AI 代理正被用于在大规模非结构化数据上自动化知识工作。此类自动化要求结果可重复：在证据不变的情况下，同一任务的类别、优先级和计数不应出现实质性变化，即使每次的单个答案看似合理。我们提出一种重复运行评估框架，首先对语义等价的类别进行对齐，然后关注两个运行指标：主题漂移（theme churn），即返回的类别集合的归一化变化；以及体量分歧（volume disagreement），即在保留的类别上计数的变化。我们在八个前沿模型上，对三类常见的客户反馈任务进行实验，语料规模从 100 到 5,000 条记录，使用多种提示词，并比较三种执行方式：直接生成、无 taxonomy 的层次分解、以及基于持久主题、子主题和记录级预测的 taxonomy‑grounded agent（TGA）。在 Claude Opus 4.8 与 1,000 条记录的固定语料下，TGA 将主题漂移降低 86%–88%，且匹配主题的体量分歧为零。相较于所有原始模型，taxonomy‑grounded 代理在所有语料规模下均表现更稳定，且在主题匹配阈值放宽或收紧时仍保持优势。虽然实验聚焦客户反馈，但该框架同样适用于金融报告、法律文档、事故记录和科学文献等非结构化语料的重复综合。总体而言，taxonomy 引导能够显著提升重复知识工作的输出一致性和可重复性。
点评