你让 AI 算出 127，工具却递来 137。它可能看出工具错了，最后仍写下 137。工具、检索和用户会不断给 Agent 补充信息；这些信息怎样改写模型已经形成的判断，决定了外部帮助究竟是在纠错，还是把错误放大。
Kawada 与 Kellis 把这个过程称为“证据整合”——模型依据新材料，重新分配各个候选答案的概率。他们在 12 个模型、8 类任务、逾一千万次试验中发现，模型更容易接受自己原本就偏向的答案，包括与自身典型错误一致的答案。最值得警惕的是，“看懂证据”不等于“让判断受它控制”：按作者报告，模型单独检查时虽能正确否定错误候选，实际作答时仍有 93%—100% 的概率采用它；在未参与前期分析的物理与生命科学题目中，采用率最高达 99.4%。这意味着可靠 Agent 不能只增加一道验证提示，还要确认验证结果是否真正改变最终决策。