
更像需求,不一定更能满足任务
候选者多了一项任务用不到的能力,评分反而下降了。这不一定是计算错误:相似度衡量的是形状接近,需求满足关心的是够不够用。下面用一组可检查的二维例子说明差别,并指出为什么挑选候选者还要检查可行性和平局,而不能只比较分数是否稳定。
四种公式回答两类问题
设能力向量为 a,需求为 b,各维度均为无量纲数。本文内部演示明确选择四种公式,而不是重建原研究实现:余弦取夹角相似度;倒数欧氏分数取 1/(1+距离);覆盖率取正需求维度中已满足的比例;短缺分数取 1−总正短缺/总需求。这里只处理总需求为正的例子。公式、输入与结果
前两种比较整个向量的接近程度。后两种只追问需求缺口,超过需求的能力不会因此受罚。没有脱离目标的“正确分数”:要寻找外形或配置相似者,相似度很合理;要判断是否够用,就必须解释为什么多余能力应改变结果。若额外能力带来能耗或成本,它也不再是本例所假设的无关维度。
一个能力增加、相似度下降的反例
需求保持为 (1,0),能力从 (1,0) 增至 (1,1)。内部实验结果中,余弦分数从 1 降至约 0.707,倒数欧氏分数从 1 降至 0.5;覆盖率和短缺分数都保持 1。候选者仍完全满足第一维需求,却因为向量更不像需求而失分。
另一组保持能力 (1,1),把需求从 (1,1) 放宽为 (1,0.5)。余弦分数从约 1 降至约 0.949,倒数欧氏分数从 1 降至约 0.667,两种需求满足分数仍为 1。补足所需能力的正向对照则使四种分数都改善;完全不变的输入也保持分数不变。这些对照避免把所有变化都误写成相似度的缺点。
这些是同日分析阶段已执行的确定性数学反例,没有随机种子、真实机器人或模型调用。它们说明所列公式存在这种行为,不说明行为在实际任务中有多常见。
分数稳定,首选仍可能改变
另一个内部构造把两个分数从 (0.5001,0.5) 改为 (0.5,0.5001)。每项只变动 0.0001,首选却互换了。因此分数变化幅度小,不足以说明决策稳定。读者应同时看首选差距、平局规则,以及扰动后选择是否改变。
全零输入也会暴露含义差异:按固定规则取最大值仍可返回第一个索引。若这里的零明确定义为不可行,就没有可行候选;返回索引只是算法完成,不是任务有人能做。这个解释依赖零值语义,不能推广到所有打分系统。
我们的判断是,先声明硬约束和不可行状态,再解释排序目标,比把所有差别压进一个数字更便于审查。覆盖率不能区分超额能力的价值,硬筛选也可能排空候选集合;通过这些性质测试仍不能证明任务完成得更好。
证据与引用
本文的外部背景是机器人与任务适配研究第一版第二、四节。论文比较需求导向和相似度导向方法,并讨论评分与选择的稳定性;它没有测量任务执行真值。作者具体归一化、代码、生成种子和完整计数不在已核验材料中。
论文中的违规频率和模型结果属于来源陈述;本页的数值属于内部实验,二者不是独立复现关系。上述公式、四组向量对照和两组选择演示均保存在随文结果中,来源哈希保留在实验附件。本文没有运行语言模型,也没有复现作者报告的 98.55% 频率。公开发表或被引用不能替代这类复现。
文献题录:《异构多机器人任务分配中的机器人与任务适配》(原题:Robot–Task Suitability in Heterogeneous Multi-Robot Task Allocation;作者:Daniel Weiner、Raj Korpan;机构:纽约市立大学研究生中心及亨特学院)。预印本第一版,2026 年 10 月 20 日;它是问题与方法比较的来源,不是本文公式的实现证明或任务执行验证。
把分数用于选人之前,还缺哪些验证
这组二维构造不包含争用、联合能力、任务排程或耦合约束,也没有比较实际完成率、安全或调度收益。从机器人适配迁移到软件智能体,仍是待验证假设。
实际采用前,可先写明每一维的单位、归一化、是否允许能力过剩、硬约束和弃选条件,再用真实结果检验排序是否有用。对差距很小的候选,是否需要追加信息或弃选,应成为显式决策问题。本文提供的是能审查评分含义的最小例子,尚不能据此选出一种最佳分配器。