沈砚负责实验室的研究方向与整体判断。他关心的核心问题是: 当一部分判断可以被委托出去, 组织据以运转的那些默认假设有哪些需要重新检查。

他的工作方式偏向先界定再动手——在他看来, 人机协作里的多数失败不是能力问题, 而是目标、边界、判据三者中至少有一项从未被说清。因此实验室的方法工作总是从把隐性判断外化开始, 哪怕这一步在压力下最容易被跳过。

他坚持实验室自己写代码、自己部署: 一个没有被实现过的方法只是主张, 而实现过程中断掉的地方, 恰恰是方法最需要处理的地方。他也保留说"这个方向此刻不值得做"的余地, 包括对自己已经投入过的方向。

林知远负责研究议程的推进与立场的检验。她的工作产出不是观点, 而是可被推翻的判断——每一条立场都要配一句"什么样的观察会证明它是错的"。

她关注最多的是概念含混带来的实际代价: "智能"这个词被用来指称至少四件不同的事, 而把它们打包在一起会让人做出具体的错误推断——因为系统在检索重组上表现出色, 就推断它也能设定目标。她在研究里坚持拆分而非重新定义, 因为拆分能落到具体决策上。

她也负责研究与方法之间的传导: 一个研究结论如果三个月内无法影响任何一次具体判断, 就要重新审视它是否值得继续投入。

韩澈负责把方法变成能在生产环境里跑的系统。他处理的主要矛盾是自主与可归因之间的取舍: 链条越长、中间判断越多, 出错时越难定位。

他的默认立场是可归因优先。多步留痕比单步调用慢数倍、贵数倍, 但那是把 Agent 放进关键流程的前提; 不能接受这个代价的场景, 他会直接建议不要接入。

他最强调的一条工程纪律是禁止默许补全: 信息缺失时模型会给出一个合理的填充, 而合理的填充与真实信息在文本上不可区分。因此所有输入契约都显式规定缺失即标注缺失。他也负责评测集的建设——在他看来没有评测集的 Agent 项目不算工程, 只算演示。

苏珩负责数据与检索层: 采集、归一、抽取、索引, 以及贯穿其中的溯源链。

他工作里最核心的一件事是独立信源计数。在他看来, 当前信息环境最危险的失效不是假消息本身, 而是循环印证——多个渠道转引同一源头, 于是"多家都在报"被当成了可靠性证据。他的系统里, 转引同源的多个来源计为一个。

他对静默失败的容忍度为零: 源不可达、结构变更导致解析失败, 都必须显式报错。理由很简单——"没有消息"与"没抓到消息"如果无法区分, 下游的所有判断都建立在一个未知之上。

江遥负责知识层的治理: 什么进入、什么标为过期、矛盾如何呈现, 以及写出来的东西是否真的能被别人接手。

她把治理看作知识层能否长期成立的关键, 而不是配套工作。技术上建一个检索系统并不难; 难的是半年后它仍然可信——这取决于是否有人维护状态标注, 而这件事没有即时回报, 因此总是最先被放弃。

她坚持一条原则: 检索到互相矛盾的材料时并列呈现而不是调和。抹平矛盾会得到一个自洽且可能两边都不对的回答, 而这类错误最难被发现。她也负责对外内容的一致性——一个主张结论必须可追溯的实验室, 自己的文字里不能出现无法追溯的断言。

陆闻负责客户合作的界定与交付。他的第一项工作往往是判断这件事我们该不该接。

他会在最早的会谈里就把不适合的情形说清楚: 结论已定只需要背书的、无法接触真实流程与数据的、以及问题的实质是职责与激励而 AI 只会让它换个形式出现的。他认为把这些说在前面, 比事后交付一份漂亮但用不上的东西要诚实得多, 也更省双方的时间。

在交付上他关心的是退出之后。一个项目的完成标志不是文档交付, 而是我们撤出一个季度后, 客户团队的指标不回落。因此他会坚持把维护责任、复查节奏与责任人在项目中期就确定下来, 而不是留到结项。