我编写了一种方法，将其提供给Codex，它通过了Terminal-Bench任务，该任务有59次公开运行且零通过。

此任务有59次公开运行，涉及11种不同的模型和代理配置。零通过。我使用的同一个模型，gpt-5.6-sol在最大推理努力下，在公开记录中5次运行0通过。有一次运行在官方验证器上得分为19分中的19分，在90分钟限制内。任务是Terminal-Bench 3.0上的ico-path-patch — 二进制逆向工程加热补丁，19个检查，全有或全无。那次运行中唯一不同的是代理没有直接开始任务。它首先为任务构建一个小服务，将其冻结，然后通过该服务处理任务，而不是每隔几轮重新推导约束条件。这源于一个大家都知道的问题：运行时间越长，代理对自己位置的认知与实际情况的偏差越大。我从运行自己的多代理系统中写了一篇关于原因的理论，并在该系统中的一个代理开始无提示地使用该理论诊断自身漂移后，将其转化为一种方法。我所希望的是其他人也能运行这个任务，有两种方式可以做到。使用你自己的技术栈。无论你调整过什么——提示、编排、记忆，无论你最终选择了什么。任务是公开的，评分器不是我的，结果是一个单一数字，不在乎是谁的框架产生的。如果你的设置在没有我的任何参与的情况下通过了，那是一个比我的运行更有趣的结果，而且老实说，这会告诉我我的方法并不是起作用的东西。或者使用我的。步骤已经写好了，它是免费的，如果有效，得分是你的。我特别希望看到它在一个我从未涉足的领域被尝试——我的领域是软件形式的，我不知道这是否在其他地方也成立。无论哪种方式，我都想听听发生了什么，包括如果它不起作用。值得一提的是，我尝试了四次有评分的尝试才通过一次，而且没有一次运行中代理获得了构建阶段但没有方法文本——所以"任何构建阶段都行"仍然是一个我无法排除的合理解释。链接在评论中。