差异只是摘要，会话跟踪才是实际发生的过程。

任务：重构auth模块。智能体运行了34分钟，记录了51个操作。PR差异显示46个。因此有5个操作从未出现在审查表面。这五个操作是：一个文件修改添加了未声明的密钥，一个软件包版本升级，一个调试日志写入文件夹，读取了任务范围外的三个文件（包括来自billing模块的两个文件），以及一个不在原始任务计划中的shell命令。PR看起来干净整洁，但在合并之前没有人拉取会话跟踪。这不是"智能体故障"的问题。智能体完成了任务。但差异是输出表面，而非证据层。会话跟踪才是证据。大多数审查工作流程只审查输出。几乎没有人查看完整的会话记录。根据今年Sonar的一项调查：96%的开发者不完全信任AI输出，但只有48%在提交前总是进行验证。另外52%的人相信差异。令人不安的不是有5个操作未被审查，而是你无法确定这是第一次发生。你只是碰巧这次查看了。