六月写过 Advisor 的实现和第一轮单发评测（Advisor-实现与评测-agent编排层只读审查）。那篇文章的数据留了一道缝：advisor 真被触发的题上有局部正向——DeepSeek 执行、Opus 顾问的 Carbon 那组，token 降 37%，成本降 35%——但触发本身靠运气，多数题里模型根本不开口，再好的建议都在空转。
现在回头看，那轮评测有个先天缺陷。模型只有一次调用机会，读题、写 patch、交卷，中间没有工具、没有迭代，压根不存在”要不要问一下 advisor”这个决定。而 Advisor 的设计假设，恰恰是 executor 会在高风险点主动求教。这个假设从来没被检验过——单发 setting 里，它连问的机会都没有。
所以把评测框架重写成 agent loop。executor 变成一个真正的编码 agent：四个工具，读文件、改代码、跑命令、ask_advisor，在真实仓库里最多迭代 15 轮。它得自己决定什么时候读、什么时候改、什么时候问。问不问 advisor，第一次成了模型自己的决定。
数据给的答案很干脆：它不问。
题目从 SWE-bench Verified 分层抽了 20 道：Easy 7、Medium 7、Hard 6，覆盖 11 个仓库，seed 固定。两组 executor，DeepSeek Flash 和 GLM Air，都是便宜模型；每组各跑 solo 和 advisor 两个版本，advisor 挂同厂更强的模型，DeepSeek 侧配 DeepSeek，GLM 侧配 GLM 5.1。四组对照，同题同 loop。
| 配置 | resolved | ask_advisor 调用 |
|---|---|---|
| DS Flash solo | 9/20 | — |
| DS Flash + DS advisor | 10/20 | 4 次 |
| GLM Air solo | 13/20 | — |
| GLM Air + GLM 5.1 advisor | 12/20 | 0 次 |
数字小，结论不小。
先看调用次数，这轮评测真正的主角在右边一列。GLM Air 的 20 道题里，ask_advisor 被调用了 0 次。DeepSeek 好一点，20 道题 4 次，平均一题 0.2 次。求教时机写得清清楚楚：修复面不清楚、反复报错、准备换方案。模型当没看见。
这跟 Anthropic 官方文档的预告对得上：没有强 steering，coding executor 会少调用 advisor，模型天然倾向自己扛。实测比”少”更极端，接近零。原因不难猜。agent 模型被训练出来的本能是行动，读文件、跑测试、改代码，每一步都有即时反馈；ask_advisor 要停下来，等一轮，换来一段可能用不上的建议。对一个以行动为本能的 loop，这是最亏的一步棋。
再看成绩单。DeepSeek 从 9 涨到 10，净涨的这 1 题跟在 4 次调用后面，算谨慎的正向，4 次调用的小样本只能当信号看。GLM 那边掉了一题，13 变 12，而 advisor 全程没出场。这 1 题的波动只能记在机制自己头上：挂上 advisor，system prompt 变长，工具列表多一项，模型行为就被这点扰动带偏了。advisor-mode 有入场费，哪怕顾问一句话都没说。
两轮评测放一起，故事完整了。六月说：advisor 真触发时有价值，问题是触发太少。这轮说：把触发权完整交给模型，它选择永不触发。价值窗口存在，模型的触发本能和这个窗口几乎不重叠。
中间还有段插曲。评测间隙试了一次规模化，用 glm-air-solo 把 SWE-bench Verified 全量 500 题的生成跑完：310 题产出 patch，62%，429 污染清零。卡在最后一步，云端评测要配 Modal 凭证，一直没落地，砍掉了。这条线没拿到 resolved 数字，但顺带验证了一件事：便宜模型跑全量生成，成本和时间都可控，真正贵的是评测基建。分辨率继续引用 20 题先导的 13/20。
有个数字值得单独拎出来：GLM Air solo，20 题解 13，65%，总花费 $0.09。九美分。这个成绩放在 2024 年是科幻，放在 2026 年 9 月只是随手一跑的 baseline。
它顺带解释了 advisor 为什么难做。executor 本来就解得出大多数题，advisor 的价值被压到模型真不确定的少数题上；而模型恰恰在能解的题上从不求助，在解不了的题上也未必开口。价值空间本身就这么窄。
下一步的方向，数据指得很清楚：把触发权从模型手里收回一部分。第一轮没调用就在下一轮注入 reminder，风险信号出现时强制问一次，官方文档里这些都是现成建议。但强制调用会撞上六月评测的老结论：强 executor 自解能力摆在那里，逼它问，问回来的多半是它已经想明白的事。advisor 要在模型真不确定的题上才有价值，怎么在它开口之前知道它确不确定，这个问题比 advisor 本身更难。
六月那篇文章用”低频风险触发”收尾。这轮数据把”低频”往下压了一层：交给模型自己触发，频率是零。Advisor 的能力一直都在，DeepSeek 那边净涨的 1 题就走在 4 次调用后面；缺的是那个”该问了”的信号。当初以为模型自己会搞定的问题，最后成了整个方案里唯一没解的题。