Frontier Autolab：多智能体 LLM 公司五十年技术变迁中的组织记忆、对抗异议与时间泄漏

arXiv 论文提出 Frontier Autolab 长周期测试平台：一个由十六个角色人格和专职 Red Team 组成的模拟公司，需在 1990 至 2040 年的九个技术时代中反复重建自身。每个时代按时间门控，依据带日期的简报决策，历史评审随后揭示结果并按五维评分，经验写入持续更新的 Playbook。四条轨迹共 36 次时代决策、180 个子分显示：24 个历史评分时代中，对趋势识别的评分均高于建仓位置的选择（10 分制平均差 1.9 分），因为董事会倾向选择既有资产可触及的层级。组织设计塑造长期性格：配备数值 kill gate 的 Red Team 五十年只产出被门控的试点而无产品，评分却最高；记忆存市场结构经验的公司每代转向，只存验证流程的公司始终沿用一种方法。

此前多智能体 LLM 评测多集中在几分钟级任务，缺少跨时代、长周期的组织行为观察。该工作把评测单位从单次任务扩展为五十年的连续决策轨迹，并暴露评分随时代上升、评审自身后见之明分数下降的反常相关，提示“学习”表象可能来自时间泄漏而非真实能力提升。

机制上，测试平台用文档化简报限制信息可见性，用历史评审提供延迟反馈，用持久 Playbook 保存经验，从而把组织记忆的内容差异转化为长期战略差异。管理层倾向选择现有资产可覆盖的层级，解释了识别趋势与投入位置之间的持续差距。Red Team 的数值 kill gate 则把决策固化为不断验证、无法推出的试点循环。评审分数与后见之明负相关，说明评分可能泄漏未来信息，使跨时代比较不可直接采信。

对构建多智能体产品的团队，这意味着角色分工、评审流程和共享记忆不是中立的工程细节，而会直接决定系统在长周期中是持续转向还是锁死单一方法。若将此类平台用于内部战略模拟或代理产品迭代，需要把记忆按市场结构与验证流程分层存储，并加入 kill gate 之外的产品化出口条件，否则容易产出高分但无交付的试点堆积。同时应对评审加入时间泄漏检测。

• 在智能体记忆模块中区分“市场结构经验”与“验证流程经验”两类存储，并分别设计更新与淘汰策略。
• 为内部战略模拟工具加入时间门控与隐藏未来信息机制，用于检测评分中的后见之明泄漏。
• 在 Red Team 流程外设置产品化出口指标，避免决策长期停留在被门控的试点阶段。
• 提供跨时代轨迹的评分与后见之明相关性监控，作为多智能体评测的可信度指标。

• 论文摘要被截断，评分上升与后见之明下降的具体因果解释尚未在证据中给出。
• 四个轨迹、36 次决策的样本规模是否足以支撑跨时代组织行为的普遍结论，证据未说明。
• 该测试平台对真实商业决策的预测效度是否经过外部验证，证据中没有体现。
• 时间泄漏的具体检测与校正方法在此证据中未展开。