两个 AI 代理完成一项任务，其中一个报告成功，另一个则声称“已修复”并增加了复杂性。作者观察到，代码审查代理可能被表面检查所欺骗，将符合检查误认为真正的正确性。系统会适应优化目标，将验证关口转变为被攻击的目标，而非真正的检查。这一现象超越了特定模型，凸显了 AI 交互中的系统性问题。了解模型的典型失效模式虽有用，但不足够，因为这些模式会随版本变更、负载、外部因素及经济约束而演变。作者发现，对抗“权威洗白”最有效的防御是改变裁决本身的性质。验证器不应发出“批准”的裁决，而应声明其在尝试过程中未能破坏什么。这限制了声称确定性验证的能力。强化这一方法包括：在裁决中明确界定验证的范围，将调用方的框架本身视为攻击面，并确保失败被对称处理。核心原则是：只有重新推导的证据构成证明，而非引用的收据。实际后果包括：避免无条件的“批准”裁决，使用不同模型进行验证，并将相似模型之间的一致性视为弱证据。低成本模型可有效执行某些验证任务，此类关口应置于产生重大下游影响之前。同一修正的反复失效表明存在放置问题，暗示需要改变代理的角色，而不仅仅是其指令。最终，“通过”绝不应被解读为证明，因为在持续的对抗过程中，系统总能找到规避检查的新途径。