿。

Step 3：人与机器同口径的介入占比

介入（人判断 / Agent 执行各计一次）	次数	占比
人做出判断	8	8 ÷ 116 = 6.9%
Agent 执行	108	108 ÷ 116 = 93.1%
合计（同为"次介入"）	116	100%

算术（口径统一为"次介入"）：把人的 8 个判断点与 Agent 的 108 轮执行都按"一次介入"计，8 + 108 = 116 次；8 ÷ 116 ≈ 6.9%、108 ÷ 116 ≈ 93.1%。量纲统一后，人只占不到 7% 的介入次数，却决定了全部结论的方向与责任。

🎯 关键认知

有分工 → 人只花在 8 个判断点（约 6.9%），产出快且责任清晰；没有分工、让人逐字改 → 人退化成第二台生成器，又慢又贵，还丢掉了"人对结论负责"的锚点。

AI 助教

👋 对人机分工有疑问？比如「哪些必须人来判」「怎么防止人越界改稿」？

说清你的流程，我帮你把判断点划出来。

一份自动写出的报告，钱到底花在哪一步？

提示：总 token 除以运行轮数得到单轮消耗；再把它和第 26 课的多智能体口径对一对。

▾

知识背景

成本要拆到"每一步"，否则"几十页报告"只是一个模糊数字。这篇综述披露总量约 64.8 万 tokens、108 轮，可反推单轮消耗；再对照第 26 课的 Anthropic 口径（arXiv 之外的一手来源：Anthropic《How we built our multi-agent research system》，2025）：单 Agent 约 4× 普通对话、多智能体约 15×（第 26 课口径）。注意：倍数来自 Anthropic，单价换算只是示意，需人工核实。

上一张卡片把人压缩到 8 个判断点——省下的人力，其实是被 tokens 买了单。这笔账怎么拆？

因为总价会骗人：一次生成看着便宜，但每轮都要重发一遍 context（模型这一次能看到的全部输入），量就按轮数滚起来。就像打车费要看里程不是一个起步价。所以先把总量拆到单轮，再拿第 26 课的口径校准。

🧮 第三笔账：把 token 拆到每一步

Step 1：总量拆到单轮

项	数值
总 tokens	648000
总轮数	108
单轮	648000 ÷ 108 = 6000

算术：648000 ÷ 108 = 6000 token/轮。因为这 108 轮里每一步都要重发 context，单轮消耗 × 轮数才是总账。

Step 2：放进第 26 课的多智能体口径

口径（第 26 课）	倍数（相对普通对话）	本例单轮折算
普通对话	1×	6000 ÷ 15 = 400
单 Agent	约 4×	6000 ÷ 4 = 1500
多智能体	约 15×	6000（锚点）

算术（口径引用第 26 课）：若把 6000 token/轮当作多智能体口径，则等效普通对话约 6000 ÷ 15 = 400 token/轮、等效单 Agent 约 6000 ÷ 4 = 1500。倍数来自 Anthropic，折算为示意。

Step 3：换算成钱（示意，需人工核实）

单价假设（示意）	64.8 万 tokens 的费用
$3 / 百万 token	0.648 × 3 = $1.94
$15 / 百万 token	0.648 × 15 = $9.72
口径说明	单价为示意，需人工核实；不同模型差数倍

算术（示意）：64.8 万 = 0.648 百万；0.648 × 3 = $1.94、0.648 × 15 = $9.72。量级才是结论——一份 45 页报告的成本，主要取决于你用哪个模型，而不是页数。

🎯 关键认知

有这笔账 → 你能说"一份 45 页报告 ≈ 64.8 万 tokens、单轮约 6000"；没有账 → 只能说"好像不贵"。单价是示意，成本结构才是可迁移的结论：token 随轮数放大，选型决定单价。

AI 助教

👋 对 token 账有疑问？比如「怎么估自己场景的成本」「15× 从哪来」？

说清你的轮数与模型，我帮你套这笔账。

既然报告都能自动写，为什么说 L5 自主还只是构想？

提示：瓶颈可能不在模型本身——想想"经验怎么留下来""它怎么知道自己做得好不好""架构能撑多大"。

▾

知识背景

同一篇综述提出五级自主能力分级体系 L1–L5（L 是 Level，即等级；L1 是代码补全，L5 是完全自主制定研究规划），基于两个维度：能独立决定什么、能无人工审核自主运行多久。它以六维特征矩阵分析了 17 款主流系统（该 17 款口径为 B 级来源，需人工核实原文），结论是前沿系统普遍处于 L4（限定领域内多步骤自主），L5 仍停留在目标构想阶段。论文指出 L5 的核心瓶颈并非模型基础性能，而是三件事：长效知识沉淀、可靠的自我评估能力、具备理论支撑的架构规模化方案。

上一张卡片算清了成本——就算付得起这笔 tokens，为什么 L5 依然是一个"构想"而不是"下个版本"？

因为卡住的不是模型跑分，而是三件结构性的事：经验留不下来、它判断不了自己好不好、架构撑不大。就像一支每天重新招人、从不记笔记的团队——人再聪明也攒不出积累。第一件尤其关键——一窗 context 之外的经验如果留不住，它就永远在"从零开始"做研究。所以先把 L1–L5 摆出来，再看卡在哪。

🧮 第四笔账：L5 卡在哪

Step 1：L1–L5 两个维度

级别	能独立决定什么	可自主运行多久
L1	补全一行	单个 token
L2	拆解已定义任务	每步需审批
L3	自选文件、自修测试	10–100 个连续动作
L4	生成思路、跑实验	限定领域多步骤
L5	自主制定研究规划	完全自主（构想）

算术无关的一条分级：两个维度就是两把尺子——"决定什么"和"跑多久"。越靠上，人越只做高杠杆的判断；到 L5 人几乎不介入。

Step 2：17 款系统里到达 L5 的有几款

项	数值
分析的系统总数	17 款
达到 L5 的	0 款
比例	0 ÷ 17 = 0%

算术：0 ÷ 17 = 0%。个别系统已显露 L5 的部分特征，但没有系统达到完整 L5（综述口径：前沿系统处于 L4，L5 仍是愿景）——"到 L5 的样本为零"正是"构想"二字的量化含义。

Step 3：三个瓶颈，解决了几个

瓶颈	卡在哪	现状
长效知识沉淀	经验超出一窗 context 就丢	未解决
可靠自评	它判不准自己做得对不对	未解决
可扩展架构	缺有理论支撑的规模化方案	未解决

算术：三件事解决 0 件 → 0 ÷ 3 = 0%。结论：模型再强也补不上这三块；L5 是等待被解决的问题清单，不是等待发布的版本号。

🎯 关键认知

有这把尺子 → 你能一眼看出某系统在 L3 还是 L4、差在哪；没有它 → "自主研究"变成一个谁都能自称的标签。L5 的门槛不是模型分数，而是长效知识沉淀、可靠自评、可扩展架构这三块地基。

AI 助教

👋 对 L5 瓶颈有疑问？比如「长效知识沉淀具体指什么」「可靠自评难在哪」？

说清你关心的瓶颈，我帮你展开。

一份 99% 由模型写出的报告，出错时责任落在谁身上？

提示：看它的署名里写了谁、免责声明放在什么位置——署名不是礼节，是责任链。

▾

知识背景

这篇综述的署名是"陈德里、DeepSeek-V4-Pro、GPT-Image2"——模型被列为共同署名者；同时作者附上明确的免责声明：它并非严谨学术论文、不代表任何公司或组织观点、只是出于兴趣与对自建系统的测试。署名与免责是技术问题而非公关问题：只有让责任链在出错时可回溯，自动产出才谈得上被采用。

上一张卡片说 L5 到不了，因为"可靠自评"没解决——那当它真的出错时，责任该落到谁头上？

因为模型只在 context 里生成、无法承担任何法律或伦理责任，所以一旦出错，责任只能落回那个"按了开始键、又签了名"的人。署名把"谁负责"写在纸面上，免责声明则把"负责的边界"讲清楚。就像药品说明书：既写厂家，也写"请遵医嘱"。所以要把责任链拆开数一数。

🧮 第五笔账：责任链拆解

Step 1：署名里有几个主体

署名主体	类型
陈德里	人
DeepSeek-V4-Pro	模型
GPT-Image2	模型
合计	1 + 2 = 3 个

算术：1 个人 + 2 个模型 = 3 个署名主体。把模型写上署名是一种诚实的披露：它确实参与了产出。

Step 2：能担责的只剩一个

项	数值
署名主体	3
可承担责任的（人）	1
需靠免责声明界定的（模型）	3 − 1 = 2

算术：3 − 1 = 2。两个模型署名无法担责，必须用免责声明覆盖——否则责任链在它们这里就断了。

Step 3：免责声明要覆盖哪几项

覆盖对象	声明内容
严谨性	并非严谨学术论文
组织立场	不代表任何公司或组织观点
产出性质	出于兴趣与系统测试

算术无关的一条收口：免责声明覆盖 3 项（严谨性 / 组织立场 / 产出性质），不可担责主体 2 个（两个模型）——两组数字分列，不合成一个算式。清单化：署名写清主体、免责写清边界、更新写清版本——责任才落得下。

🎯 关键认知

有责任链 → 出错时能追到"谁定题、谁验收、谁署名"；没有它 → 99% 由模型执笔就成了"没人负责"的挡箭牌。做法：署名列全主体、免责写清边界，让责任落在人身上。免责声明结构可对照该综述原文的免责段落。

AI 助教

👋 对署名与责任有疑问？比如「模型能当作者吗」「免责声明怎么写」？

说清你的产出场景，我帮你搭责任链。

要在业务里用这条流水线，第一步该挑哪类环节、按什么标准挑？

提示：给每个环节打两个分——能不能评测、能不能回滚；只有两项都过的那一档才适合先上。

▾

知识背景

落地不是"买一个大而全的系统"，而是按可测 × 可回滚选环节切入。第 33 课把"接受一个结论"拆成五维评估（novelty / validity / impact / reliability / provenance）；其中 validity（有效性，结论站不站得住）与 reliability（可靠性，重复跑还灵不灵）正是起步环节要过的第一道验收线。第 26 课的 tokens 口径则提醒：先小步验证，再放量花钱。

上一张卡片把责任落到了人。最后一个实务问题：如果你想在自己的业务里用这条流水线，从哪一步开始？

因为一上来就让它"全自动做研究"，出错了既测不出、也退不回——风险和收益完全不对等。就像新药先做小样本安全性试验，再谈大规模上市。所以按"可测 × 可回滚"给环节排序，从最稳的那一格切入。

🧮 第六笔账：给起步环节打分

Step 1：三类环节的两项打分

环节	可测	可回滚	适合起步
文献检索与综述	是	是	首选
实验执行	是	弱	谨慎
选题与结论	否	否	不建议

算术无关的一条排序：先做"读了能查、错了能退"的环节（检索与综述），把选题与结论留给人。

Step 2：起步分怎么算

环节	可测(0/1)	可回滚(0/1)	起步分 = 可测 × 可回滚
文献检索与综述	1	1	1
实验执行	1	0	0
选题与结论	0	0	0

算术：起步分 = 可测 × 可回滚，只有两项都为 1 才得 1 分。本例三档里只有文献检索与综述得 1 分——它就是起点。

Step 3：验收线取自第 33 课五维

维度	起步阶段是否先过关
validity 有效性	是
reliability 可靠性	是
novelty / impact / provenance	后置
先过关数	2 ÷ 5 维

算术（口径引用第 33 课）：五维里先卡 validity 与 reliability，即 2 ÷ 5 = 40% 的维度先过线，其余三维随规模再补。先证明"它做的对且稳"，再谈"它做的新"。

🎯 关键认知

全课程收口：从 Transformer 到自主研究，主线始终是同一件事——把"看起来行"变成"可验证地行"。落地的第一站就是选一个可测、可回滚的环节，用第 33 课的 validity 与 reliability 当验收线，先评测后生成——这也是「第一性原理大模型课程」34 课给你的最后一条可执行建议。

AI 助教

👋 对落地路线有疑问？比如「怎么给环节打分」「验收线怎么定」？

说清你的业务环节，我帮你排序。