AI 代理写完一份分析，代码能运行、图表也像模像样，不等于结论可靠。就像验算账目，不能只看公式有没有写错，还要确认原始数字、统计口径和问题本身都没跑偏。Seascapemodels 在 R-bloggers 分享了一套仍在完善的验证策略：先写分析规格——提前定下研究问题、数据口径、模型公式和验收标准——再让另一家代理做对抗式代码审查，并为数据处理设置“发现不一致就停止”的检查。
其中最值得借鉴的一步，是用“已知答案”反测整条流程。作者建议依据模型另行生成一批模拟数据，再看代理的分析能否找回预先设定的参数；若做概率推断，还可检查 95% 置信区间在大量随机数据中是否约有 95% 的时候覆盖真值。为减少两边共享同一个错误，模拟数据应放在独立的 Claude 与 R 环境中生成，并关闭记忆功能。说白了，审查重点开始从逐行读代码，转向规格是否合理、数据如何流转，以及另一套实现能否独立复算出相同结论。作者也明确称，这套办法仍是进行中的实践。